Antes da IA, a Reorganização: Como Operações Virou Sistema na CERC
TL;DR — Em 2024, a operação da CERC tinha um sintoma claro: a mesma situação podia ser tratada de cinco formas diferentes, dependendo de qual analista pegasse o atendimento. O conhecimento operacional vivia espalhado, na cabeça de cada um. Em vez de colocar IA por cima do problema, reorganizamos primeiro o time, com ownership por participante. A IA entrou depois, em duas frentes apoiadas na mesma base de conhecimento institucional: a Madonna, que assiste o analista no HubSpot, e a dott.ai, plataforma de certificação que orienta participantes em runtime. Tempo médio de resposta caiu de 9,4 para 4,1 horas com a Madonna no fluxo. Onboarding e certificação de novos participantes passou de mais de 60 dias para uma média de 5.
Em 2024, percebemos que estávamos ficando bons em algo ruim: tratar a mesma situação de cinco jeitos diferentes, a depender de qual analista pegasse o atendimento.
O caminho óbvio teria sido colocar IA em cima do problema, como muita empresa começou a fazer naquele ano. Resolvemos fazer diferente. Antes de ligar qualquer agente, reorganizamos quem respondia pelo quê. O conhecimento operacional, que vivia espalhado na cabeça de cada analista, foi consolidado por participante: cada pessoa passou a ser dona de um conjunto fixo, com profundidade sobre seus produtos e fluxos. Só com esse modelo já corrigido a IA entrou, para escalar a parte que sobrou de gargalo.
O efeito secundário foi mais interessante do que esperávamos: cada analista virou curador de uma agente que carrega seu domínio. Quem operava o sistema passou a também desenhá-lo.
O texto a seguir conta como isso foi montado em duas frentes, apoiadas na mesma base de conhecimento institucional: a Madonna, no dia a dia da operação, e a dott.ai, na certificação de participantes.
O conhecimento estava na cabeça das pessoas
O conhecimento que deveria ser institucional vivia fragmentado na cabeça de cada analista. Cada pessoa acumulava contexto sozinha, sem que esse contexto chegasse aos outros do time. Não era um problema de gente nem de competência; era de organização. E numa operação que sustenta infraestrutura crítica do mercado financeiro brasileiro, onde regras sistêmicas são densas e mudam o tempo todo, isso compromete diretamente a conformidade — não é só lentidão.
Contratar mais gente só multiplicaria a fragmentação. Por isso decidimos reorganizar a estrutura antes de mexer em qualquer ferramenta.
Ownership por participante
O modelo genérico, em que qualquer analista respondia por qualquer participante, deu lugar a um time de especialistas. Cada pessoa virou dona de um conjunto fixo de participantes, com profundidade sobre os produtos, os fluxos e as particularidades daquele recorte. A variabilidade caiu de imediato, o contexto parou de se perder a cada handoff e as decisões ficaram mais consistentes.
Sobrou um gargalo novo. O tempo do especialista passou a ir embora na busca de informação: documentação, histórico, regras vigentes. Tudo precisava ser reunido antes de qualquer decisão. Foi nesse ponto, e só nesse, que a IA virou solução adequada.
Primeiro a estrutura. Depois a agente.
Madonna
A Madonna é a agente que construímos em parceria com o Centro de Excelência da CERC. Ela roda numa camada separada, mas entrega as recomendações dentro do próprio HubSpot, que é onde os analistas já passam o dia. A pessoa não precisa abrir outra aba ou trocar de ferramenta: a sugestão aparece junto do ticket.
Antes de gerar uma sugestão, a Madonna reúne o contexto que faria sentido um humano ter em mãos: as regras aplicáveis ao caso, o histórico do participante, os fluxos envolvidos e a documentação vigente. Em cima disso, propõe um caminho de ação. O analista lê, critica, aprofunda onde achar que falta algo e decide o que vai pro participante.
Esse modelo supervisionado é proposital, não transitório. É como o time vai calibrando confiança na agente antes de liberar respostas diretas ao cliente. A Madonna está na borda dessa transição agora: depois de um longo período de validação, deve em breve começar a responder direto ao participante em cenários onde a evidência acumulada já mostra que ela acerta.
O que muda mais o trabalho de quem opera, porém, é outra coisa. Cada analista é responsável por desenvolver e evoluir um domínio específico da agente. O conhecimento da Madonna está segmentado por produto, fluxo operacional e perfil de participante, e cada pessoa do time é curadora ativa do seu pedaço. A agente acaba sendo uma construção distribuída, mantida pelo mesmo time que a usa.
O efeito disso aparece nos números, de um jeito até inusitado. Entre 30 de abril e 5 de maio, com a Madonna fora do ar por uns dias, o tempo médio de resposta dos atendimentos ficou em 9,4 horas. Na semana seguinte, com a versão 2 de volta no fluxo, caiu para 4,1 horas: mais de 56% de redução, atribuível diretamente à volta da agente. Hoje, 100% dos tickets dos times de Suporte à Produção e Suporte ao Onboarding recebem dela uma sugestão de primeira resposta e um runbook recomendado.
Como a Madonna aprende
Boa parte da evolução da Madonna não vem de aprendizado retroativo, e sim de antecipação. Sempre que vai entrar em vigor uma mudança relevante (regulatória, de produto ou operacional), o time aciona um ciclo padrão antes de a mudança virar problema:
Antecipar → Estruturar → Ensinar → Assistir → Refinar
Na prática, isso quer dizer estruturar os cenários novos, criar os skills correspondentes na agente, desenvolver os playbooks, padronizar como decidir, atualizar o CERC Docs e comunicar o mercado. Quando o cenário finalmente chega ao ticket, a Madonna já tem o que precisa para sugerir um caminho.
dott.ai
A Madonna atua sobre a operação do dia a dia. Tem uma segunda frente, com dinâmica diferente: a certificação de participantes que vão se conectar à CERC.
Esse processo escala mal por natureza. Quanto mais participantes querem entrar, mais acompanhamento manual e mais ciclos de validação são necessários. A resposta foi adotar a dott.ai, plataforma de certificação com IA integrada, produto da Vericode, hoje em uso na CERC e apoiada na mesma base de conhecimento institucional que alimenta a Madonna.
A dott.ai opera em runtime sobre o ambiente de certificação. Ela intercepta os eventos transacionais que o participante dispara durante a execução dos roteiros, compara com o comportamento esperado e devolve feedback contextual no instante em que o teste está acontecendo. Não valida só erros técnicos de integração: avalia também se o comportamento operacional bate com as regras sistêmicas, os cenários de negócio e os fluxos que a operação definiu. Quando faz sentido, oferece payloads de referência e exemplos para o participante entender o que o sistema esperaria.
Na prática, o roteiro de certificação vira um cenário executável de aprendizado: o participante aprende sobre o sistema enquanto está sendo testado por ele, sem depender de alguém da CERC acompanhando o tempo todo. Quando o roteiro termina, a própria dott.ai consolida os padrões de dúvidas e desvios que apareceram, alimentando documentação e os próximos ciclos.
O conteúdo da plataforma — os cenários, as regras de validação, os fluxos esperados — foi desenhado pelo próprio time de Operações, a partir da experiência acumulada com participantes reais.
O ganho aparece direto na velocidade com que o mercado consegue se conectar: o ciclo de onboarding e certificação de um novo participante caiu de mais de 60 dias para uma média de 5 dias — mais de 90% de redução.
O que mudou no perfil do time
Esse modelo muda o que se espera de quem trabalha em Operações. Fluência em ferramentas de IA, em automação e em análise de dados virou parte do trabalho do time, porque sem isso ninguém consegue ser curador efetivo do conhecimento que alimenta as agentes.
Para acompanhar essa exigência, montamos com o RH um programa contínuo de formação. A ideia é simples: capacitação não é evento isolado nem benefício à parte; é parte do trabalho normal do time.
Por que isso é difícil de copiar
O obstáculo principal para reproduzir esse modelo não é a tecnologia em si — qualquer um pode comprar as mesmas ferramentas. O que demanda tempo é o resto: o conhecimento operacional precisa estar estruturado e ser evoluído com disciplina, e a operação precisa ter mandato (e cultura) para mexer no próprio sistema, em vez de transferir essa responsabilidade para a área de tecnologia.
Nada disso aparece de uma vez, e nenhum pacote de IA traz embutido. Só funciona quando o modelo organizacional foi acertado antes da tecnologia entrar.
O lugar da operação
Por muito tempo, Operações em infraestrutura financeira foi tratada como área reativa, lugar onde alguém responde quando algo dá errado. O modelo que descrevi acima não cabe mais nessa definição. O conhecimento operacional virou sistema, sustentado pela agente que o próprio time mantém. Parte do trabalho está em antecipar problemas que ainda nem chegaram. E uma fatia da definição do sistema da CERC passou a ser feita dentro do time que mais conhece o ecossistema, porque opera ele todo dia.
A CERC opera a infraestrutura do mercado financeiro brasileiro para registro de recebíveis — um sistema onde correção, escala e confiabilidade não são opcionais. Se você quer construir Operações como sistema, com IA entrando como mecanismo de escala e não como solução pronta, estamos contratando.
Este post foi escrito por: Iasmine Massignan Rinaldi — Operações CERC.