Agentes de IA no mercado financeiro: dados em tempo real via MCP

A conversa sobre IA no mercado financeiro costuma ficar apenas em torno de oportunidades, riscos e impacto no setor. Hoje vamos tratar de uma coisa mais específica e mais prática: como um agente de IA pode consultar dados financeiros de forma mais confiável.

Antes de começarmos é importante destacar que o objetivo deste artigo não é fazer um panorama geral de IA em finanças, mas sim abordar o tema de agentes conectados a dados via MCP. Além disso, neste contexto, ao falarmos sobre dados em tempo real nos referimos ao dado consultado pelo agente no momento em que a pergunta é feita. O que não é necessariamente uma cotação tick a tick, por exemplo.

Assistente ou agente de IA: qual a diferença?

Enquanto um assistente de IA responde perguntas e gera texto. Um agente de IA vai além: ele percebe o contexto, toma decisões, executa fluxos de vários passos e verifica o resultado, com intervenção humana mínima.

A diferença prática, e a que importa para este artigo, é que o agente pode chamar ferramentas externas para agir, não apenas conversar. E é justamente essa capacidade que separa um chat de um agente útil em finanças.

Um assistente pode explicar o que é o índice P/L. Um agente pode consultar o P/L atual de uma empresa específica em uma fonte de dados, comparar com o setor e montar um resumo, tudo em uma sequência de passos que ele mesmo coordena.

Como um agente consulta dados financeiros?

Um agente acessa dados externos por tool calling, também chamado de function calling. Diante de uma tarefa, o modelo decide chamar uma ferramenta, monta os argumentos, a ferramenta executa contra uma fonte externa e devolve o resultado, que o modelo incorpora ao raciocínio.

O MCP entra como o padrão que conecta o agente a essas ferramentas. Um servidor MCP expõe ferramentas, e qualquer host compatível pode usá-las. No caso do mercado financeiro, um servidor MCP de dados de mercado expõe ferramentas de consulta de cotações, indicadores, dados de fundos e informações fundamentalistas, e o agente as chama no momento da execução.

Se você quer entender o conceito e a arquitetura por trás disso, veja o guia o que é MCP e o guia o que é um servidor MCP.

Por que dado real reduz a alucinação na IA?

Um modelo de linguagem gera texto a partir da memória de treino e pode produzir informação plausível, porém incorreta. Isso se chama alucinação, e é mais provável que aconteça justamente quando pedimos números específicos, dados recentes e/ou fatos de nicho.

Conectar o agente a uma fonte de dados por ferramenta permite que ele busque o valor real no momento, em vez de adivinhar. Esse é o grounding. Quando o grounding usa uma fonte primária e autenticada, o risco de números inventados cai bastante e o processo ganha rastreabilidade, porque se sabe de onde veio o dado.

Principais casos de uso em finanças:

Os usos mais aderentes a esse modelo têm um traço em comum: o agente reúne e organiza dados atuais, e uma pessoa interpreta e decide. Alguns exemplos:

• Research de empresas: o agente consulta dados fundamentalistas e de mercado atuais para montar um resumo, em vez de recitar informações de memória.
• Análise de ações e de fundos: o agente busca cotações, indicadores e composição de carteira em tempo de execução.
• Monitoramento e alertas: o agente acompanha um conjunto de ativos e sinaliza mudanças relevantes.
• Apoio a relatórios: o agente reúne os dados atuais que um analista humano interpreta e assina.

Note que em nenhum dos casos existe a decisão autônoma de investimento. Essa fronteira é posta como uma boa prática de produto e uma questão regulatória no Brasil.

Até onde vai o agente: dado, análise e a fronteira da recomendação

No Brasil, recomendar valores mobiliários é atividade regulada. A consultoria de valores mobiliários é definida como a prestação profissional, independente e individualizada de orientação, recomendação e aconselhamento sobre investimentos, cuja adoção e implementação são exclusivas do cliente. Ela é regulada pela Resolução CVM 19, de 25 de fevereiro de 2021.

Dois pontos dessa norma são decisivos para agentes de IA.

1. Prestar consultoria por meio de sistemas automatizados ou algoritmos está sujeito às mesmas regras e não retira a responsabilidade do consultor pelas recomendações.
2. O código-fonte desse sistema deve ficar disponível para inspeção da CVM, em versão não compilada. Os chamados robôs consultores precisam de autorização da CVM como consultores, e os robôs gestores registram-se como administradores de carteira, na forma da Resolução CVM 21.

Em janeiro de 2026, a CVM publicou o Ofício-Circular 2/2026/CVM/SIN, que esclareceu pontos da Resolução CVM 19. Entre eles, o de que relatórios de recomendação exigem descrição específica e objetiva e aprovação prévia e expressa do cliente, sendo vedada a atuação discricionária. Por outro lado, relatórios meramente gerenciais ou de controle, que retratam a rentabilidade e a composição de uma carteira, ficam fora do escopo da consultoria.

O que isso significa na prática para um agente:

• Fornecer dados de mercado, fundamentalistas e macroeconômicos não é, por si, recomendação. É insumo.
• Recomendar valores mobiliários, ainda que por meio de um agente, é atividade regulada e mantém a responsabilidade humana.
• A posição defensável, portanto, é a de um agente que traz dado e análise, com um humano responsável pela recomendação e pela decisão final.

A camada de dados alimenta fatos. A camada de recomendação, se existir, é uma atividade regulada à parte. Manter essas duas coisas separadas é bom para a conformidade e bom para a confiança no sistema.

Boas práticas de um agente conectado a dados

Um agente financeiro confiável não se define só pelo modelo que usa, mas pela disciplina com que trata os dados. Para isso é importante implementar alguns aspectos:

• Fonte primária e autenticada, de preferência licenciada, em vez de dado raspado de origem duvidosa.
• Data de referência explícita em cada número, para o usuário saber a que momento o dado se refere.
• Rastreabilidade: o agente deve poder dizer de onde veio cada valor.
• Limites claros: o agente traz dado e análise, não decide investimento sozinho.
• Confirmação humana para qualquer ação sensível.
• Tratamento de ausência de dado: quando a ferramenta não retorna um valor, o agente deve dizer que não sabe, em vez de inventar.

Esse último ponto merece destaque, porque é onde muitos agentes falham. Um agente bem construído prefere admitir a falta de um dado a preencher a lacuna com um número plausível. Em finanças, um número inventado pode causar muito mais prejuízo do que uma resposta em branco.

A camada de dados por trás do agente

Um agente é tão confiável quanto a fonte que consulta. É aqui que uma camada de dados dedicada entra, e a Partnr serve como exemplo desse papel no mercado brasileiro.

A Partnr é um servidor MCP que expõe dados de mercado, fundamentalistas e macroeconômicos brasileiros, com acesso autenticado, apoiado em licença de redistribuição de dados da B3.

No vocabulário das boas práticas da seção anterior, ela é a fonte licenciada, autenticada e rastreável que alimenta o agente com fatos em tempo de execução, sem que ele precise por conta própria buscas esses dados.

Esse ponto conecta o que vimos sobre licenciamento. Distribuir dado bruto de mercado da B3, em tempo real ou com atraso, exige contrato com a B3. Dados de fim de dia e históricos a partir de D-1 podem ser distribuídos sem custo e sem autorização prévia. Uma camada de dados licenciada resolve essa parte, o que evita que o agente dependa de dados de procedência incerta.

Conclusão

Agentes de IA agregam valor no mercado financeiro quando param de adivinhar e passam a consultar. A diferença entre um chat que soa convincente e um agente confiável está na fonte: um agente conectado a dados primários e autenticados, por tool calling padronizado via MCP, traz números com data de referência e rastreabilidade, o que reduz o risco de informação inventada, ainda que não o elimine.

O limite também é claro. Dado e análise são um território. Recomendar valores mobiliários é outro, regulado, com responsabilidade humana. Um agente bem desenhado respeita essa fronteira: ele alimenta a decisão com fatos confiáveis e deixa a recomendação com quem responde por ela. O próximo passo natural, para quem vai construir algo assim, é escolher a camada de dados pelo critério certo, ou seja, licenciada, autenticada e rastreável, antes de escolher o modelo.