Uma camada de memória determinística para dados financeiros, construída para que agentes de IA probabilísticos possam consultá-la e raciocinar sobre ela de forma confiável. Não é mais um histórico de chat. É um registro estruturado e reconciliado do que realmente aconteceu nos extratos.
Envie extratos e consulte-os no workspace da Bankstatemently.
Conecte o servidor MCP ao claude.ai e peça ao Claude para converter ou consultar um extrato.
Conecte o mesmo servidor MCP ao modo desenvolvedor do ChatGPT para a mesma camada de memória.
Chame a API REST ou o servidor MCP diretamente do seu próprio framework de agentes.
Memória, no sentido em que ChatGPT e Claude usam o termo, é o que um agente de IA conversacional lembra sobre você entre sessões: suas preferências, pedidos anteriores, o contexto que deve levar adiante. A memória financeira estende essa mesma ideia aos registros financeiros: um lugar onde a memória de um agente sobre suas finanças é tão duradoura e consultável quanto sua memória da conversa.
A diferença está na origem da memória. Uma camada de memória derivada da conversa lembra o que foi dito. A memória financeira é determinística porque é derivada de documentos e verificada por reconciliação: cada fato remete a uma página específica de um extrato bancário específico, e cada saldo é verificado antes de ser confiável. Um agente de IA que raciocina sobre ela não está raciocinando sobre um resumo que alguém digitou uma vez. Está raciocinando sobre os documentos-fonte, estruturados e verificados.
O plano nunca foi apenas converter extratos bancários
No início, achei que a Bankstatemently se tornaria uma empresa de Visão Financeira. Nos últimos meses concluí que isso é estreito demais. Visão é apenas uma parte do problema. Ver é importante, sim. Mas o que vem depois é a compreensão: interpretar através de um modelo coerente da realidade. Isso, na minha opinião, ainda é de longe a parte mais difícil de tornar utilizáveis os dados de documentos financeiros.
Os modelos de IA estão se tornando olhos melhores. Os dias de lutar com 90% de precisão de OCR ficaram em grande parte para trás, e a extração de dados de extratos financeiros continua melhorando. Mas o que a IA ainda tem dificuldade é construir uma representação consistente dos dados financeiros, especialmente quando o mundo real está cheio de inconsistências, ambiguidades e formatos de documentos diferentes.
É por isso que estou começando a pensar no futuro da Bankstatemently como Memória Financeira. Um lugar onde os dados financeiros vivem em um modelo único, consistente e estruturado. Uma camada de memória determinística, fácil de consultar e sobre a qual raciocinar para agentes de IA probabilísticos.
Se essa camada de memória existir, não deveria importar se o raciocínio vem do ChatGPT, do Claude ou de um modelo de código aberto
Um agente de IA solicitado hoje a raciocinar sobre um extrato bancário em PDF precisa reler e reinterpretá-lo do zero toda vez, sem garantia de que lerá o mesmo extrato da mesma forma duas vezes. A memória financeira inverte isso: o extrato é analisado uma única vez em um modelo estruturado e verificado (transações, saldos, contas, datas), e cada agente que o consulta depois recebe a mesma resposta determinística.
Essa estrutura é o que torna os dados financeiros utilizáveis por um agente, e não apenas visíveis para ele. Um modelo de linguagem pode descrever um PDF. Sozinho, não pode garantir que cada transação em cada página foi capturada, nem que um saldo foi transportado corretamente de um extrato para o outro. A camada de memória faz essa verificação uma vez, antecipadamente, para que um agente que a consulte depois raciocine sobre fatos verificados, não sobre um novo palpite.
Você deveria conseguir perguntar em linguagem natural e obter uma resposta com a precisão de um contador. Essa confiança se quebra no momento em que uma camada de memória pode perder uma transação silenciosamente. Uma camada canônica feita à mão que funde dados comparando valor e data, por exemplo, pode colapsar duas cobranças idênticas do mesmo mês em uma única linha, e nada a jusante nunca sinaliza isso: o total fica simplesmente errado.
A memória financeira aqui é construída em torno da reconciliação por continuidade de saldo: cada transação de um extrato precisa explicar o movimento do saldo inicial ao saldo final, página por página. Uma transação faltante, ou uma fusão que descartou uma duplicata, quebra essa cadeia e produz uma falha de reconciliação bem visível, não um total silenciosamente errado. A completude não é presumida. Ela é comprovada, extrato por extrato, antes que qualquer agente possa consultar os dados.
Uma camada de memória que sempre soa confiante é mais perigosa do que uma que admite lacunas. Quando uma consulta toca um período de extrato que ainda não foi reconciliado, ou um documento que ainda não foi capturado, a resposta diz isso em vez de responder silenciosamente com o que estiver disponível. A honestidade de cobertura faz parte da própria resposta, não é algo adicionado depois.
Cada fato que um agente recebe carrega a procedência até a página exata do extrato exato de onde veio, para que uma afirmação sempre possa ser conferida contra a fonte em vez de aceita sem verificação. E a mesma pergunta, feita duas vezes, retorna a mesma resposta: sem reordenação, sem resumir de novo, sem desvio entre uma sessão e a próxima.
A API REST retorna JSON estruturado: transações, metadados de conta e saldos, resolvidos pelo mesmo pipeline determinístico usado em todo o site. Qualquer framework de agentes que possa chamar um endpoint HTTP pode chamar este, sem necessidade de lógica própria de análise de PDF. Veja a referência completa em /developers/api.
O servidor Model Context Protocol expõe a mesma camada de memória como um conjunto de ferramentas que um agente pode chamar diretamente: converter um extrato, listar extratos, buscar um específico, consultar créditos de conta. É a forma mais rápida de dar ao Claude, ChatGPT, Codex, Cursor ou a um framework de agentes personalizado acesso a dados de extratos bancários sem construir uma integração manualmente. Veja /developers/mcp para a configuração.
Conecte o servidor MCP, envie um extrato (ou aponte o agente para um) e faça uma pergunta em linguagem natural: "Qual foi meu gasto médio mensal com assinaturas de software?" ou "Liste cada transferência acima de R$ 2.000 no último trimestre." O agente raciocina sobre dados estruturados e reconciliados em vez de tentar ler o PDF sozinho, o que é a diferença entre uma resposta em que você pode confiar e uma que precisa conferir manualmente.
Agentes de contabilidade construídos sobre um LLM herdam a mesma fraqueza que qualquer LLM tem com documentos-fonte: resumem em vez de capturar exaustivamente. Uma camada de memória financeira dá a esses agentes um livro-razão determinístico para reconciliar: cada transação em cada página, verificada quanto à continuidade de saldo, para que um fluxo de contabilidade automatizado não descarte silenciosamente linhas que nunca leu corretamente.
Conecte-se via MCP em minutos, ou experimente a API diretamente.