Questa è una versione PDF del contenuto. Per la versione completa e aggiornata, visita:
Verrai reindirizzato automaticamente...
No panorama fintech de 2026, a integração de Large Language Models (LLM) nos fluxos de trabalho financeiros é já um padrão consolidado. No entanto, a diferença entre uma automação medíocre e uma ferramenta de apoio à decisão fiável reside inteiramente na qualidade das instruções fornecidas. O prompt engineering de crédito já não diz respeito à simples interrogação de um modelo, mas sim à conceção de arquiteturas cognitivas capazes de gerir a ambiguidade intrínseca dos dados financeiros.
Este guia técnico destina-se a Cientistas de Dados, Analistas de Risco de Crédito e programadores Fintech que necessitam de ir além dos prompts básicos para implementar lógicas de raciocínio complexo (Reasoning Models) na avaliação do mérito creditício.
Até há poucos anos, a abordagem padrão era pedir ao modelo: “Analisa este extrato bancário e diz-me se o cliente é solvente”. Esta abordagem Zero-Shot é hoje considerada negligente no âmbito bancário devido à elevada taxa de alucinações e à falta de rastreabilidade do raciocínio.
Para uma análise de risco robusta, devemos adotar técnicas avançadas como a Chain-of-Thought (CoT) e a Tree of Thoughts (ToT), encapsuladas em outputs estruturados (JSON) para garantir a interoperabilidade com os sistemas bancários legados.
Antes de analisar os números, é imperativo estabelecer o perímetro ético. Em linha com os princípios da Constitutional AI (popularizada por laboratórios como a Anthropic e agora padrão da indústria), o System Prompt deve agir como uma barreira de segurança normativa. Não basta dizer “não sejas racista”; é necessário codificar as normativas (ex: Fair Lending, RGPD).
You are a Senior Credit Risk Analyst AI, acting as an impartial assistant to a human underwriter.
CORE CONSTITUTION:
1. **Non-Discrimination:** You must NEVER use demographic data (name, gender, ethnicity, zip code) as a factor in risk assessment, even if present in the input text.
2. **Factuality:** You must only calculate metrics based on the provided transaction data. Do not infer income sources not explicitly listed.
3. **Explainability:** Every conclusion regarding debt-to-income (DTI) ratio must be accompanied by a step-by-step calculation reference.
OUTPUT FORMAT:
All responses must be valid JSON adhering to the schema provided in the user prompt.O principal desafio no prompt engineering de crédito é a variabilidade dos dados de entrada (PDFs digitalizados, CSVs desorganizados). O objetivo é transformar texto não estruturado em entidades financeiras precisas.
Utilizaremos uma abordagem Few-Shot Prompting para ensinar o modelo a distinguir entre rendimentos reais e transferências internas (giros), que muitas vezes inflacionam artificialmente o rendimento auferido.
Aqui está um exemplo de prompt para extrair e categorizar as transações:
**TASK:** Extract financial entities from the following OCR text of a bank statement.
**RULES:**
- Ignore internal transfers (labeled "GIRO", "TRANSFERÊNCIA").
- Categorize "Transferência Salário" or "Vencimento" as 'SALARY'.
- Categorize recurring negative transactions matching loan providers as 'DEBT_REPAYMENT'.
**INPUT TEXT:**
[Inserir aqui o texto bruto do OCR]
**REQUIRED OUTPUT (JSON):**
{
"income_sources": [
{"date": "YYYY-MM-DD", "amount": float, "description": "string", "category": "SALARY|DIVIDEND|OTHER"}
],
"fixed_expenses": [
{"date": "YYYY-MM-DD", "amount": float, "description": "string", "category": "MORTGAGE|LOAN|RENT"}
]
}A verdadeira prova de fogo é o cálculo do rendimento disponível para perfis híbridos (ex: trabalhador por conta de outrem com atividade independente/Recibos Verdes). Aqui, um prompt linear falha. Devemos usar a Tree of Thoughts para explorar diferentes interpretações da estabilidade financeira.
Em vez de pedir um único valor, pedimos ao modelo para gerar três cenários de avaliação e depois convergir para o mais prudente.
Prompt Estruturado ToT:
**SCENARIO:** The applicant has a mixed income: fixed salary + variable freelance invoices.
**INSTRUCTION:** Use a Tree of Thoughts approach to evaluate the monthly disposable income.
**BRANCH 1 (Optimistic):** Calculate average income over the last 12 months, assuming freelance work continues at current pace.
**BRANCH 2 (Pessimistic/Prudential):** Consider only the fixed salary and the lowest 20% percentile of freelance months. Discount freelance income by 30% for tax estimation.
**BRANCH 3 (Trend-Based):** Analyze the slope of income over the last 6 months. Is it declining or growing?
**SYNTHESIS:** Compare the three branches. Recommend the 'Prudential' figure for the Debt-to-Income (DTI) calculation but note the 'Trend' if positive.
**OUTPUT:**
{
"analysis_branches": {
"optimistic_monthly": float,
"prudential_monthly": float,
"trend_direction": "positive|negative|neutral"
},
"final_recommendation": {
"accepted_monthly_income": float,
"reasoning_summary": "string"
}
}Esta abordagem força o modelo a simular o raciocínio de um analista humano experiente que pondera os riscos antes de definir o número final.
Uma vez estabelecido o rendimento (denominador) e as dívidas existentes (numerador), o cálculo da Taxa de Esforço (DTI) é matemático. No entanto, os LLM podem errar nos cálculos aritméticos. Em 2026, é prática comum invocar ferramentas externas (Code Interpreter ou Python Sandbox) através do prompt, mas se for utilizado um modelo puro, é necessário um passo de Self-Correction.
Adicionar esta cláusula no final do prompt:
“After generating the JSON, perform a self-check: Recalculate (Total_Debt / Accepted_Income) * 100. If the result differs from your JSON output, regenerate the JSON with the corrected value.”
ISO 8601 (YYYY-MM-DD) no system prompt.temperature para 0 ou 0.1 para tarefas de extração.O prompt engineering de crédito avançado transforma a IA de um simples leitor de documentos num parceiro analítico. Utilizando estruturas como a Tree of Thoughts e restrições constitucionais rígidas, é possível automatizar a pré-análise de situações financeiras complexas com um grau de fiabilidade superior a 95%, deixando ao analista humano apenas a decisão final sobre os casos borderline.
O prompt engineering no setor do crédito é a conceção avançada de arquiteturas cognitivas para Large Language Models, destinada a avaliar o mérito creditício com precisão. Ao contrário da abordagem padrão ou Zero-Shot, que se limita a interrogar o modelo de forma direta arriscando alucinações, esta metodologia utiliza técnicas como a Chain-of-Thought e outputs estruturados em JSON. O objetivo é transformar a IA de um simples leitor numa ferramenta de apoio à decisão capaz de gerir a ambiguidade dos dados financeiros e garantir a rastreabilidade do raciocínio.
O método Tree of Thoughts é fundamental para gerir perfis financeiros complexos, como aqueles com rendimentos mistos de trabalho dependente e independente. Em vez de pedir um único valor imediato, esta técnica instrui o modelo a gerar múltiplos ramos de raciocínio, simulando cenários otimistas, pessimistas e baseados em tendências históricas. O sistema compara depois estas variantes para convergir numa recomendação final prudencial, replicando o processo mental de um analista humano experiente que avalia diversas hipóteses antes de decidir.
A Constitutional AI age como uma barreira de segurança ética e normativa inserida diretamente no System Prompt do modelo. Esta técnica impõe regras invioláveis antes mesmo de iniciar a análise dos dados, como a proibição absoluta de utilizar informações demográficas para evitar discriminações e a obrigação de se basear exclusivamente em dados factuais presentes nas transações. Desta forma, codificam-se diretivas como o Fair Lending e o RGPD diretamente na lógica da inteligência artificial, assegurando que cada output está em conformidade com os padrões legais do setor.
Para minimizar as alucinações durante o processamento de documentos não estruturados como PDFs ou digitalizações OCR, utilizam-se configurações específicas e técnicas de prompting. É essencial definir a temperatura do modelo para valores próximos de zero para reduzir a criatividade e adotar o Few-Shot Prompting, fornecendo exemplos concretos de como distinguir rendimentos reais de transferências internas. Além disso, o uso de outputs forçados em formato JSON ajuda a canalizar as respostas para esquemas rígidos, prevenindo a invenção de dados ou nomes de instituições bancárias inexistentes.
Apesar das capacidades linguísticas avançadas, os modelos LLM podem cometer erros em cálculos aritméticos puros, como a determinação da taxa de esforço (DTI). A self-correction é uma cláusula inserida no final do prompt que obriga o modelo a executar uma verificação autónoma do resultado matemático acabado de gerar. Se o recálculo diferir do output inicial, o sistema é instruído a regenerar a resposta correta, garantindo que os dados numéricos utilizados para a avaliação do risco são matematicamente coerentes e fiáveis.