Em 2 de outubro de 2026, a OpenAI publicou um case study sobre a Chatham Financial, uma empresa de advisory em mercado de capitais. O estudo descreve uma aplica\u00e7\u00e3o de valida\u00e7\u00e3o de trade que, segundo a Chatham, reduziu o tempo de revis\u00e3o de aproximadamente 30 minutos para menos de 4 minutos em medi\u00e7\u00f5es iniciais. A Chatham usa Codex para construir ferramentas internas e para clientes, e GPT-5.6 para alimentar as features de IA, com trabalho que atravessa aplica\u00e7\u00f5es constru\u00eddas pelos pr\u00f3prios funcion\u00e1rios, o sistema operacional de mercado de capitais Chatham Onyx, e o servi\u00e7o de consultoria de reengenharia Process Zero.<\/p>\n
Esse artigo explica o que o material da OpenAI diz sobre o mecanismo por tr\u00e1s desse ganho, e tamb\u00e9m o que ele n\u00e3o diz. A fonte \u00e9 um case study comercial, ent\u00e3o a parte de arquitetura precisa ser lida com cuidado: ela descreve o que a aplica\u00e7\u00e3o faz, n\u00e3o como foi implementada em detalhe.<\/p>\n
Antes de falar de modelo, vale entender o problema. O time de Controls and Data Integrity da Chatham protege a acur\u00e1cia dos dados transacionais validando que cada registro no sistema reflete o que o cliente autorizou e o que foi efetivamente executado. Em capital markets isso \u00e9 uma reconcilia\u00e7\u00e3o de tr\u00eas lados: o que o cliente pediu (autoriza\u00e7\u00e3o), o que o mercado executou (confirma\u00e7\u00e3o da contraparte), e o que entrou no sistema de registro.<\/p>\n
Pense num extrato de cart\u00e3o de cr\u00e9dito. Quando voc\u00ea bate o olho, est\u00e1 fazendo tr\u00eas compara\u00e7\u00f5es r\u00e1pidas: a loja \u00e9 uma que voc\u00ea reconhece, o valor bate com o que voc\u00ea lembra de ter gastado, e a data faz sentido. Se alguma coisa n\u00e3o casa, voc\u00ea marca para investigar. Valida\u00e7\u00e3o de trade \u00e9 a mesma mec\u00e2nica, s\u00f3 que com dez a vinte campos por opera\u00e7\u00e3o (notional, taxa fixa, taxa flutuante, \u00edndice de refer\u00eancia, datas de reset, conven\u00e7\u00e3o de day count, counterparty, netting agreement) e com toler\u00e2ncia de erro muito menor. A analogia do extrato quebra num ponto importante: no cart\u00e3o voc\u00ea compara contra mem\u00f3ria, aqui o validador compara contra documentos formais (term sheet, confirma\u00e7\u00e3o ISDA, booking no sistema), e cada discrep\u00e2ncia precisa de trilha audit\u00e1vel.<\/p>\n
Usando Codex, a Chatham desenvolveu uma aplica\u00e7\u00e3o de valida\u00e7\u00e3o de trade que re\u00fane as evid\u00eancias de suporte da transa\u00e7\u00e3o, compara os termos-chave e sinaliza discrep\u00e2ncias para revis\u00e3o, e a empresa est\u00e1 comparando os resultados da aplica\u00e7\u00e3o com os de revisores experientes. Em uma frase: coleta, compara, sinaliza, e ainda est\u00e1 em fase de calibra\u00e7\u00e3o contra humanos.<\/p>\n
O case study da OpenAI deixa expl\u00edcito que o ganho de tempo n\u00e3o veio de rodar o mesmo processo mais r\u00e1pido. Veio de redesenhar o processo. Matt Henry, CEO da Chatham, descreveu a abordagem assim: “We are not approaching AI simply as a faster way to run every process. With OpenAI, we can start with the outcome we want, identify where judgment matters, and design the best way to deliver it using the capabilities now available.”<\/p>\n
Esse \u00e9 o conceito central do que a Chatham chama de Process Zero. Trade validation \u00e9 um exemplo inicial. Para cada workflow, a firma estabelece os inputs e evid\u00eancias m\u00ednimas necess\u00e1rias, fixa onde o julgamento humano permanece essencial, e especifica como a IA e as ferramentas constru\u00eddas com IA devem apoiar o trabalho.<\/p>\n
Traduzindo isso para engenharia: o workflow n\u00e3o \u00e9 “pegue o processo humano de 30 minutos e pe\u00e7a para um LLM faz\u00ea-lo”. \u00c9 “defina o resultado (um relat\u00f3rio de valida\u00e7\u00e3o audit\u00e1vel), liste as evid\u00eancias m\u00ednimas que sustentam esse resultado, decida quais passos exigem julgamento humano (as exce\u00e7\u00f5es), e automatize o resto”. A diferen\u00e7a pr\u00e1tica \u00e9 grande. No primeiro caso, o modelo tenta imitar a navega\u00e7\u00e3o humana entre telas. No segundo, voc\u00ea acessa as mesmas APIs direto, em paralelo, e usa o modelo s\u00f3 onde ele agrega: estruturar texto n\u00e3o-padronizado, extrair termos de documentos, redigir o relat\u00f3rio final.<\/p>\n
A fonte oficial trata os dois produtos com fun\u00e7\u00f5es distintas. A Chatham usa Codex para construir ferramentas internas e voltadas ao cliente, e GPT-5.6 para alimentar features de IA. Codex, aqui, \u00e9 a ferramenta de desenvolvimento (o agente de c\u00f3digo, vers\u00e3o corrente da fam\u00edlia Codex da OpenAI que roda sobre modelos GPT-5.x), usada por engenheiros e funcion\u00e1rios para escrever a aplica\u00e7\u00e3o em si. GPT-5.6 \u00e9 o modelo que roda dentro da aplica\u00e7\u00e3o, em tempo de execu\u00e7\u00e3o, quando um trade chega para validar.<\/p>\n
\u00c9 importante n\u00e3o confundir essas duas camadas. Codex n\u00e3o valida trade. Codex escreve o c\u00f3digo que valida trade. Quem valida trade \u00e9 o GPT-5.6 orquestrando as leituras de dados, compara\u00e7\u00f5es e gera\u00e7\u00e3o do relat\u00f3rio final. \u00c9 a mesma distin\u00e7\u00e3o entre o engenheiro que escreveu seu software de folha de pagamento e o servidor que roda esse software todo m\u00eas.<\/p>\n
A documenta\u00e7\u00e3o p\u00fablica da OpenAI n\u00e3o especifica a arquitetura interna: n\u00e3o diz quantas chamadas de modelo por trade, quais tool calls est\u00e3o definidas, se h\u00e1 function calling estruturado, se usa RAG sobre a base de term sheets, se h\u00e1 um loop de verifica\u00e7\u00e3o com segundo modelo, nada disso. Existem artigos secund\u00e1rios inferindo arquitetura (chamadas paralelas, dual-model, agentes), mas isso \u00e9 interpreta\u00e7\u00e3o de terceiros, n\u00e3o o que a Chatham ou a OpenAI publicaram.<\/p>\n
Mesmo sem a arquitetura interna detalhada, o padr\u00e3o de redesign \u00e9 replic\u00e1vel. A ideia \u00e9 separar tr\u00eas camadas em qualquer workflow que voc\u00ea queira automatizar:<\/p>\n
Um esqueleto bem simplificado do fluxo, em pseudo-c\u00f3digo, para ancorar o racioc\u00ednio:<\/p>\n
def validate_trade(trade_id):\n # 1. coleta determin\u00edstica\n booking = trading_system.get(trade_id)\n confirm = counterparty_api.get_confirmation(trade_id)\n authz = client_portal.get_authorization(trade_id)\n\n # 2. extra\u00e7\u00e3o estruturada via LLM\n # (o PDF da confirma\u00e7\u00e3o nunca tem o mesmo layout)\n confirm_fields = llm_extract(\n document=confirm.pdf,\n schema=TRADE_SCHEMA\n )\n\n # 3. compara\u00e7\u00e3o de termos-chave\n diffs = compare_fields(booking, confirm_fields, authz)\n\n # 4. relat\u00f3rio audit\u00e1vel\n report = llm_write_report(\n booking=booking,\n confirm=confirm_fields,\n authz=authz,\n diffs=diffs\n )\n\n # 5. decis\u00e3o com humano no loop para exce\u00e7\u00f5es\n if diffs.has_material_discrepancy():\n queue_for_human_review(trade_id, report)\n else:\n mark_validated(trade_id, report)\n<\/code><\/pre>\nEsse esqueleto n\u00e3o \u00e9 o que a Chatham roda. \u00c9 s\u00f3 a materializa\u00e7\u00e3o do padr\u00e3o descrito: o LLM aparece onde o formato varia e onde \u00e9 preciso redigir texto natural audit\u00e1vel, e sai do caminho onde API resolve.<\/p>\n
Onde esse padr\u00e3o quebra<\/h2>\n
Alguns limites concretos para quem for tentar:<\/p>\n
\n- Volume baixo n\u00e3o paga a reengenharia<\/strong>. Se voc\u00ea valida 20 trades por m\u00eas, o esfor\u00e7o de modelar schema, calibrar prompts, escrever testes contra revisor humano e manter a aplica\u00e7\u00e3o custa mais do que o tempo que economiza.<\/li>\n
- Documentos muito heterog\u00eaneos ainda falham silenciosamente<\/strong>. Extra\u00e7\u00e3o de PDF de confirma\u00e7\u00e3o \u00e9 a parte mais fr\u00e1gil. Quando o layout \u00e9 novo, o modelo pode preencher campo com valor plaus\u00edvel em vez de admitir que n\u00e3o achou. Isso vira erro de valida\u00e7\u00e3o invis\u00edvel. Da\u00ed a import\u00e2ncia do passo de compara\u00e7\u00e3o contra revisor humano que a Chatham est\u00e1 rodando.<\/li>\n
- Lat\u00eancia vs custo<\/strong>. Rodar GPT-5.6 em cada trade, com v\u00e1rias chamadas por trade, tem custo real. A fonte n\u00e3o divulga pre\u00e7o por opera\u00e7\u00e3o. Qualquer estimativa aqui \u00e9 chute.<\/li>\n
- Mercado regulado tem exig\u00eancias de auditoria<\/strong>. N\u00e3o basta chegar \u00e0 resposta certa. Precisa ser poss\u00edvel reconstruir por que o sistema decidiu daquele jeito, meses depois. Isso empurra para prompts versionados, logs de todas as tool calls, e armazenamento das evid\u00eancias brutas junto do laudo.<\/li>\n<\/ul>\n
O que n\u00e3o d\u00e1 para afirmar ainda<\/h2>\n
A fonte \u00e9 um case study comercial da OpenAI com cita\u00e7\u00f5es de executivos da Chatham, n\u00e3o um paper t\u00e9cnico nem documenta\u00e7\u00e3o de arquitetura. Ent\u00e3o:<\/p>\n
\n- N\u00e3o d\u00e1 para afirmar que a arquitetura envolve agente aut\u00f4nomo, chamadas paralelas, RAG, ou dual-model. Artigos de terceiros descrevem isso, mas n\u00e3o \u00e9 o que a Chatham ou a OpenAI publicaram.<\/li>\n
- Os n\u00fameros s\u00e3o de “early measurement” segundo o pr\u00f3prio texto. “In early measurement, the application reduced review from approximately 30 minutes to under 4 minutes. Just as important, we are validating its performance against real transactions and experienced reviewers before we expand automation.” Ou seja, ainda n\u00e3o \u00e9 um sistema em escala total nem com acur\u00e1cia publicamente auditada.<\/li>\n
- N\u00e3o h\u00e1 dado p\u00fablico sobre taxa de erro, taxa de falsos positivos\/negativos, nem sobre quantos trades escalam para humano. Esses s\u00e3o os n\u00fameros que decidem se o sistema \u00e9 bom ou s\u00f3 r\u00e1pido.<\/li>\n
- N\u00e3o h\u00e1 informa\u00e7\u00e3o sobre custo por trade validado, nem sobre a infra que roda ao redor do modelo.<\/li>\n<\/ul>\n
Como testar isso voc\u00ea mesmo<\/h2>\n
Se voc\u00ea quer sentir o padr\u00e3o na m\u00e3o, sem precisar de dados de capital markets, d\u00e1 para fazer um exerc\u00edcio equivalente em escala pequena numa tarde:<\/p>\n
\n- Escolha um workflow seu que hoje \u00e9 manual e envolve conferir tr\u00eas ou quatro fontes. Exemplos: fechamento de notas fiscais contra pedidos de compra, bate de extrato banc\u00e1rio contra lan\u00e7amentos cont\u00e1beis, revis\u00e3o de contratos recebidos contra um template padr\u00e3o.<\/li>\n
- Antes de abrir qualquer c\u00f3digo, escreva em uma folha: qual \u00e9 o output final (o laudo), quais s\u00e3o as evid\u00eancias m\u00ednimas, e em que ponto voc\u00ea, humano, quer ser chamado. Essa \u00e9 a parte “Process Zero” do exerc\u00edcio.<\/li>\n
- Separe o fluxo em tr\u00eas camadas: coleta (API\/arquivo), extra\u00e7\u00e3o estruturada (LLM com schema fixo, use JSON mode ou structured outputs), compara\u00e7\u00e3o (c\u00f3digo normal).<\/li>\n
- Rode em uma amostra pequena, uns 20 casos, e compare o output do sistema com o seu julgamento. Anote todas as diverg\u00eancias. Esse \u00e9 o passo que a Chatham diz estar fazendo em escala maior.<\/li>\n
- S\u00f3 depois dessa calibra\u00e7\u00e3o, pense em volume. A ordem importa: se voc\u00ea automatizar antes de medir contra humano, est\u00e1 fabricando erro em escala.<\/li>\n<\/ol>\n
O que o case study da Chatham ensina, no fim, \u00e9 menos sobre o modelo espec\u00edfico e mais sobre a ordem das decis\u00f5es. Primeiro o resultado desejado, depois a evid\u00eancia m\u00ednima, depois onde o humano ainda assina, e s\u00f3 ent\u00e3o o c\u00f3digo. O ganho de 30 para 4 minutos \u00e9 a consequ\u00eancia dessa ordem, n\u00e3o a causa.<\/p>\n","protected":false},"excerpt":{"rendered":"
Como a Chatham Financial reengenhou a valida\u00e7\u00e3o de trade com Codex e GPT-5.6, saindo de 30 minutos para menos de 4. O mecanismo passo a passo.<\/p>\n","protected":false},"author":2,"featured_media":758,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1],"tags":[],"class_list":["post-759","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-uncategorized"],"_links":{"self":[{"href":"https:\/\/yellowkode.com\/blog\/wp-json\/wp\/v2\/posts\/759","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/yellowkode.com\/blog\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/yellowkode.com\/blog\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/yellowkode.com\/blog\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/yellowkode.com\/blog\/wp-json\/wp\/v2\/comments?post=759"}],"version-history":[{"count":0,"href":"https:\/\/yellowkode.com\/blog\/wp-json\/wp\/v2\/posts\/759\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/yellowkode.com\/blog\/wp-json\/wp\/v2\/media\/758"}],"wp:attachment":[{"href":"https:\/\/yellowkode.com\/blog\/wp-json\/wp\/v2\/media?parent=759"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/yellowkode.com\/blog\/wp-json\/wp\/v2\/categories?post=759"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/yellowkode.com\/blog\/wp-json\/wp\/v2\/tags?post=759"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}