Gradient Labs: o que é, como o Otto funciona, e para quem é indicado

O que é a Gradient Labs

A maioria das ferramentas de suporte com IA é horizontal. Instalam-se em qualquer helpdesk, respondem a perguntas a partir de uma base de conhecimento, e procuram desviar o que é fácil. A Gradient Labs seguiu o caminho oposto. É vertical e profunda: operações de atendimento ao cliente nativas de IA para serviços financeiros, com um slogan que resume toda a estratégia, "tratamos do que os outros repassam".

A empresa foi fundada em 2023 em Londres por três ex-Monzo: Dimitri Masin, que liderou dados e ML na Monzo, ao lado de Neal Lathia e da cientista-chefe Danai Antoniou. Essa origem importa. Passaram anos a tentar automatizar o suporte bancário a partir de dentro, e criaram a Gradient Labs para fazer aquilo que não conseguiam alcançar na Monzo. Como Masin descreveu numa entrevista à Unite.AI, "we weren't building co-pilots, we were building end-to-end automation of customer support." (não estávamos a construir copilotos, estávamos a construir automação de ponta a ponta do atendimento ao cliente.)

Os investidores apoiaram essa tese. A empresa levantou uma Series A de 26 milhões de dólares, que começou com 13 milhões de dólares liderados pela Redpoint em meados de 2025 e depois duplicou com mais 13 milhões de dólares liderados pela Octopus Ventures e pela CommerzVentures por volta de junho de 2026. A Gradient Labs afirma que os seus agentes já chegam a mais de 32 milhões de utilizadores finais, com a receita a crescer cerca de 10 vezes ano após ano.

Essa captura de ecrã resume bem a personalidade do produto. À esquerda está um procedimento escrito ("chamada de retorno para fraude de identidade") com passos numerados que o agente deve seguir; à direita está uma chamada ao vivo em que o agente verifica a identidade e envia um código de verificação. Isto não é um chatbot a responder a perguntas frequentes. É um agente a executar um processo regulado.

Como o Otto realmente funciona

Esta é a parte que considero genuinamente interessante, porque é onde a maioria dos produtos de "agente de IA" fica rasa e a Gradient Labs não fica.

Por dentro, o Otto é construído como uma máquina de estados: um agente de raciocínio central orquestra um conjunto de competências especializadas, e um caso pode mover-se entre fluxos de trabalho sem perder o contexto. Alguns estados são determinísticos (fazer exatamente isto) e outros são agênticos (raciocinar sobre o que fazer a seguir). É um sistema híbrido, multi-modelo, que usa modelos maiores para os passos de raciocínio mais difíceis e modelos mais pequenos e rápidos para os determinísticos, recorrendo ao que há de mais recente da OpenAI, da Anthropic e da Google, em vez de apostar num único fornecedor.

Duas escolhas de design destacam-se.

Primeiro, é treinado com os seus SOPs e os seus melhores agentes, não apenas com o seu centro de ajuda. A Gradient Labs defende, com razão na minha experiência, que a sua base de conhecimento não é suficiente por si só; o verdadeiro know-how está em como as suas melhores pessoas lidam com conversas difíceis. Escreve procedimentos em linguagem simples, o que é o mais próximo que alguém já chegou de "automação de suporte como escrever um documento".

Segundo, raciocina e age, não se limita a responder. Quando um cliente entra em contacto, o Otto lembra-se de conversas anteriores e faz o trabalho real para resolver o problema: bloquear um cartão perdido, localizar um pagamento em falta, apresentar um chargeback junto da rede de cartões. Essa é a diferença entre desviar e resolver, e é a linha que a Gradient Labs continua a traçar. Se quiser perceber por que esta distinção importa, escrevemos em separado sobre a diferença entre um agente de IA e um chatbot baseado em regras.

Há uma troca real sobre a qual Masin é surpreendentemente honesto: o agente é mais lento porque pensa mais. "Our median response time might be 15-20 seconds," disse à Unite.AI, "but for financial institutions, that's a fair trade." (O nosso tempo médio de resposta pode ser de 15 a 20 segundos, mas para instituições financeiras, essa é uma troca justa.) Para um banco, uma resposta correta em 20 segundos vale mais do que uma errada em dois. Para um cliente impaciente de ecommerce, talvez não.

Os agentes especialistas

Em vez de um único bot generalista, a Gradient Labs disponibiliza um conjunto de agentes, cada um afinado para um fluxo de trabalho financeiro e reportando as suas próprias estatísticas em tempo real.

O conjunto cobre os momentos que realmente custam dinheiro e risco a uma equipa financeira:

• Atendimento ao cliente resolve problemas em chat, email e voz.
• Disputas recolhe e verifica provas, decide um resultado, escala para um humano dar aprovação, e apresenta o chargeback.
• KYC e KYB verifica documentos face à política, solicita o que falta, e confirma um cliente ou empresa antes do onboarding.
• Cobranças contacta devedores em atraso no momento certo, personaliza com base no histórico da conta, e garante uma promessa de pagamento, incluindo por voz com IA.
• O mais recente agente de crédito automatiza toda a jornada do mutuário, desde o pedido até às cobranças.

Cada um faz trabalho real de back-office, não apenas chat de primeira linha. Isso é raro, e é o argumento mais forte a favor do produto.

Guardrails e conformidade

Se está a automatizar suporte no setor financeiro, esta secção é a que decide a compra, e é onde a Gradient Labs claramente investiu o seu esforço.

O Otto executa mais de 20 guardrails específicos para serviços financeiros em cada interação de uma conversa. Verificam coisas como deteção de aconselhamento financeiro, sinais de vulnerabilidade do cliente, reclamações, prompt injection, e tentativas de contornar a verificação de identidade, e mantêm a conversa dentro do procedimento definido.

No lado da conformidade, vem pré-configurada para FCA Consumer Duty, CONC, Reg E, Reg Z, PSD2, RGPD, e a Lei de IA da UE, com QA automatizado sobre as conversas. Tem certificação SOC 2 Type 2, com SSO, registos de auditoria e permissões baseadas em funções.

A cientista-chefe Danai Antoniou definiu bem o que está em jogo no estudo de caso da OpenAI: "you have to architect from the ground up for no hallucinations. That needs to be the guiding principle as you're building." (é preciso arquitetar desde a base para não haver alucinações. Esse tem de ser o princípio orientador enquanto se constrói.) No setor financeiro, acrescentou, a diferença entre uma chamada resolvida e um sinal perdido "is the difference between resolving a call and creating a compliance incident." (é a diferença entre resolver uma chamada e criar um incidente de conformidade.) O medo de uma IA dar, com confiança, uma resposta errada é a maior objeção que ouço de equipas reguladas, e controlar alucinações no suporte é realmente o cerne de tudo aqui.

O Ask a Human mantém uma pessoa no circuito

A resposta da Gradient Labs para "e os casos que a IA não deve decidir sozinha" é uma funcionalidade chamada Ask a Human. O agente continua a conversar com o cliente enquanto um revisor humano trata da parte sensível nos bastidores, sem fila de espera, sem uma segunda conversa, e sem pedir ao cliente para repetir o que já disse.

Um bom exemplo: para uma transação contestada acima de um limite definido (digamos, 1.000 libras), a política exige revisão humana. O agente verifica a conta, confirma a cobrança, pergunta o motivo da contestação, depois envia um resumo a um revisor via Slack, diz ao cliente que um colega está a analisar o caso, e mantém a conversa até o humano aprovar. Este é um design mais inteligente do que a habitual escalada em que "a IA desiste e despeja-o numa fila", e os resultados confirmam isso.

A seguradora britânica Zego, com cerca de 150.000 clientes ativos, reporta que o Ask a Human reduziu o tempo de atendimento humano de 12 minutos para pouco mais de 3, uma queda de mais de 70 por cento, enquanto o CSAT subiu.

Voz e canais

Uma coisa que genuinamente distingue a Gradient Labs é executar voz com IA em produção e em escala, não apenas texto. O Otto trata chat, email e voz como um único agente, em todos os canais.

A prova aqui é a SteadyPay, que realiza cerca de 33.000 chamadas de voz com IA por mês para cobranças ativas, com uma taxa de sucesso de cerca de 60 por cento entre os clientes que atendem. Voz nesse volume, num fluxo de trabalho regulado, é difícil, e a maioria dos fornecedores de "agentes de IA" nem tenta.

Preços: baseados em resultados, mas é preciso ligar

Aqui está a versão honesta: a Gradient Labs não publica preço nenhum. A página de preços é um formulário de contacto. O que publica é o modelo, e o modelo é interessante.

Do próprio FAQ da empresa: existe "um modelo de preços simples baseado em resultados, sem taxas de plataforma, em que só paga pelas resoluções de consultas bem-sucedidas." Sem custo por utilizador, sem custo por conversa, sem subscrição base. Só paga quando o Otto realmente resolve algo.

Masin tem sido direto sobre o porquê, dizendo ao The Register: "if we don't resolve the issue and you still need to get your human team involved, then you don't need to pay us." (se não resolvermos o problema e ainda precisar de envolver a sua equipa humana, então não precisa de nos pagar.) Também atacou diretamente o preço por conversa, argumentando que cobrar uma taxa fixa por chat "doesn't create any incentive" (não cria qualquer incentivo) para o fornecedor tornar o agente melhor. Penso que ele tem razão quanto ao incentivo, e o preço baseado em resultados é genuinamente favorável ao comprador quando a unidade de valor é clara.

Eis o que é e o que não é público:

O que é preciso ponderar é o custo total de propriedade face à rapidez de arranque. O preço baseado em resultados é atrativo, mas "falar com vendas, definir o âmbito de um projeto, integrar dados" é um processo de meses, não de uma tarde. Se quiser perceber a conta mais ampla de custo de agente de IA vs agente humano antes de qualquer chamada de vendas, vale a pena ler isso primeiro.

A Gradient Labs é indicada para si?

A questão da adequação aqui é invulgarmente binária, por isso criei uma forma rápida de verificar onde se encaixa. Escolha a linha que mais se parece consigo.

O que dizem os clientes reais

Quero ser direto sobre as provas aqui. Ainda não existe uma verdadeira plataforma de avaliações de terceiros para a Gradient Labs: sem pontuações no G2 ou Capterra, sem críticas em massa no Reddit. A ficha na Capterra existe, mas não tem avaliações. Por isso, os números abaixo são indicados pelo fornecedor ou vêm de estudos de caso de parceiros, e deve tratá-los como tal: fortes, mas não auditados de forma independente.

Dito isto, a prova em primeira mão é específica, o que respeito mais do que números redondos de marketing:

• Pockit reporta uma taxa de resolução de 70% e 80% de CSAT, com o objetivo declarado de 100% de automação.
• Plum atingiu uma pontuação de QA de 98,6% e ficou configurada em cerca de 30 minutos sem esforço de engenharia.
• Morse (Sling Money) registou 50% de resolução no primeiro dia durante um pico de crescimento.

"Otto, Gradient Labs' AI agent, has been a game-changer for us. With a 98% CSAT, it delivers superb customer experiences. We especially value how closely Otto matches our tone of voice." (O Otto, o agente de IA da Gradient Labs, tem sido revolucionário para nós. Com 98% de CSAT, proporciona experiências de cliente excelentes. Valorizamos especialmente o quão bem o Otto corresponde ao nosso tom de voz.)

MC Glover, VP de Estratégia e Operações, via Gradient Labs

As reações dos utilizadores finais que a Gradient Labs cita são o verdadeiro indicador. Um cliente da Plum escreveu, "are you virtual? I thought you were a human" (você é virtual? Pensei que fosse um humano), e um cliente da Morse disse, "I did actually think you were a person for the whole conversation" (eu realmente pensei que era uma pessoa durante toda a conversa). Quando os clientes não conseguem perceber a diferença, essa é a fasquia.

Onde a Gradient Labs encaixa, e onde não encaixa

Deixe-me ser claro, porque penso que a Gradient Labs é um produto genuinamente bom que, mesmo assim, a maioria das equipas não deveria comprar.

Se gere as operações de atendimento ao cliente de um banco, uma credora, um neobanco ou uma seguradora, esta é uma das ferramentas mais sérias do mercado. A profundidade em disputas, KYC, cobranças e crédito, os guardrails por interação, a cobertura SOC 2 e FCA, e voz real em escala somam-se a algo que um agente genérico não consegue igualar. O preço baseado em resultados é favorável ao comprador, e a equipa claramente já viveu este problema, o que torna fácil responder a favor deles à habitual questão de construir vs comprar.

Se for qualquer outra pessoa, esse mesmo foco joga contra si. A maquinaria de conformidade é uma sobrecarga que não vai usar, não há preço público, não há teste gratuito, e chegar às boas taxas de resolução significa um projeto delimitado com o fornecedor. Isso é um processo razoável para um comprador financeiro empresarial, e um processo lento para uma equipa de SaaS ou ecommerce de 12 pessoas que só quer resolver o desvio de suporte de nível 1 este trimestre.

O ponto mais profundo é que existem hoje duas formas de comprar IA para suporte. Uma é vertical e empresarial: escolher uma ferramenta construída para o seu setor exato, falar com vendas, e conduzir um projeto. A outra é horizontal e self-service: instalar um agente no helpdesk que já usa, treiná-lo com os seus próprios tickets, e ativá-lo. A Gradient Labs é o exemplo mais conhecido da primeira. A segunda é onde a maioria das equipas realmente vive.

Experimente o eesel se estiver fora do setor financeiro

Se leu o verificador de adequação acima e chegou a "não é finanças," esta é a parte para si. O eesel é a versão horizontal da ideia que a Gradient Labs provou no setor bancário: um agente de IA que resolve tickets reais, mas construído para se instalar no helpdesk que já usa.

As diferenças são as que importam quando não se é um banco. O eesel funciona como um novo colaborador que se liga ao Zendesk ou Freshdesk em poucos minutos, treina com os seus tickets anteriores e centro de ajuda para soar como a sua equipa desde o primeiro dia, e permite simulá-lo contra milhares de tickets históricos antes de uma única resposta chegar a um cliente. O preço é público e baseado em utilização, uma taxa fixa por interação de IA, sem sobretaxa por resolução e sem taxa por utilizador, para que possa fazer as contas de custo você mesmo antes sequer de marcar uma chamada. E como a maior preocupação é sempre uma IA a responder quando não devia, controla exatamente quais os tickets que ela trata e encaminha o resto para uma pessoa, que é a alavanca de confiança e controlo que a maioria das equipas pede primeiro.

A prova aparece rapidamente, precisamente porque não há projeto delimitado para esperar. Como disse Kim Simpson, da Gridwise, "in the first month, eesel is resolving 73% of our tier 1 requests" (no primeiro mês, o eesel está a resolver 73% dos nossos pedidos de nível 1), depois de ver resultados durante um teste de 7 dias. Pode experimentar o eesel gratuitamente e executar hoje mesmo essa mesma simulação nos seus próprios tickets.