Kepler constrói IA verificável para serviços financeiros com Claude: mais de 26 milhões de registros indexados, respostas prontas para auditoria

A Kepler, fundada em 2025 pelos ex-engenheiros da Palantir Vinoo Ganesh e John McRaven, construiu uma plataforma de pesquisa financeira que prioriza a auditabilidade em vez de IA de caixa-preta. Após conversar com 147 firmas financeiras e ouvir "Como devo confiar em algo que não posso auditar?", eles projetaram um sistema onde Claude atua como camada de raciocínio, mas todas as saídas são verificadas contra uma infraestrutura determinística.

Principais decisões arquiteturais

• Escala: Indexou mais de 26 milhões de documentos da SEC, 50 milhões de documentos públicos e 1 milhão de documentos privados em mais de 14.000 empresas e 27 mercados globais em menos de três meses. Stack: AWS, Rust, Python, contêineres para orquestração.
• Engenharia de contexto: Claude recebe tarefas precisamente definidas com conhecimento estruturado do domínio, definições e limites rígidos sobre o que resolver versus escalar. O modelo é tratado como um estágio em um pipeline, não como o sistema inteiro.
• Raciocínio em múltiplas etapas: Para consultas como dias de estoque em aberto ao longo de 8 trimestres, Claude deve decompor a pergunta, puxar os períodos fiscais corretos, lidar com reafirmações e aplicar a fórmula certa. Em benchmarks, todos os modelos de fronteira tiveram desempenho comparável em consultas simples, mas apenas Claude manteve os planos coesos em 4-5+ etapas interdependentes sem abandonar restrições.

Lidando com ambiguidade

A Kepler descobriu que Claude para e pede esclarecimentos quando um termo tem múltiplos significados em finanças, enquanto outros modelos silenciosamente escolhem uma interpretação. "Esse comportamento importa mais do que qualquer pontuação de benchmark", disse o CEO Vinoo Ganesh. "Uma suposição errada no início de uma análise financeira quebra tudo a jusante."

Design da camada de confiança

A plataforma combina o raciocínio de Claude com infraestrutura determinística que valida cada número até o arquivo, página e item de linha exatos. Essa separação entre interpretação e computação garante que, mesmo que o modelo cometa um erro, a camada de verificação o capture antes que chegue ao analista.