i.agora

01 / Problema

O problema não era apenas a dívida. Era a vulnerabilidade financeira.

Começamos investigando a base sintética fornecida pelo desafio, esperando encontrar uma oportunidade focada em pessoas já endividadas ou inadimplentes. A análise mudou esse enquadramento.

Análise da base do hackathon Apenas a amostra do desafio · não representa a população total de clientes do Itaú

~1.000clientes

~98.000registros transacionais

30–34%da amostra apresentava sinais de vulnerabilidade financeira

A análise da equipe deslocou a atenção da inadimplência isolada para um padrão mais amplo: cerca de 30–34% da amostra do desafio apresentavam sinais de vulnerabilidade, como fechar um período perto de zero ou no negativo. Essa foi uma leitura direcional da base do hackathon — não uma estimativa populacional, um resultado estatisticamente significativo ou uma estatística oficial do Itaú.

A oportunidade não estava apenas em ajudar depois do aperto financeiro. Estava em agir antes que um padrão frágil se tornasse um problema maior.

Banco reativoOrientação financeira preventiva

02 / Insight

As pessoas veem o saldo. Mas não é fácil enxergar a trajetória.

Interfaces financeiras mostram bem quanto tenho, quanto gastei, minha fatura e minhas transações. Mas são menos eficientes para responder a uma pergunta mais difícil: “Se eu continuar assim, onde isso vai me levar?”

Nossa primeira hipótese de produto foi transformar intenções financeiras em futuros visíveis e comparáveis. O conceito reuniu três capacidades:

01

Entender

Interpretar renda, despesas recorrentes, compromissos e objetivos.

02

Antecipar

Projetar como uma decisão poderia afetar os próximos meses.

03

Orientar

Explicar cenários e trade-offs sem decidir pela pessoa.

03 / Disciplina de escopo

A primeira ideia era mais ampla do que o problema precisava.

Nas primeiras horas, exploramos múltiplos futuros, objetivos, personalização, gamificação, produtos financeiros, recomendações, rewards e moedas, diferentes agentes e acompanhamento contínuo. Poderia se tornar um ecossistema rico, mas era escopo demais para o tempo limitado do desafio.

Ecossistema amploUma pessoa. Um problema. Um plano.

Não foi uma direção fracassada, e sim um aprendizado sobre disciplina de escopo. Saímos da tentativa de explicar um sistema financeiro inteiro para contar uma única história coerente.

04 / Jornada

Em vez de explicar um sistema financeiro, contamos uma história.

Maria é a personagem do protótipo, não uma participante real. As seis etapas conectam um presente difícil a uma próxima decisão mais concreta.

01
Realidade
Maria abre o app e encontra a conta no negativo. Ela não precisa de outro dashboard para dizer que há um problema; já consegue percebê-lo.
02
Conversa
Ela conversa com a i.ai, a experiência conversacional do banco. Ao reconhecer seu contexto financeiro, a experiência apresenta o i.agora como uma capacidade especializada — não como outro aplicativo. Integrá-lo à conversa existente reduz a fragmentação e evita criar mais um destino para aprender.
03
Contexto
O histórico financeiro disponível ajuda o conceito a entender renda, gastos recorrentes, compromissos, categorias relevantes, margem financeira e comportamento recente.
04
Plano
Em vez de dizer “gaste menos”, o agente propõe valores e limites em um plano mensurável. Maria pode aceitá-los ou ajustá-los. A referência 50 / 30 / 20 é adaptada ao seu cenário — não é uma regra universal nem uma recomendação financeira definitiva.
05
Cartão opcional para compartilhar
Depois de aceitar o plano, Maria vê um cartão opcional para marcar o momento. Ele não exibe valores financeiros; o agente não toma decisões nem movimenta dinheiro por ela.
06
Acompanhamento de janeiro
O acompanhamento mostra uma reserva projetada de R$ 620 com base no plano e informa explicitamente que ainda não há progresso confirmado nos compromissos de janeiro. A reserva é uma projeção, não um resultado alcançado, e nenhuma transferência é feita automaticamente.

05 / Protótipo

Do saldo negativo a um próximo passo que ela consegue visualizar.

O protótipo mobile deixa a sequência clara: contexto, conversa, diagnóstico, plano, compromisso e um futuro possível. São telas de um conceito, não evidência de um serviço lançado.

01 / Realidade

Começar pelo momento que importa.

Maria vê a situação da conta em contexto. A experiência começa onde a preocupação dela já está, sem adicionar mais um dashboard-resumo.

02 / Conversa · 03 / Diagnóstico

Passar de uma pergunta a um cenário mais claro.

Na conversa existente com a i.ai, o i.agora surge como uma capacidade focada. O diagnóstico reúne o contexto financeiro que pode orientar um plano, sem apresentar a IA como uma autoridade independente.

04 / Plano

Tornar “gaste menos” específico o suficiente para considerar.

A referência 50 / 30 / 20 é adaptada ao cenário da personagem como proposta, não como fórmula universal. Maria pode revisar os valores sugeridos e escolher entre aceitar ou ajustar; os números são simulados, não transações nem gastos confirmados.

05 / Cartão opcional · 06 / Acompanhamento de janeiro

Marcar a escolha e mostrar o que ainda é projeção.

O cartão para compartilhar aparece depois que o plano é aceito e não contém valores financeiros. O acompanhamento de janeiro mostra uma reserva projetada de R$ 620, mas ainda não há progresso confirmado nos compromissos. Nenhuma transferência é feita automaticamente.

06 / Minha contribuição

Meu papel foi transformar o conceito em uma experiência compreensível.

Trabalhei no enquadramento do problema e na proposta de experiência, construí a jornada e a narrativa de interação e desenhei a experiência do i.agora. Também colaborei com o time na definição de métricas de produto, na conexão conceitual entre i.ai e i.agora e na exploração de prompts e comportamentos conversacionais.

Para acelerar a prototipação, criei componentes e tokens no Figma baseados na experiência existente do app, montei uma biblioteca visual, iterei no protótipo e explorei gamificação. Depois do período oficial do desafio, refinei a experiência e o protótipo.

O trabalho foi colaborativo. Interpretação e análise dos dados, modelagem de dados, backend, arquitetura completa e infraestrutura GCP eram responsabilidades de outras especialidades da equipe multidisciplinar; trabalhei em parceria com essas pessoas, sem atribuir essas entregas individualmente a mim.

07 / IA no produto e no processo

A IA não foi adicionada no final. Ela mudou como projetamos e construímos a experiência.

Dentro do produto

O conceito separou a responsabilidade pelos números da explicação conversacional. Os dados transacionais alimentam uma camada de contexto financeiro; cálculos determinísticos e simulações produzem os números; um LLM interpreta o contexto e apoia a conversa; a interface transforma isso em uma explicação acionável.

Dados transacionais
Camada de contexto financeiro
Cálculos determinísticos / simulação
Interpretação e conversa com LLM
Interface generativa / explicação acionável

Cálculos financeiros não devem depender de um LLM gerando números. Na arquitetura proposta, cálculos e regras pertencem a camadas determinísticas. A IA generativa fica principalmente com interpretação, contextualização, conversa, explicação e adaptação da linguagem. Essa separação busca reduzir o risco de alucinação em um contexto de alta confiança; é um princípio arquitetural do conceito, não uma afirmação de validação em produção.

No processo de design

A IA acelerou a exploração de conceitos, a estruturação de prompts, variações conversacionais, prototipação, implementação, análise crítica dos fluxos, iterações de front-end e o refinamento pós-hackathon. Ela encurtou a distância entre ideia, interface e protótipo funcional — sem substituir pesquisa, julgamento de design ou validação.

08 / Confiança

Projetar para um contexto de alta confiança

Estes foram princípios considerados ao desenhar o conceito — não uma certificação, aprovação jurídica ou afirmação de conformidade regulatória.

Não usar medo, culpa ou vergonha como persuasão.
Apresentar projeções como hipóteses, nunca garantias.
Deixar claras as premissas e simulações.
Nunca decidir pela pessoa cliente.
Não oferecer recomendações financeiras definitivas.
Separar cálculos determinísticos da linguagem generativa.
Promover educação financeira e autonomia.
Apresentar informações de produtos apenas quando apoiadas por fontes autorizadas.
Permitir encaminhamento para atendimento humano quando necessário.

Consideramos princípios brasileiros de educação financeira e comunicação responsável ao definir o comportamento do agente.

09 / Hipóteses

Como mediríamos o sucesso

Estas são métricas propostas durante o desafio — não resultados alcançados. O conceito não foi para produção, portanto não há resultados medidos de clientes ou de negócio a relatar.

Atingimento de metasPercentual de metas financeiras alcançadas dentro do prazo definido.
Qualidade das respostasMeta proposta de >80% de sucesso em relevância, clareza e contexto.
Taxa de açãoPercentual de usuários que realizariam alguma ação após uma simulação.
Aderência ao planoEvolução da pessoa em relação ao plano acordado.
Relevância de produtoAderência entre perfil, contexto e qualquer produto apresentado.
ConversãoConversão em produtos somente quando eles realmente fizerem sentido na jornada.

Valor para o cliente

Mais compreensão, capacidade de agir e evolução financeira.

Valor para o negócio

Relacionamento mais relevante e oportunidades contextuais de apresentar produtos.

A oportunidade de negócio vem depois do valor para o cliente — não no lugar dele.

10 / Retrospectiva

A maior lição não foi sobre IA. Foi sobre escopo.

Como grupo, exploramos um número enorme de possibilidades em pouquíssimo tempo — e tentamos desenvolver muitas delas ao mesmo tempo.

Desenhamos um ecossistema quando o desafio provavelmente precisava de um único momento excepcionalmente claro.

O que funcionou

Um problema relevante que emergiu da base do desafio.
Colaboração multidisciplinar e proximidade entre Design, Dados e Engenharia.
Prototipação rápida e protótipo funcional.
Uso consciente de IA.
Uma linguagem visual próxima ao produto existente.
Transformar dados abstratos em uma experiência compreensível.

O que eu faria diferente

Reduziria o escopo mais cedo e escolheria uma hipótese central.
Definiria métricas de sucesso antes da fase final.
Cortaria funcionalidades paralelas e protegeria a narrativa da apresentação.
Priorizaria clareza de valor em vez da quantidade de possibilidades.

Menos teria tornado a ideia mais forte.

Esse aprendizado orientou diretamente a versão que refinei depois do hackathon.

11 / Depois do desafio

Depois do evento, refinei individualmente o protótipo para mostrar como a experiência poderia funcionar com mais tempo de design. Esta é uma iteração conceitual posterior — não representa a versão exata avaliada na competição.

12 / O que fica

O futuro não precisa ser previsível para se tornar útil.

O i.agora começou como uma exploração de simulação financeira e, aos poucos, se tornou algo mais simples: uma forma de transformar consequências financeiras abstratas em um próximo passo que alguém consiga compreender.

O projeto reforçou algo em que acredito cada vez mais sobre produtos com IA: inteligência, sozinha, não é a experiência. O desafio de design é decidir o que o sistema deve saber, o que deve calcular, o que deve explicar — e quando deve simplesmente ajudar a pessoa a decidir.

Tornar o complexo claro o suficiente para agir.

Testar protótipo navegável