3 problemas que enfrentei ao conectar um agente de IA a dados financeiros (e como os resolvi)

Eu estive conectando assistentes de IA em coisas que precisam ser corretas, e dados financeiros são onde as coisas saem do controle mais rapidamente. "Aproximadamente certo" é aceitável para um chatbot; não é aceitável para um número que alguém usa para declarar impostos.

Aqui estão três problemas que eu realmente enfrentei, em ordem, e o que consertou cada um. Nenhuma das soluções é exótica — mas a ordem importa, porque cada uma expõe a próxima.

Problema 1: o modelo inventa números, com confiança

A primeira versão apenas perguntava ao modelo. "Qual é o GST sobre $4.180?" Ele respondeu instantaneamente e parecia certo. Estava sutilmente errado sobre o limite, e — pior — não tinha ideia de que estava errado.

Esse é o fracasso básico de usar um LLM bruto para fatos: ele responde com base em dados de treinamento com uma data de corte, e não pode te dizer quão atual é esse dado. Para qualquer coisa regulamentada, isso o desqualifica por si só.

Solução: pare de pedir ao modelo para lembrar, faça-o procurar. Isso é para o que o MCP (Modelo de Protocolo de Contexto) serve — um padrão aberto para dar a um assistente uma ferramenta que ele chama no momento da pergunta. Eu apontei para um servidor de impostos público em vez de confiar na memória:

{ "mcpServers": { "tax": { "url": "https://taxmcp.ai2fin.com" } } }

Agora o assistente busca o número de uma fonte definida em vez de inventá-lo. O número parou de variar entre as execuções, que foi o primeiro sinal de que era real.

Problema 2: eu não conseguia distinguir uma resposta real de um palpite feliz

A fundamentação corrigiu a precisão, mas criou um problema mais sutil: as respostas pareciam as mesmas, independentemente de virem da ferramenta ou do modelo preenchendo uma lacuna. Se uma chamada falhasse silenciosamente e o modelo improvisasse, eu não tinha como ver isso.

Solução: exija proveniência em cada campo e recuse qualquer coisa sem ela. O servidor que usei retorna a autoridade da fonte e uma data de verificação em cada resposta:

> income_tax_estimate { country: "AU", income: 95000 }
< { incomeTax: ..., takeHome: ...,
    source: "ATO — ato.gov.au", dataVerifiedOn: "2026-06-01" }

Então minha regra se tornou: se um número chega sem um source e um dataVerifiedOn, ele não é mostrado ao usuário. Essa única verificação transforma "o modelo disse isso" em "o ATO disse isso, a partir desta data, e aqui está o link" — que é a diferença entre uma demonstração e uma ferramenta que você colocaria na frente de um cliente.

Problema 3: duas cópias da verdade se separaram

Até agora eu tinha o assistente respondendo pela ferramenta, e uma página da web mostrando as mesmas calculadoras. Previsivelmente, elas discordavam. Alguém atualizou uma tabela de taxas e não a outra, e agora o chatbot e o site citavam números de salário diferentes para o mesmo salário. Esse é o bug mais antigo do livro e é brutal em finanças, porque ambas as respostas parecem autoritativas.

Solução: um motor, muitas superfícies — nunca duas cópias das tabelas de taxas. A configuração que funcionou tem o servidor MCP e as calculadoras da web lendo o mesmo motor subjacente, então não há nada para manter em sincronia manualmente. Quando eu vi o mesmo valor de income_tax_estimate no chat e na página, eu sabia que havia apenas uma fonte de verdade por trás de ambos.

Se você já manteve duas cópias de qualquer coisa que muda anualmente, você sabe por que essa é a solução que realmente permite que você durma.

O padrão, simplificado

Três regras, e elas se generalizam bem além dos impostos:

1. Não deixe o modelo lembrar fatos — dê a ele uma ferramenta que os busque.
2. Exija proveniência (fonte + data) em cada valor buscado e rejeite os que não a tiverem.
3. Mantenha um motor por trás de cada superfície, para que suas respostas não possam discordar entre si.

O domínio tributário apenas torna as apostas legíveis — um número de GST errado é óbvio e embaraçoso. Mas os mesmos três problemas aparecem sempre que um assistente toca em dados que não tem negócio em memorizar: preços, inventário, dosagens médicas, qualquer coisa que mude.

O servidor que usei para tudo isso é gratuito e não precisa de conta, se você quiser algo real para testar o padrão: taxmcp.ai2fin.com. Aponte seu cliente para ele e tente pegá-lo dando um número sem uma fonte. Você não conseguirá — e essa restrição é o ponto principal.