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
- Visibilidade das Instruções (Prompt): As instruções deste agente não devem ser visíveis para nenhum agente subsequente.
- Visibilidade da Resposta: A resposta gerada por este agente deve ser visível para o Agente de Cálculo de Probabilidade de Inadimplência (RF 2).
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
- Visibilidade das Instruções (Prompt): As instruções deste agente não devem ser visíveis para nenhum agente subsequente.
- Visibilidade da Resposta: A resposta gerada por este agente deve ser visível para o Agente de Recomendações para Minimização de Risco (RF 3).
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.