FlowCredi reduz análise de documentos de crédito de uma hora a um minuto com Amazon Bedrock AgentCore

A FlowCredi é uma fintech brasileira fundada em 2024 que vende um produto pouco popular por aqui: o home equity, crédito com garantia de imóvel, com prazos de até 20 anos e juros de 16% a 23% ao ano, muito abaixo do cheque especial ou do rotativo do cartão. O problema nunca foi o produto ser ruim. Foi a documentação: matrícula do imóvel, CNH, RG, holerite, extrato bancário, IPTU, com regras encadeadas em que uma certidão depende de uma ata que depende de um contrato. Cada consultor gastava de 30 minutos a 1 hora só para organizar o dossiê de um processo, em média quase 9 arquivos.

Desde junho de 2026 essa etapa roda numa esteira automatizada sobre Amazon Bedrock AgentCore, publicada pela AWS no blog oficial. Para quem desenha agentes de IA para produção, o caso interessa menos pelo resultado de marketing e mais pela engenharia por trás: como amarrar OCR, agentes e orquestração assíncrona sem deixar nenhuma Lambda bloqueada esperando resposta de modelo.

A esteira, do upload ao agente

A arquitetura é orientada a eventos de ponta a ponta. Um documento chega por formulário, pelo white label da empresa ou pelo portal de um parceiro, e cai num bucket Amazon S3 com uma API acoplada. O upload dispara um evento no Amazon EventBridge, que aciona funções AWS Lambda escritas em Node.js, com o estado do processo persistido no Amazon DynamoDB. Esse padrão (Lambda mais DynamoDB) cobre a maior parte dos casos de uso da plataforma, não só a análise documental.

A partir daí, a esteira executa três tarefas sobre cada arquivo: classificar o tipo de documento, organizar o dossiê numa estrutura lógica e validar se o conteúdo bate com o imóvel e com as partes do processo. O Amazon Textract faz o OCR. A classificação, a validação e a organização ficam com agentes no Amazon Bedrock AgentCore, rodando sobre o modelo Amazon Nova 2 Lite. Um fast-path determinístico, com heurísticas por família de documento, resolve parte dos casos antes mesmo de chamar o modelo, reservando o LLM para o que realmente exige raciocínio sobre texto solto.

Toda a orquestração roda em AWS Step Functions, com um princípio simples atravessando o desenho: nenhuma Lambda fica bloqueada esperando o agente responder. As funções só preparam o payload e gravam o resultado; o AgentCore e o Textract trabalham de forma assíncrona. É o padrão que a própria AWS documenta para chamar agentes do Bedrock AgentCore dentro de pipelines serverless, e que mantém o custo de computação proporcional ao trabalho útil, não ao tempo de espera do modelo.

Por que AgentCore e não chamada direta à API do modelo

A FlowCredi não começou pelo AgentCore. A equipe passou primeiro por chamadas diretas a APIs de LLMs de terceiros, migrou para o Amazon Bedrock e só depois adotou o AgentCore para orquestrar os agentes. O CTO Felipe Fleury resume o motivo da escolha:

O AgentCore é agnóstico ao provedor de modelo. A gente consegue trocar de LLM, testar modelos diferentes, usar um modelo mais especializado numa etapa e reduzir o modelo quando não precisa de tanto, tudo com praticamente uma API única. Ele fez a junção natural com o serverless, que é a forma como a gente já trabalha.

Felipe Fleury, CTO da FlowCredi

Na prática, isso significa poder trocar o Amazon Nova 2 Lite por outro modelo do Bedrock numa etapa específica sem reescrever a orquestração inteira, só o que está dentro do agente. A fonte não detalha em qual região da AWS a plataforma roda; dado o perfil 100% brasileiro da operação, é razoável supor São Paulo (sa-east-1), mas isso é inferência, não dado confirmado pela empresa.

Um segundo cuidado de engenharia aparece na forma como a FlowCredi expõe o agente para quem não é da área técnica. Boa parte do time é forte em negócio e não em infraestrutura, então cada agente virou uma "caixa fechada": um projeto padronizado, com o prompt escrito em Markdown e deploy automático, em que a pessoa de negócio só ajusta a regra e testa direto no console. É um padrão replicável para quem precisa dar autonomia a áreas não técnicas sem abrir mão de versionamento e deploy controlado.

Os números, com a métrica que ainda falta

Entre 24 de junho e 27 de agosto de 2026 a esteira processou perto de 4.000 arquivos, com 98% das execuções concluídas com sucesso e nenhum timeout registrado, numa média de 8,7 arquivos por processo. Isso representa, segundo a AWS, entre 215 e 620 horas de trabalho humano economizadas no período, o equivalente a 1 a 4 meses de um consultor em tempo integral. O custo por documento ficou na faixa de US$ 0,03 a US$ 0,04.

Vale separar duas métricas que o texto da AWS não deixa colar uma na outra: a taxa de execução bem-sucedida (98%) mede se a esteira rodou sem travar, não se o resultado está correto. A acurácia da extração documental, a métrica que realmente importa para o consultor confiar no output, gira em torno de 80% e é, segundo a própria empresa, o ponto que ainda está sendo calibrado, com ajustes em andamento no trecho exato do fluxo em que o AgentCore é acionado.

Para quem avalia colocar um agente de extração documental em produção, essa é a lição prática: medir separadamente a confiabilidade da orquestração e a qualidade do que o modelo extrai, porque uma métrica boa pode mascarar a outra.

O que ainda falta: retorno em tempo real

O ganho maior, segundo o CTO, não está na automação que já existe, mas na que falta construir: avisar o cliente na hora quando falta um documento ou um dado não confere, em vez de esperar o retorno do banco, hoje de pelo menos um dia.

Quando a gente conseguir dizer na hora ao cliente 'faltou o RG' ou 'essa matrícula não é a correta', a economia vai ser muito maior do que uma hora. Hoje o cliente leva dias juntando documento e ainda espera o retorno do banco. Encurtar isso é o grande destravamento do negócio.

Felipe Fleury, CTO da FlowCredi

O roadmap confirma essa prioridade: um agente conversacional que cruza o checklist de cada banco com o resultado da análise já feita e explica ao cliente, em linguagem simples, o que está pendente. Em paralelo, a empresa testa modelos de avaliação automatizada de imóvel (AVMs), agentes para defesa de crédito e de garantia perante negativas de banco, e já avalia usar o Amazon SageMaker com modelos menores (SLMs) e heurísticas onde um LLM completo é desperdício, sob a máxima interna de que "nem tudo precisa ser LLM".

A próxima versão da orquestração

A esteira atual, orquestrada por Step Functions, está sendo substituída, em parte, por uma função Lambda durável, buscando menos código e, no mesmo movimento, levando a classificação, a validação e a organização para runtimes dedicados do AgentCore, no padrão já adotado hoje na etapa de OCR. O desafio declarado pela equipe é preservar, para quem não é técnico, a mesma visibilidade de "qual etapa falhou" que o fluxo visual do Step Functions oferece hoje; trocar orquestração visual por execução durável resolve um problema de código e abre outro, de observabilidade para quem opera sem saber ler um trace.

Também está no roadmap um teste A/B entre Amazon Textract e Amazon Nova para extração, medindo custo, latência e qualidade por família de documento, e a ativação de tags de alocação de custo para fechar o custo unitário por fase da esteira e por linha de negócio, um passo que qualquer time rodando agentes em produção deveria dar mais cedo do que depois.

O trade-off que a empresa assume

Tudo isso roda sobre serviços gerenciados da AWS por escolha deliberada, não por falta de alternativa. Os fundadores já haviam construído a CrediHome com a mesma tese antes de vendê-la à Loft em 2021, e trazem a convicção de que lock-in é um preço aceitável.

Existe um lock-in, sim, e a gente conversou isso com os investidores. Mas eu prefiro esse caminho a construir uma estrutura toda para ser agnóstica e nunca colocar o serviço no ar. Na empresa anterior, a gente rodava com mais de 500 funções Lambda por ambiente sem uma equipe de infraestrutura, com um custo que era uma fração do que seria de outra forma.

Felipe Fleury, CTO da FlowCredi

Para quem avalia adotar o Bedrock AgentCore num pipeline parecido, o caso da FlowCredi deixa um roteiro replicável: comece pelo fast-path determinístico para tirar carga do modelo, mantenha as Lambdas desacopladas do tempo de resposta do agente, separe a métrica de execução da métrica de qualidade do output, e só então decida se o SLM resolve antes de chamar o LLM completo.

Fonte: AWS Brasil — Blog