Seu Algoritmo Vendeu US$ 1,4 Bilhão Antes de Alguém Apertar o Cancelar. Você Consegue Explicar Por Quê?

Existe uma única pergunta que encerra a maioria dos exames regulatórios antes que eles realmente comecem. Não é "você tem controles?" Todo mundo tem controles. É algo mais discreto do que isso, e pior:

"Explique-me exatamente o que este algoritmo fez em 5 de agosto às 9h47 da manhã."

Já vi empresas inteligentes e bem financiadas travarem diante dessa pergunta. Elas conseguem puxar os registros de ordens. Conseguem mostrar as negociações. O que não conseguem fazer é reconstruir a cadeia de decisões — por que o modelo dimensionou a posição do jeito que dimensionou, por que o limiar de risco estava onde estava, por que uma alteração de código feita três semanas antes não acendeu o alerta de ninguém. E, em 2026, essa lacuna é o jogo inteiro. O compliance de negociação algorítmica passou, discretamente, de provar que você tem salvaguardas para provar que você consegue explicar, depois do fato, cada movimento que sua máquina fez.

Quero contar como cheguei a acreditar nisso, porque primeiro eu errei — errei de forma cara — e o jeito como errei é o mesmo jeito como a maior parte do setor ainda está errando.

Os US$ 189 Bilhões Que Passaram

Comece pelo Citigroup, porque é a lição mais clara que conheço.

Em maio de 2022, um trader do Citi pretendia vender uma cesta de ações no valor de US$ 58 milhões. Por um erro manual, ele criou uma cesta no valor de US$ 444 bilhões em vez disso. Os controles de pré-negociação do Citi cumpriram sua função — em grande parte. Bloquearam US$ 255 bilhões. Mas US$ 189 bilhões escaparam dos controles e chegaram a um algoritmo de negociação, que obedientemente os fatiou em ordens de venda e despejou cerca de US$ 1,4 bilhão nos mercados europeus antes que alguém apertasse o cancelar. Isso deflagrou um flash crash nas bolsas europeias.

Aqui está a parte que deveria tirar o sono dos responsáveis pelo compliance. Quando a BaFin e os reguladores do Reino Unido entraram em cena, a pergunta condenatória não foi "o que aconteceu". O Citi sabia responder a isso. A pergunta era por quê — por que os controles deixaram passar US$ 189 bilhões, e por que os limiares foram calibrados onde foram? O Citi conseguia mostrar as ordens. Não conseguia reconstruir adequadamente o raciocínio do algoritmo nem defender os parâmetros que o governavam.

Essa lacuna saiu cara. A BaFin multou o Citi em € 12,975 milhões; dois dias antes, os reguladores britânicos já haviam somado £ 61,6 milhões pelo mesmo incidente. Cerca de US$ 92 milhões por uma única falha algorítmica, em três jurisdições.

Os controles não foram a falha. A incapacidade de explicar os controles foi a falha.

Volto sempre a isso porque inverte a forma como a maioria das empresas orça. Elas gastam construindo mais controles e quase nada na capacidade de narrá-los sob juramento.

O Que o Examinador Realmente Pergunta?

Quando comecei a conversar com chefes de compliance em bancos e gestoras de ativos de médio porte — as empresas abaixo do escalão bulge-bracket — eu pedia que simulassem comigo um exame. Ele sempre se desfazia nos mesmos três passos.

"Mostre-me o inventário dos seus algoritmos." Essa é a pergunta de abertura, e é uma assassina silenciosa. A Financial Conduct Authority do Reino Unido conduziu, em agosto de 2025, uma revisão de dez principais trading firms e constatou que a maioria tinha documentação incompleta ou desatualizada — nenhum inventário limpo de quem é dono de cada algoritmo, em quais mercados ele negocia, quais parâmetros de risco o governam. Algumas empresas haviam omitido elementos inteiros do RTS 6 em suas autoavaliações. (O RTS 6 é o manual da MiFID II para firmas de negociação algorítmica — governança, testes, controles de risco.) Se você não consegue produzir um inventário atual e completo que nomeie a pessoa registrada responsável por cada estratégia, o exame basicamente para por aí. Segundo as regras da FINRA, quem projeta ou modifica significativamente algoritmos de negociação precisa estar registrado como Securities Trader — ou seja, "quem é dono deste algo" não é uma pergunta de curiosidade, é uma pergunta regulatória com um nome atrelado.

"Explique-me o que este aqui fez, naquela manhã." Esta é a pergunta do Citigroup. A maioria das empresas consegue mostrar as ordens. Quase nenhuma consegue reconstruir a decisão. E, se você é uma gestora de ativos e não um broker-dealer, essa pergunta não cai numa mesa de operações — cai na sua equipe de pesquisa quant, onde um único parâmetro adulterado, enterrado em um modelo, pode operar sem ser detectado por meses. (A Two Sigma descobriu isso do jeito difícil; mais sobre isso adiante.)

"Como sua equipe de compliance revisa tecnicamente esses algoritmos?" A FCA tinha uma frase maravilhosamente diplomática para o que encontrou aqui: "conhecimento técnico variável em compliance". Traduzindo, isso significa que as equipes de compliance conseguem ler um relatório de alerta, mas não conseguem interrogar a lógica do modelo, questionar um parâmetro de risco ou verificar se a alteração de código do último sprint não abriu, silenciosamente, um novo buraco regulatório. A resposta do setor tem sido contratar profissionais de compliance com fluência quant — só que as pessoas que de fato entendem tanto as regras de acesso a mercado da CFTC quanto as arquiteturas de redes neurais em grafos são raríssimas, e essas pessoas são pagas como os hedge funds que também as querem.

A direção regulatória por trás das três perguntas não é sutil. Juntas, a SEC e a CFTC moveram um recorde de US$ 25,3 bilhões em ações de fiscalização em 2024. O EU AI Act exige que sistemas financeiros de IA de alto risco tenham documentação técnica, gestão de risco e capacidade de supervisão humana até 2 de agosto de 2026. A DORA — o regime de resiliência operacional da UE — está em vigor desde janeiro de 2025. E, na Índia, a SEBI agora exige um Algo-ID exclusivo e aprovação da bolsa para cada estratégia antes de ela entrar em operação. A pergunta deixou de ser se seus algoritmos serão examinados. Passou a ser se eles sobrevivem ao exame.

A Coisa Que Construí e Que Ninguém Quis

Então fui lá e construí um detector melhor.

Esse foi o meu erro, e quero ser honesto sobre o quanto ele era sedutor. A dor do comprador de que todos mais reclamam é a fadiga de alertas — em uma pesquisa com bancos e broker-dealers, 70% relataram taxas de falsos positivos acima de 25% em sua vigilância de negociações. Equipes de compliance se afogando em ruído, perseguindo alertas fantasmas de spoofing. Então construímos algo genuinamente bom em reduzir falsos positivos: contexto comportamental, consciência de regime de mercado, limiares adaptativos. Nos testes, era limpo e rápido. Eu estava orgulhoso dele.

Então o apresentamos a uma responsável pelo compliance de médio porte de verdade. Ela observou o painel, foi acompanhando com a cabeça e fez a pergunta que detonou três meses de trabalho:

"Isto é ótimo. Mas quando o examinador perguntar por que o modelo disparou — ou por que não —, o que eu mostro a eles?"

Eu não tinha resposta dentro do produto. Havíamos construído uma forma mais rápida de gerar alertas. Não havíamos construído uma forma de explicá-los. E percebi, sentado ali, que eu havia reproduzido exatamente aquilo que os reguladores estavam punindo: uma caixa-preta que produz resultados sem uma cadeia de raciocínio reconstruível. Uma caixa-preta melhor ainda é uma caixa-preta.

Aquele foi o ponto de virada. A detecção nunca foi a necessidade não atendida. A necessidade não atendida era estar pronto para auditoria — transformar decisões algorítmicas em explicações que um responsável pelo compliance sem formação quant pudesse revisar, questionar e levar para uma sala de exame. Jogamos fora aquele enquadramento e começamos do zero.

Construindo para o Examinador, Não para o Alerta

O sistema que acabamos construindo — a camada de inteligência de compliance de negociação algorítmica que agora implantamos — parte de um primeiro princípio diferente: cada decisão que um algoritmo em produção toma deve deixar para trás uma explicação, pronta para auditoria e com data e hora, do porquê, não apenas do quê.

Isso parece óbvio até você tentar. O primeiro problema de projeto era que as pessoas que precisam da explicação não conseguem ler o modelo. Então as explicações tinham de traduzir a lógica do algoritmo — suas entradas, os sinais de mercado que ele ponderou, o limiar contra o qual testou, as intervenções humanas — em algo que um responsável pelo compliance possa interrogar sem ler o código-fonte. Não uma pontuação de confiança. Um relato do raciocínio.

O segundo problema era o próprio inventário. Tratamos o inventário de algoritmos como uma equipe de engenharia trata código: cada estratégia em produção carrega seus mercados aprovados, limites de posição, o responsável registrado e um histórico completo de alterações, de modo que a pergunta "mostre-me o seu inventário" vira uma consulta, não um exercício de emergência. A mesma espinha dorsal mapeia cada controle para vários marcos regulatórios ao mesmo tempo — SEC Rule 15c3-5, o RTS 6 da MiFID II, o EU AI Act, a DORA, o regime de Algo-ID da SEBI — porque firmas de médio porte negociam além-fronteiras e nenhum fornecedor consolidado mapeia controles em todos eles a partir de um só lugar. Hoje, a maioria das firmas multijurisdicionais junta às pressas processos de compliance separados por regulador. Essa redundância é exatamente o tipo de trabalho que o software deveria devorar.

O terceiro problema era o kill switch. Os controles do Citi não estavam ausentes — eles pegaram US$ 255 bilhões. Só que não eram escalonados. A maioria dos disjuntores é binária: ligado ou desligado. Então construímos disjuntores inteligentes e de múltiplos níveis — detecção de anomalias comportamentais que dispara uma resposta proporcional em vez de um único botão de pânico, a diferença entre pegar US$ 255 bilhões e pegar os US$ 189 bilhões que escaparam.

Por Que Nem Todos Simplesmente Compram uma Plataforma?

Essa é a objeção que mais escuto, e ela merece uma resposta de verdade.

O mercado de vigilância de negociações está caminhando de cerca de US$ 1,3 a 3 bilhões em 2025 para US$ 4,2 a 9,3 bilhões até 2033, e os cinco maiores fornecedores detêm 55 a 59% dele. NICE Actimize, o Surveillance AI da Nasdaq, o Validus da Eventus — essas são plataformas genuinamente capazes. Não estou aqui para dizer que elas não funcionam.

Estou aqui para dizer quanto elas custam e onde param. Uma implantação completa do NICE Actimize sai por US$ 1 a 5 milhões ou mais por ano, precificada e arquitetada para instituições Tier 1. São excelentes em detecção multiativos e fracas exatamente naquilo que o examinador agora pede: explicabilidade das decisões dos algoritmos e mapeamento multirregulatório unificado. A plataforma da Nasdaq é centrada em bolsa, feita para o sell side. A Eventus é detecção em primeiro lugar. Nenhuma delas foi projetada em torno do problema do dia do exame do responsável pelo compliance.

Assim, um banco Tier 2 ou uma gestora de ativos de médio porte enfrenta a mesma exigência regulatória que o JPMorgan com uma fração do orçamento e nenhum banco de talentos quant interno. As opções deles têm sido: pagar caro demais por uma plataforma corporativa que não serve, construí-la por conta própria por US$ 2 a 10 milhões, mais um milhão por ano em manutenção enquanto competem com a remuneração dos hedge funds pelo talento, ou contratar uma firma da Big Four — que, pela minha experiência, aconselha sobre o que construir, entrega uma apresentação de PowerPoint com um modelo operacional-alvo e, então, recorre ao mesmo fornecedor Tier 1 que teria recomendado de qualquer forma.

Há um vazio no meio desse mercado: firmas com obrigações de bulge-bracket e orçamentos de médio porte, atendidas por ninguém.

É para esse vazio que construímos. Inteligência de compliance sob medida a um preço que não é um resgate corporativo, sem lock-in de fornecedor.

O Problema Mais Difícil que Vem Aí: Agentes Autônomos

Se a explicabilidade é o problema de hoje, a IA agêntica é o problema do ano que vem, e quase ninguém está preparado para ele.

Cerca de 44% das equipes de finanças devem usar IA agêntica em 2026 — um salto de mais de 600% — e uma firma já relata 60 agentes autônomos em produção, com planos para mais 200. Esses sistemas podem automatizar até 70% do trabalho manual de compliance. Também podem disparar negociações, ajustar modelos de risco e autorizar transações por conta própria.

O que aterroriza qualquer um que já passou por um exame é o que vem em seguida. O marco de governança em que todo o setor se apoia — a diretriz de risco de modelos SR 11-7, do Fed e da OCC — foi escrito em 2011 para modelos com comportamento estável e determinístico. Como colocaram os analistas de risco da GARP no início de 2026, a SR 11-7 "continua sendo um dos poucos pontos de referência estáveis para a governança de modelos" — e a IA agêntica quebra suas premissas centrais, introduzindo opacidade, aleatoriedade e autonomia, muitas vezes montada sobre infraestrutura de terceiros que pode mudar sem aviso. Você não consegue reconstruir a decisão de um sistema que decide de maneira diferente a cada vez e depende de um modelo de fornecedor que você não controla.

Para deixar claro onde realmente estamos: as revisões de profissionais do FMSB observam que a IA voltada ao mercado ainda não opera de forma autônoma — ela está embutida na infraestrutura de negociação, sob supervisão humana. Ótimo. Essa é a janela. O momento certo para construir governança para agentes de negociação autônomos é antes de eles estarem negociando de forma autônoma, não na autópsia. Projetamos essa camada de explicabilidade e supervisão agora, para que a trilha de auditoria exista antes de o regulador pedi-la.

Há também uma alavancagem técnica real disponível aqui. Modelos baseados em grafos — redes neurais em grafos que mapeiam a teia de exposições de contrapartes — atingiram índices AUC-ROC em torno de 0,891 para detectar contágio de risco em ambientes de pesquisa, bem à frente dos métodos convencionais, com prazos de alerta antecipado ampliados em quase doze dias. Quase nenhum fornecedor de vigilância oferece análise de contágio baseada em grafos como recurso padrão. Para uma firma com risco de contrapartes interconectado, essa é a diferença entre ver uma cascata chegando e ler sobre ela em uma medida coercitiva.

"Isto Não É Só Mais um Software de Compliance?"

As pessoas me fazem uma versão dessa pergunta, e a resposta justa é: não, se for construído do jeito certo.

A razão pela qual o compliance parece puro custo — grandes bancos gastam mais de US$ 200 milhões por ano com isso, e o tempo que seus funcionários dedicam a ele cresceu 61% em uma década — é que a maior parte disso é reconstrução manual de coisas que os sistemas deveriam ter registrado automaticamente. Quando a explicação é gerada à medida que o algoritmo é executado, o exame deixa de ser uma escavação arqueológica. O inventário é uma consulta. A cadeia de decisões já está registrada. O mapeamento entre jurisdições é um único modelo, não cinco.

A outra coisa que as pessoas perguntam é se a explicabilidade deixa os algoritmos mais lentos — se você está trocando microssegundos por papelada. Não está. A captura do raciocínio fica ao lado da execução; é um registro, não um freio. As firmas que resolveram isso pararam de tratar o compliance como um imposto sobre a velocidade e passaram a tratá-lo como uma propriedade do sistema, presente desde a primeira linha de código em vez de aparafusado às pressas antes da auditoria.

Penso no caso da Two Sigma aqui. Um pesquisador sênior alterou silenciosamente quatorze modelos de investimento ao longo de quase dois anos — mexendo em um único parâmetro — e produziu US$ 165 milhões em perdas para clientes antes que alguém percebesse; a firma pagou US$ 90 milhões para encerrar o caso. Esses modelos não eram, no nome, não supervisionados. Eram, na prática, inexplicáveis. Ninguém conseguia ver, em tempo real, que o raciocínio havia sido corrompido. Isso não é uma falha de detecção. É uma falha de explicabilidade vestida com a roupa de uma falha de detecção.

O erro de US$ 444 bilhões do trader do Citi levou segundos para ser cometido e anos para ser litigado. O que transformou um erro constrangedor em um de US$ 92 milhões não foi o tamanho da cesta. Foi que, quando os reguladores se aproximaram e perguntaram por quê, a resposta foi um dar de ombros.

Toda firma que roda algoritmos está a uma manhã ruim de distância dessa pergunta. As que ficarão bem não são as que têm mais controles ou a plataforma mais cara. São as que, quando o examinador aponta para as 9h47, conseguem puxar a decisão e percorrê-la linha por linha — e que integraram essa capacidade à camada de compliance muito antes de precisarem dela. Construa a explicação enquanto a máquina ainda está negociando. Quando alguém perguntar, já será tarde demais para começar a escrevê-la.