Análise do Gradient Labs (2026): o agente de IA focado em finanças vale a pena?

O que o Gradient Labs realmente é

Passei os últimos anos construindo IA para helpdesk, então leio muitas páginas de lançamento de "agentes de suporte autônomos". A maioria se confunde entre si. O Gradient Labs é um dos poucos que escolheu um caminho estreito e específico e foi fundo em vez de largo.

A empresa foi fundada em 2023, em Londres, por três ex-funcionários do Monzo: Dimitri Masin (CEO, que liderou a equipe de dados e ML do Monzo), Neal Lathia (construiu a infraestrutura de ML do Monzo) e Danai Antoniou (Chief Scientist). Essa origem importa, porque todo o produto parece ter sido feito por pessoas que passaram anos observando o suporte quebrar dentro de um banco de verdade. Como Masin colocou em uma entrevista à The Register, no Monzo eles passaram anos "tipicamente mirando ganhos modestos de eficiência de 10%", e a mudança para modelos modernos de repente tornou possível "automatizar 70-80% do trabalho manual repetitivo de forma completamente autônoma".

O mercado recompensou esse foco. O Gradient Labs levantou 26 milhões de dólares no total em uma rodada Série A, um inicial de 13 milhões liderado pela Redpoint em julho de 2025, e depois uma segunda extensão de 13 milhões liderada pela Octopus Ventures e CommerzVentures por volta de junho de 2026. A receita cresceu cerca de 10 vezes ano a ano, e seus agentes agora alcançam mais de 32 milhões de usuários finais em clientes como Wise, Zego, Plum, Current, Stash e Pockit.

Como o Otto realmente funciona

É aqui que o Gradient Labs se diferencia de um chatbot baseado em regras. O agente é construído como uma máquina de estados que orquestra habilidades especializadas: um agente de raciocínio central decide o que o cliente precisa, e então encaminha o caso por etapas determinísticas e agênticas sem perder o contexto. Ele não busca um artigo na esperança de que funcione, ele executa um procedimento.

Duas escolhas de design chamaram minha atenção. Primeiro, ele é verdadeiramente multi-modelo: o Gradient Labs distribui as requisições entre OpenAI, Anthropic e Google, usando modelos maiores para etapas que exigem raciocínio intenso e modelos menores para tarefas determinísticas rápidas, com failover entre provedores para que uma única queda não derrube o agente. Antoniou disse à equipe do estudo de caso da OpenAI que estavam vendo "latência de 500 milissegundos com GPT-5.4 mini e nano", o que é o que torna possíveis conversas de voz naturais.

Segundo, você ensina o agente da mesma forma que ensinaria um novo funcionário. Os procedimentos são escritos em linguagem simples, e o agente aprende com suas conversas reais passadas e SOPs, não apenas com a central de ajuda. A tese deles é "automação de suporte tão simples quanto escrever um documento".

Uma concessão honesta que os fundadores assumem abertamente: não é o agente mais rápido em um chat de texto. Masin observa que o tempo mediano de resposta deles "pode ser de 15-20 segundos" porque o agente gasta mais tempo pensando, e apresenta isso como uma troca justa para instituições financeiras onde uma resposta errada é pior do que uma lenta. Se isso funciona para você depende da paciência dos seus clientes.

Os agentes especialistas

Em vez de um único bot generalista, o Gradient Labs oferece um time de agentes específicos por função, cada um medido pelo seu próprio resultado. Essa é a parte que faz parecer construído para o setor bancário em vez de adaptado depois.

• Agente de atendimento ao cliente resolve questões via chat, e-mail e voz (o painel de demonstração mostra 87,4% de resolução em texto e 75,9% em voz).
• Agente de disputas coleta e verifica evidências, decide o resultado, escala para um humano para aprovação e registra o estorno junto à bandeira do cartão.
• Agente de cobrança contata mutuários inadimplentes no momento certo e garante uma promessa de pagamento, inclusive por meio de voz com IA.
• Agente KYB / KYC verifica documentos em relação à política e valida uma empresa ou cliente antes do onboarding.
• Agente de crédito, lançado em abril de 2026, automatiza toda a jornada do mutuário, da solicitação até a cobrança.

A amplitude aqui é o diferencial competitivo. Um bot de suporte genérico consegue responder "cadê meu reembolso", mas não registra um estorno junto à Visa nem executa uma checagem de vulnerabilidade, e esses são exatamente os fluxos que um banco precisa ter cobertos.

Ele realmente resolve tickets?

Os números de destaque são o motivo pelo qual alguém lê uma análise do Gradient Labs, então deixe-me ser preciso sobre eles, e apontar que são reportados pelo próprio fornecedor (ainda não existe auditoria de terceiros).

O padrão que importa é a progressão. A maioria das implementações começa com mais de 50% de resolução no primeiro dia, mesmo em fluxos complexos como disputas e verificação de conta. Sem personalização, de fábrica, você está em torno de 40-60%. O pico de 80-90% chega após 3-5 meses de otimização. Então a leitura honesta é que essa não é uma ferramenta de 80% instantâneo, é uma escalada na qual você investe.

Os resultados de clientes nomeados sustentam essa trajetória:

Meu sinal favorito não é um número, são as reações dos usuários finais que o Gradient Labs cita, do tipo difícil de forjar. Uma cliente da Plum escreveu: "você é virtual? achei que você fosse humano!" e um cliente da Morse disse: "eu realmente achei que você era uma pessoa durante toda a conversa." Quando os clientes não conseguem perceber a diferença, você superou a barreira em que a maioria dos bots de suporte falha.

Guardrails e conformidade

Para um comprador regulado, esta seção é o jogo todo, e é onde o Gradient Labs é mais forte. Cada interação de cada conversa passa por mais de 20 guardrails de serviços financeiros em paralelo: detecção de aconselhamento financeiro, sinais de vulnerabilidade do cliente, detecção de reclamações, moderação de texto e injeção de prompt, e verificações contra quem tenta burlar a verificação.

É certificado SOC 2 Type 2 com SSO, permissões baseadas em função e logs de auditoria, e pré-configurado em torno do FCA Consumer Duty, CONC, Reg E, Reg Z, PSD2, GDPR e o AI Act da UE. A formulação de Antoniou no artigo da OpenAI é a correta: "Você precisa projetar desde o início contra alucinações. Esse precisa ser o princípio norteador ao construir." Nas finanças, como ela coloca, a diferença é "entre resolver uma chamada e criar um incidente de conformidade." Mesmo o melhor agente precisa que a prevenção de alucinações seja tratada como prioridade máxima, e essa é uma das poucas ferramentas que claramente faz isso.

Voz, canais e mantendo um humano no circuito

O Otto é omnichannel por design, tratando chat, voz, e-mail e SMS como um único agente em vez de bots separados costurados entre si. Voz em produção nessa escala é raro, e é um diferencial real.

O recurso que eu destacaria para qualquer líder de operações é o Ask a Human. Em vez de uma transferência abrupta em que o cliente espera em uma fila e precisa se repetir, a IA continua conversando enquanto um humano trata a etapa sensível nos bastidores (digamos, aprovando uma disputa de £2.000). O agente então recupera o resultado e finaliza a conversa. É uma abordagem mais inteligente de escalonamento de suporte do que uma transferência dura. Os resultados da Zego mostram por que isso importa:

"O recurso ask-a-human reduziu o tempo de atendimento humano de 12 minutos para pouco mais de 3, ao mesmo tempo em que elevou os índices de CSAT."

Andy Murray, Head of Strategy & Enablement, Zego

Preços: baseados em resultados, mas você precisa ligar

Aqui está a decisão mais opinativa que o Gradient Labs tomou, e a parte desta análise que mais quero que você leve consigo. Não há nenhum preço publicado em lugar nenhum. A página de preços é um formulário de contato. O modelo, em suas próprias palavras, é "precificação baseada em resultados, sem taxas de plataforma, em que você paga apenas por resoluções de consultas bem-sucedidas".

Masin tem sido refrescantemente direto sobre o motivo. Na The Register ele criticou diretamente a precificação por conversa: um concorrente que cobra por conversa recebe pagamento "não importa aonde isso leve", o que "não cria nenhum incentivo" para de fato melhorar o agente. Sua frase sobre o modelo é o argumento mais claro a favor da precificação por resultado que já vi: "Se não resolvermos o problema e você ainda precisar acionar sua equipe humana, então você não precisa nos pagar." Ele já sugeriu cobrar cerca de 30% do custo humano equivalente, o que implicaria economia de custos significativa se a taxa de resolução se mantiver (a conta de custo de agente de IA vs. agente humano é a lente para julgar isso).

Gosto da filosofia. A desvantagem prática é que você não consegue estimar sua fatura sem uma ligação de vendas, não há teste gratuito, e a própria taxa por resolução é privada, então compará-la com uma ferramenta que publica seu preço por resolução (a Zendesk lista US$ 1,50 por resolução automatizada como referência de categoria) é impossível de fora. Se um orçamento previsível e self-service importa para você, isso é um atrito real. Nossa análise completa de preços do Gradient Labs detalha essas contas.

O que as pessoas realmente dizem sobre isso

Esta é a lacuna honesta em qualquer análise do Gradient Labs: quase não há voz de usuário independente. Sem pontuações substanciais no G2, Capterra ou Trustpilot, sem enxurradas no Reddit, sem benchmark de terceiros. A narrativa pública é feita de entrevistas com os fundadores, posts da própria empresa e estudos de caso de seus parceiros de modelo. Trate os números como confiáveis, mas reportados pelo fornecedor, não auditados.

O trecho mais citável no registro público é, na verdade, Masin sendo franco sobre os limites da categoria. Sobre onde os agentes de IA prometem demais, ele disse à The Register que os agentes de vendas e marketing "são realmente inúteis na maioria dos casos". Um fundador que diz isso publicamente parece, para mim, mais confiável nas afirmações que ele realmente faz sobre suporte.

"O que estamos construindo é a camada de agentes de que os serviços financeiros precisam para operar suas operações de atendimento ao cliente de forma autônoma."

Dimitri Masin, cofundador e CEO, Gradient Labs

O veredito: quem deveria comprar o Gradient Labs

Depois de analisar o produto, aqui está minha posição direta.

Compre se você é um banco, credor, neobanco ou seguradora com exposição regulatória genuína e volume suficiente para justificar um rollout delimitado. Os agentes especialistas, os mais de 20 guardrails de conformidade, a postura SOC 2 e a voz em produção são difíceis de reunir em qualquer outro lugar, e a precificação baseada em resultados significa que você não paga por conversas malsucedidas. Para esse comprador, essa é uma das empresas de IA para atendimento ao cliente mais confiáveis do mercado.

Passe longe se você está fora das finanças reguladas, quer ver o preço antes de falar com vendas, ou precisa estar em produção esta semana. O foco em finanças que o torna forte para um banco o torna excessivo (e inacessível) para uma loja de e-commerce, uma equipe de suporte SaaS ou uma central de TI interna. Para essas equipes, nosso guia do melhor software de helpdesk com IA é um ponto de partida melhor. E o fato de ser somente via contato com vendas significa que não há como simplesmente testá-lo primeiro nos seus próprios tickets, que é exatamente a tranquilidade de construir versus comprar que a maioria das equipes quer.

Experimente a eesel se você está fora das finanças

Se você leu esse veredito e concluiu "não sou um banco", esta parte é para você. A eesel AI é a versão horizontal da ideia que o Gradient Labs provou no setor bancário: um agente de IA que resolve tickets reais, construído para se encaixar no helpdesk que você já usa.

As diferenças são as que importam quando você não gerencia um banco. A eesel se conecta ao Zendesk ou Freshdesk em poucos minutos, treina com seus tickets anteriores e central de ajuda para soar como sua equipe desde o primeiro dia, e permite simular contra milhares de tickets históricos antes que uma única resposta seja enviada. O preço é público e baseado em uso, então você pode fazer a conta de custo sozinho antes mesmo de marcar uma ligação, e você controla exatamente quais tickets ela atende e encaminha o restante para uma pessoa. A prova aparece rápido porque não há projeto delimitado para esperar. Como disse Kim Simpson, da Gridwise: "no primeiro mês, a eesel está resolvendo 73% das nossas solicitações de nível 1", após um teste de 7 dias. Você pode experimentar a eesel gratuitamente e rodar essa mesma simulação nos seus próprios tickets hoje mesmo.