Agente de IA para Previsão de Inadimplência de Crédito

11 de December de 2025 • Tempo de leitura: 5 min

Como criar um agente de IA que utiliza dados históricos de crédito para prever a probabilidade de inadimplência de clientes.

1. Propósito e Escopo

Este documento define todos os prompts, configurações de memória, transição entre estados, ferramentas como chamadas a sistemas externos e demais requisitos funcionais para o Fluxo de Agentes "Previsão de Inadimplência de Crédito", uma solução de automação projetada para prever a probabilidade de inadimplência de clientes utilizando dados históricos de crédito. Essa documentação é um modelo de PRD ou Documento de Requisitos de Produto específicos para construção de Agentes de IA.

O objetivo principal é transformar os dados históricos em insights preditivos que auxiliem na tomada de decisão das instituições financeiras, minimizando riscos associados à concessão de crédito.

2. Contexto e Problema

Problemas Específicos

As instituições financeiras enfrentam desafios significativos devido às previsões imprecisas de risco de crédito, resultando em altas taxas de inadimplência. A falta de ferramentas eficazes para prever a probabilidade de inadimplência exacerba esse problema.

O agente de IA proposto visa resolver esses problemas específicos ao:

  • Analisar dados históricos de crédito para identificar padrões de inadimplência.
  • Utilizar modelos preditivos avançados para calcular a probabilidade de inadimplência.
  • Fornecer recomendações para minimizar riscos e tomar decisões informadas.

3. Impactos Esperados

A implementação deste fluxo de automação visa alcançar os seguintes resultados:

  • Redução da taxa de inadimplência ao melhorar a precisão das previsões de risco de crédito.
  • Otimização das decisões de crédito com base em insights preditivos.
  • Minimização de riscos financeiros associados à concessão de crédito.

4. Visão Geral da Solução

O agente de IA para previsão de inadimplência de crédito processa dados históricos de crédito, aplica modelos preditivos avançados e fornece recomendações para minimizar riscos, auxiliando na tomada de decisão das instituições financeiras. A seguir são detalhadas todas as regras de negócio e especificações funcionais necessárias para que esse agente atue como um assistente útil e autônomo na previsão de inadimplência de clientes.

A solução consiste em um fluxo de automação composto por 3 agentes de IA. O processo inicia com a preparação e profilamento de dados de crédito e termina com a geração de recomendações para minimização de risco.

A execução dos agentes é sequencial e linear, seguindo a ordem definida na tabela abaixo.

Agentes Função Principal
Agente de Preparação e Perfilamento de Dados de Crédito (RF 1) Validar, padronizar e enriquecer dados históricos de crédito para viabilizar o cálculo consistente da probabilidade de inadimplência.
Agente de Cálculo de Probabilidade de Inadimplência (RF 2) Atribuir a cada cliente um score contínuo entre 0 e 1 representando a probabilidade de inadimplência em 12 meses, com motivos explicativos.
Agente de Recomendações para Minimização de Risco (RF 3) Transformar a probabilidade de inadimplência em decisões de política de crédito e ações de mitigação alinhadas a regras de negócio.

5. Protótipos

Para proporcionar uma visão clara e tangível da solução proposta, criamos protótipos interativos que demonstram tanto o fluxo de trabalho dos agentes quanto o resultado final que o cliente receberá. Explore os links abaixo para entender melhor a solução em ação.

6. Requisitos Funcionais

RF 1. Agente de Preparação e Perfilamento de Dados de Crédito

1.1 Tarefa do Agente

Validar, padronizar e enriquecer dados históricos de crédito para viabilizar o cálculo consistente da probabilidade de inadimplência.

1.2 Prompt ou Instruções do Agente
 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo um dataset tabular com dados históricos de crédito. Este dataset inclui informações como cliente_id, data_referencia, valor_emprestimo, entre outros.

# 2. Objetivo
Validar, padronizar e enriquecer esses dados para viabilizar o cálculo consistente da probabilidade de inadimplência.

# 3. Regras que você deve seguir para gerar sua resposta
- Validação de esquema: rejeitar entradas sem cliente_id ou data_referencia.
- Padronização de datas: converter para YYYY-MM-DD.
- Tratamento de valores faltantes e outliers conforme regras predefinidas.
- Criação de features derivadas determinísticas.
- Codificação categórica determinística.
- Remoção de duplicidades.
- Entrega de dataset preparado com linhas válidas e campos padronizados.
1.3 Configurações do Agente

1.3.1 Especificação do Input

  • Mecanismo de Acionamento: Este agente é o ponto de partida do fluxo e deve ser acionado pelo envio de um arquivo CSV contendo os dados históricos de crédito via API. Na fase de testes, o fluxo será iniciado pelo envio manual dos dados, que serão enviados para o agente diretamente por upload do CSV na interface da Prototipe AI, para acelerar o processo de validação.
  • Tipo do input: O input inicial para o fluxo é um arquivo CSV contendo dados históricos de crédito.
  • Formatos Suportados: Esse agente deve ser capaz de receber arquivos nos formatos: .csv.
  • Número de caracteres esperado: Este agente deve ter capacidade para processar um input de texto com até 500.000 caracteres.

1.3.2 Especificação do Output

  • Formato de output: O output deve ser um JSON contendo o dataset preparado, dicionário de variáveis, relatório de qualidade, balanceamento de classe e features derivadas.
  • Exemplo de Estrutura de Output:
     {
      "dataset_preparado": [ ... ],
      "dicionario_variaveis": { ... },
      "relatorio_qualidade": { ... },
      "balanceamento_classe": { ... },
      "features_derivadas": { ... }
    } 
  • Número de caracteres esperado: O JSON gerado deve ter um tamanho estimado em torno de 50.000 caracteres, dependendo da quantidade de dados e complexidade das features derivadas.

1.3.3 Parâmetros de Geração

  • Modelo: GPT-5
  • Temperatura: 0.6

1.3.4 Ferramentas do Agente

  • Documentos: Não consulta documentos externos.
  • Calculadora: Utiliza lógica interna para cálculos de features derivadas.
  • Busca Online: Não utiliza.
  • Sistemas Externos: Não se conecta a sistemas externos.

1.3.5 Memória

1.3.6 Regras de Orquestração e Transição

Ao concluir sua execução, esse agente aciona o Agente de Cálculo de Probabilidade de Inadimplência (RF 2).

RF 2. Agente de Cálculo de Probabilidade de Inadimplência

2.1 Tarefa do Agente

Atribuir a cada cliente um score contínuo entre 0 e 1 representando a probabilidade de inadimplência em 12 meses, com motivos explicativos.

2.2 Prompt ou Instruções do Agente
 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo o output do Agente de Preparação contendo o dataset preparado e demais artefatos analíticos.

# 2. Objetivo
Calcular a probabilidade de inadimplência para cada cliente com base nos dados preparados.

# 3. Regras que você deve seguir para gerar sua resposta
- Garantir que todos os cálculos de probabilidade estejam entre 0 e 1.
- Estratificar a probabilidade em bandas de score (A-E).
- Gerar motivos explicativos legíveis para cada cliente.
- Não executar consultas externas ou decisões de crédito nesta etapa.
2.3 Configurações do Agente

2.3.1 Especificação do Input

  • Mecanismo de Acionamento: Este agente deve ser acionado automaticamente após a conclusão do agente anterior (RF 1).
  • Tipo do input: Este agente deve ser apto a receber um JSON contendo o dataset preparado e artefatos analíticos gerados pelo agente anterior.
  • Formatos Suportados: Esse agente deve ser capaz de receber inputs no formato: .json.
  • Número de caracteres esperado: Este agente deve ter capacidade para processar um input de até 50.000 caracteres.

2.3.2 Especificação do Output

  • Formato de output: O output deve ser um JSON contendo a probabilidade de inadimplência, banda de score, bucket de risco e motivos explicativos para cada cliente.
  • Exemplo de Estrutura de Output:
     {
      "cliente_id": "12345",
      "prob_inadimplencia_12m": 0.23,
      "score_band": "C",
      "risk_bucket": "medio",
      "motivos_top": ["DTI estimado acima de 40%", "Histórico de atrasos nos últimos 12m"]
    } 
  • Número de caracteres esperado: O JSON gerado deve ter um tamanho estimado em torno de 30.000 caracteres, dependendo do número de clientes processados.

2.3.3 Parâmetros de Geração

  • Modelo: GPT-5
  • Temperatura: 0.6

2.3.4 Ferramentas do Agente

  • Documentos: Não consulta documentos externos.
  • Calculadora: Utiliza lógica interna para cálculos de probabilidade e estratificação.
  • Busca Online: Não utiliza.
  • Sistemas Externos: Não se conecta a sistemas externos.

2.3.5 Memória

2.3.6 Regras de Orquestração e Transição

Ao concluir sua execução, esse agente aciona o Agente de Recomendações para Minimização de Risco (RF 3).

RF 3. Agente de Recomendações para Minimização de Risco

3.1 Tarefa do Agente

Transformar a probabilidade de inadimplência em decisões de política de crédito e ações de mitigação alinhadas a regras de negócio.

3.2 Prompt ou Instruções do Agente
 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo a lista de clientes com suas respectivas probabilidades de inadimplência e bandas de score.

# 2. Objetivo
Transformar essas probabilidades em decisões de política de crédito e ações de mitigação.

# 3. Regras que você deve seguir para gerar sua resposta
- Mapeamento de decisão por risco: baixo risco (A-B), risco médio (C), alto risco (D-E).
- Avaliar capacidade de pagamento com base na renda mensal e parcela estimada.
- Recomendar limites de crédito e condições de mitigação.
- Fornecer explicações claras e concisas para cada decisão.
3.3 Configurações do Agente

3.3.1 Especificação do Input

  • Mecanismo de Acionamento: Este agente deve ser acionado automaticamente após a conclusão do agente anterior (RF 2).
  • Tipo do input: Este agente deve ser apto a receber um JSON contendo a lista de clientes, probabilidades de inadimplência e bandas de score geradas pelo agente anterior.
  • Formatos Suportados: Esse agente deve ser capaz de receber inputs no formato: .json.
  • Número de caracteres esperado: Este agente deve ter capacidade para processar um input de até 30.000 caracteres.

3.3.2 Especificação do Output

  • Formato de output: O output deve ser um JSON contendo as decisões de crédito, motivos das decisões, limites recomendados e explicações para cada cliente.
  • Exemplo de Estrutura de Output:
     {
      "cliente_id": "12345",
      "decisao_credito": "aprovar",
      "motivo_decisao": ["DTI elevado", "Histórico de atrasos"],
      "limite_recomendado": 5000,
      "condicoes": ["redução de prazo"],
      "preco_recomendado": "sobretaxa de 3pp",
      "conformidade": {"dti_excedido": true},
      "human_loop_required": false,
      "trilha_explicacao": "Aprovado com condições devido ao DTI elevado."
    } 
  • Número de caracteres esperado: O JSON gerado deve ter um tamanho estimado em torno de 20.000 caracteres, dependendo do número de clientes processados e complexidade das decisões.

3.3.3 Parâmetros de Geração

  • Modelo: GPT-5
  • Temperatura: 0.6

3.3.4 Ferramentas do Agente

  • Documentos: Não consulta documentos externos.
  • Calculadora: Utiliza lógica interna para cálculos de decisão de crédito.
  • Busca Online: Não utiliza.
  • Sistemas Externos: Não se conecta a sistemas externos.

3.3.5 Memória

  • Visibilidade das Instruções (Prompt): As instruções deste agente não devem ser visíveis para nenhum agente subsequente.
  • Visibilidade da Resposta: A resposta é o entregável final e não é passada para outros agentes internos.

3.3.6 Regras de Orquestração e Transição

A execução deste agente finaliza o fluxo. As decisões de crédito geradas são o resultado que deve ser disponibilizado ao usuário.

© 2025 prototipe.ai. Todos os direitos reservados.