Venture Capital LATAM: IA acelera inteligência de investimentos

Um fundo de venture capital cujos fluxos de investimento dependem de acesso rápido ao conhecimento institucional — histórico de deals, discussões entre sócios, notas de diligência, decisões internas e atualizações do portfólio. Como acontece com muitos times de VC, o contexto operacional do fundo está distribuído entre as ferramentas usadas no dia a dia por sócios e analistas: Slack para conversas, Notion para registros de decisões e notas internas, Google Drive para decks e documentos e Affinity CRM para acompanhamento de deals e relacionamentos.

À medida que o fundo escala, manter continuidade entre essas fontes se torna essencial para a qualidade das decisões, a velocidade de execução e o onboarding de novos membros do time — sem depender de repasses manuais de informação.

O conhecimento interno do fundo estava espalhado por múltiplos sistemas, tornando demorada a reconstrução de contexto para responder a uma única pergunta. As informações existiam em formatos e locais diferentes — threads no Slack, páginas no Notion, pastas no Drive e registros no CRM — e, com frequência, o time precisava alternar entre ferramentas ou “perguntar para alguém” para montar a história completa por trás de um deal, decisão ou relacionamento.

Antes do projeto, uma busca típica por contexto levava entre 9 e 12 minutos por pergunta. Além da perda de tempo, a fragmentação gerava atrasos operacionais concretos: detalhes importantes podiam passar despercebidos, o racional histórico das decisões nem sempre era fácil de rastrear até a fonte original e o onboarding de novos integrantes exigia esforço adicional para transmitir conhecimento que já existia — mas não estava acessível de forma consistente.

Ao mesmo tempo, a solução precisava atender a requisitos rigorosos de privacidade e controle de acesso. O fundo exigia que o assistente operasse integralmente dentro do seu próprio ambiente AWS e que as respostas fossem sempre baseadas apenas nos documentos que cada usuário estivesse autorizado a visualizar.

Em parceria com a AWS, a Elevata desenhou e implementou um assistente de conhecimento baseado em GenAI, operando diretamente dentro do Slack e capaz de recuperar contexto confiável e sensível a permissões a partir dos sistemas internos do fundo.

Em vez de treinar um modelo customizado com os dados do fundo, a Elevata implementou uma arquitetura de Retrieval Augmented Generation (RAG). Nesse modelo, o assistente recupera conteúdos internos relevantes no momento da consulta e utiliza esse contexto recuperado para gerar a resposta, mantendo os dados sob controle e respeitando as permissões existentes.

Decisões de arquitetura e seleção de modelos

A Elevata avaliou múltiplas opções de foundation models disponíveis via Amazon Bedrock e SageMaker JumpStart, com foco em compreensão de linguagem natural, geração de respostas contextualizadas e integração segura com dados corporativos privados.

Os critérios priorizaram a capacidade de sumarizar contexto de investimentos e negócios com clareza, suportar recuperação de informações a partir de múltiplas fontes com segurança em nível de documento e operar integralmente dentro da conta AWS do fundo para atender aos requisitos de privacidade — ao mesmo tempo em que oferecia uma experiência nativa no Slack para maximizar adoção.

A arquitetura final combinou:

• Amazon Bedrock para tarefas de geração de linguagem

• Cohere para geração de embeddings semânticos

• Amazon OpenSearch Service para busca vetorial e filtragem por metadados

• RBAC no OpenSearch, aplicado durante a recuperação para garantir que cada usuário acesse apenas o conteúdo autorizado

• AWS Cognito para autenticação baseada em JWT, integrada ao modelo de permissões

Essa abordagem garantiu que o controle de acesso fosse aplicado antes que qualquer contexto chegasse ao modelo, evitando vazamentos acidentais e mantendo as respostas sempre ancoradas em fontes permitidas.

Construção da camada de conhecimento com retrieval e metadados

Em vez de realizar fine-tuning de um LLM, a Elevata construiu uma camada de retrieval sobre o conteúdo existente do fundo — documentos, threads do Slack e registros do CRM — enriquecida por meio de chunking, embeddings e tagging com metadados.

O conteúdo foi indexado com um schema que permite filtragem por origem, proprietário ou grupo de usuários, tags e data, melhorando a qualidade da recuperação e garantindo rastreabilidade das respostas até a fonte original.

Um cluster dedicado de Amazon OpenSearch foi configurado com índices vetoriais k-NN para viabilizar recuperação semântica, além de pipelines de ingestão customizados para embutir e armazenar documentos conforme eram ingeridos. As regras de RBAC foram associadas à identidade do usuário, permitindo que a mesma pergunta gere resultados diferentes de acordo com as permissões — sem alterar a experiência do usuário.

Integração de dados com o stack do fundo

Para criar uma experiência de conhecimento unificada, a Elevata sincronizou o assistente com os principais sistemas do fundo:

• Slack (canais e threads)

• Notion (notas, políticas e registros de decisão)

• Google Drive (decks, documentos e planilhas)

• Affinity CRM (deals, contatos e registros de diligência)

Com essas fontes indexadas em uma camada comum de retrieval, o assistente passou a responder perguntas combinando contexto entre ferramentas — por exemplo, recuperando o histórico de discussões no Slack, validando o estágio atual do deal no Affinity e vinculando a resposta ao registro específico de decisão no Notion que documentou o racional.

Fluxo em tempo de execução e iteração

Na prática, os usuários interagem com o assistente diretamente no Slack. Uma pergunta em linguagem natural dispara a recuperação de trechos relevantes no OpenSearch, filtrados via RBAC. O contexto recuperado é então enviado a um modelo no Amazon Bedrock, que gera uma resposta baseada exclusivamente nessas fontes.

A Elevata conduziu duas rodadas iterativas de testes com analistas e sócios para refinar prompts, melhorar a precisão da recuperação e validar que as respostas respeitavam consistentemente as regras de RBAC e o tom interno do fundo. Essa iteração focou em acurácia, latência e tratamento de casos extremos, garantindo que o assistente fosse útil em fluxos reais de investimento — e não apenas em cenários controlados.