Como a Banlek transforma o atendimento com IA generativa e agentes usando o Amazon Bedrock

Por Daniel Abib, arquiteto especialista sênior de soluções na AWS.

A Banlek é uma startup brasileira de fotografia e a maior plataforma de fotos da América Latina, conectando fotógrafos e clientes para a venda de fotos online com tecnologia de reconhecimento facial. A empresa nasceu de uma observação prática: em 2019, na praia do Rio de Janeiro, o idealizador Sérgio Illa, piloto da reserva da Aeronáutica aposentado, fotografava o filho surfando quando percebeu a demanda espontânea de outras pessoas pelo registro daquele momento. Ali, ele enxergou o potencial de um negócio em torno da venda de fotos. A partir dessa percepção, a Banlek foi fundada oficialmente em janeiro de 2020, em Jaraguá do Sul, Santa Catarina, por Sérgio Illa e Jonathas Guerra (programador e atual CEO), e evoluiu de uma ideia voltada ao surf para um marketplace completo de fotografia esportiva e de eventos.

A plataforma da Banlek cobre toda a jornada da foto, do clique à venda: o fotógrafo registra a operação em campo, as imagens são publicadas na plataforma e o cliente final encontra apenas as fotos em que aparece por meio de reconhecimento facial. Com mais de 20 mil fotógrafos cadastrados, 10 mil clientes em todos os estados do Brasil e operações em praças como o Maracanã, o Mineirão e o Cristo Redentor, além da expansão recente para Portugal, Estados Unidos e Chile, a Banlek se posiciona como referência em foto esportiva na América Latina, com cerca de 80% dos álbuns de fotografia esportiva criados no segmento. Desde a fundação, a empresa já movimentou R$ 500 milhões e figura entre os aplicativos mais baixados da App Store no Brasil.

Nesta publicação, explicamos como a Banlek está utilizando o Amazon Bedrock e o Amazon Rekognition para sustentar o processamento de 180 milhões de fotos por mês e para automatizar a análise de risco de pagamentos a fotógrafos com agentes de IA generativa, reduzindo em 70% o esforço de atendimento e em 60% o trabalho manual de análise de risco, e permitindo que um saque solicitado caia na conta do fotógrafo em aproximadamente um minuto.

O desafio: escalar operações financeiras e atendimento sem escalar a equipe na mesma proporção

O modelo de negócio da Banlek é desenhado para colocar o fotógrafo em primeiro lugar. Diferentemente de marketplaces que negociam exclusividade e patrocínio de eventos, a Banlek não cobra pela publicação de fotos, não exige contrato de exclusividade e pratica uma das menores taxas do mercado. O foco está na operação diária do fotógrafo, e um diferencial competitivo central reforça essa proposta: a Banlek é a única plataforma do mercado que antecipa os recebíveis ao fotógrafo no dia seguinte à venda. Uma venda realizada às 23h fica disponível para saque já à meia-noite, em um ciclo de 24 horas.

Esse diferencial, somado a um crescimento acelerado, criou um gargalo operacional significativo. A plataforma chegou a crescer 60% de um mês para o outro, dobrando de tamanho em ciclos curtos. O volume de saques acompanhou o ritmo: foram mais de 80 mil saques em um único mês, contra cerca de 20 mil no mesmo período do ano anterior, um crescimento de quatro vezes. Cada solicitação de saque precisava de uma decisão: aprovar ou não a transferência do saldo ao fotógrafo.

Antes da adoção de IA generativa, esse processo era inteiramente manual. Cada saque era avaliado individualmente por um analista, que decidia caso a caso se o valor deveria ser liberado. A análise de risco envolvia, entre outras verificações, confirmar a legitimidade da operação e a consistência dos documentos, um trabalho que, no volume de mais de R$ 30 milhões transacionados em fotos em um único mês, tornava-se humanamente difícil de sustentar com a qualidade e a velocidade exigidas.

O desafio se desdobrava em duas frentes:

• Análise de risco de saques: o crescimento exponencial do número de transações tornava inviável manter a avaliação manual de cada solicitação. Treinar e reter analistas de risco é difícil e o processo manual está sujeito a erros, e a Banlek precisaria dobrar ou triplicar a equipe a cada ciclo de crescimento.
• Atendimento (SAC): o mesmo crescimento sobrecarregava as equipes de atendimento ao fotógrafo e ao cliente final. Com um ticket médio de R$ 20 e um dos maiores volumes de acesso entre os sites brasileiros, o número de interações de suporte crescia na mesma proporção que o negócio.

A Banlek precisava de uma solução que permitisse: automatizar a decisão de aprovação de saques mantendo o rigor da análise de risco; reduzir a carga de atendimento sem perder qualidade; sustentar a expansão internacional (Portugal, Estados Unidos e Chile) sem multiplicar o time operacional; e preservar a experiência que diferencia a plataforma: o dinheiro na conta do fotógrafo de forma rápida e segura.

“Eu não acredito que a gente tenha capacidade de crescer e de amadurecer a empresa, de ir para o Chile, para Portugal, para os Estados Unidos, sem ter que contratar uma multidão. Por isso colocamos a IA como tomadora de decisão”, explica Guilherme Melo, CTO da Banlek.

A solução: Amazon Bedrock como motor de decisão e Amazon Rekognition como base de escala

Para resolver esse desafio, a Banlek adotou o Amazon Bedrock como camada central de IA generativa, acessando modelos de linguagem de última geração por meio de uma única API gerenciada, sem a necessidade de provisionar ou gerenciar infraestrutura de Machine Learning. Para os agentes de decisão, a empresa selecionou o modelo Claude Sonnet da Anthropic, priorizando a capacidade de raciocínio em operações de maior valor financeiro.

A migração para o Amazon Bedrock trouxe ganhos imediatos de confiabilidade. Em uma fase anterior, a Banlek acessava os modelos por meio de outro gateway de multimodelos e enfrentava falhas intermitentes e latência nas chamadas. Ao centralizar o acesso aos modelos no Amazon Bedrock, a Banlek ganhou estabilidade e menor latência nas chamadas, com uma única API gerenciada.

“Eu estava usando outro modelo, em outro gateway de multimodelos, e a gente acabava tendo falhas e latência. Tudo isso diminuiu muito com o Amazon Bedrock. Fiquei mais tranquilo, parei de ficar monitorando porque simplesmente não estava mais falhando”, comenta Guilherme.

Antes mesmo da camada de decisão, o reconhecimento facial é o que viabiliza a escala da Banlek. Em um único jogo no Maracanã, a operação cobre o torcedor desde a chegada à passarela até a saída do estádio, gerando milhões de fotos. Pedir que cada pessoa procurasse a si mesma em meio a esse volume seria inviável.

A Banlek utiliza o Amazon Rekognition para que cada cliente encontre apenas as fotos em que aparece e possa comprá-las diretamente. Esse recurso, além de tornar a experiência possível em escala, agrega uma camada de segurança e privacidade: uma pessoa não tem acesso às fotos de outra. Foi o reconhecimento facial que destravou o crescimento da plataforma e permitiu operações de grande porte, como a cobertura do amistoso entre Estados Unidos e Alemanha, sustentando os 180 milhões de fotos processadas por mês.

O núcleo da automação com IA generativa da Banlek está na decisão de aprovação de saques. Em vez de partir diretamente para a automação total, a empresa adotou uma abordagem de maturação em três fases, que preservou o conhecimento dos analistas humanos e garantiu confiança no resultado:

1. Captura do conhecimento humano. Na primeira fase, cada analista que aprovava um saque passou a registrar por que aprovava aquela transferência. Essas justificativas estruturadas formaram a base de conhecimento sobre os critérios reais de decisão.
2. Analisador de risco assistido. Na segunda fase, foi criado um analisador que atribuía a cada saque uma pontuação de risco de 0 a 100, indicando o quanto a operação deveria ou não ser aprovada. O analista humano validava a recomendação e confirmava o envio, calibrando o modelo.
3. Decisão autônoma com validação humana. Na terceira fase, a IA passou a aprovar diretamente os saques de baixo risco e a encaminhar para revisão humana apenas os casos que exigem atenção, em uma abordagem de IA como tomadora de decisão com human-in-the-loop.

Como a Banlek já utiliza o Amazon Rekognition, o agente de risco se beneficia de verificações adicionais de consistência, por exemplo a checagem de identidade e a validação de que os documentos da operação são legítimos, fortalecendo a defesa contra fraudes no ciclo de pagamento.

A mesma abordagem foi aplicada ao atendimento (SAC). Com a equipe sobrecarregada pelo crescimento acelerado, um agente baseado em IA generativa passou a responder às demandas de fotógrafos e clientes finais, absorvendo o volume repetitivo de interações e liberando a equipe humana para os casos de maior complexidade. A qualidade percebida do atendimento automatizado chegou a ser elogiada espontaneamente por usuários da plataforma.

Arquitetura da solução

A arquitetura da Banlek na AWS foi desenhada para ser escalável, segura e orientada à decisão. Os principais componentes incluem:

• Amazon Bedrock como camada central de IA generativa, acessando o modelo Claude Sonnet para os fluxos de análise de risco e atendimento.
• Amazon Rekognition para o reconhecimento facial que conecta cada cliente às fotos em que aparece, em escala de centenas de milhões de imagens por mês.
• AWS Lambda para a execução do agente de análise de risco. A escolha pelo Lambda foi deliberada por motivos de segurança e isolamento: o agente de risco roda em um fluxo fechado, sem expor APIs intermediárias, reduzindo a superfície de interferência sobre uma operação financeira sensível. A janela de execução de até 15 minutos do Lambda acomoda todo o processamento necessário para a decisão.
• Amazon Elastic Container Service (Amazon ECS) para a execução do agente de atendimento, em um modelo de contêineres adequado a cargas conversacionais contínuas.
• Operação atualmente centralizada na região us-east-1 (Norte da Virgínia), com a infraestrutura preparada para uma futura estratégia multirregião que acompanhe a expansão internacional.

A combinação de serviços gerenciados permite que a Banlek mantenha uma arquitetura limpa e desacoplada, na qual cada componente de IA pode ser atualizado ou substituído de forma independente, incluindo a troca de modelos no Amazon Bedrock sem refatoração de código, sem impactar o restante da plataforma.

Figura 1 – Arquitetura de alto nível do atendimento inteligente da Banlek, com os agentes de IA generativa atendendo o fotógrafo e o WhatsApp, abstraindo o core de fotos e pagamentos da plataforma.

Resultados

A adoção do Amazon Bedrock e do Amazon Rekognition trouxe resultados expressivos para a Banlek e seus fotógrafos. Mais do que ganhos pontuais de produtividade, a combinação de reconhecimento facial em escala com agentes de IA generativa removeu os gargalos que ameaçavam frear o crescimento da empresa, permitindo que a Banlek absorvesse picos de demanda, mantivesse a qualidade do atendimento e sustentasse sua proposta de valor central, tudo isso sem ampliar a estrutura operacional na mesma proporção do negócio. Os principais resultados observados foram:

• Redução de 70% no esforço de atendimento, com o agente de IA absorvendo o volume repetitivo de interações de suporte.
• Redução de 60% no trabalho manual de análise de risco de saques, com a IA assumindo a decisão sobre a liberação das transferências.
• Equipe mantida enxuta mesmo com a empresa dobrando de tamanho: em vez de dobrar ou triplicar o time de análise de risco, como exigiria o crescimento, a Banlek manteve a estrutura atual e aprimorou o processo, evitando a contratação de uma grande quantidade de analistas.
• Saque na conta em minutos: a antecipação de recebíveis em 24 horas, combinada à decisão automatizada, faz com que o valor solicitado pelo fotógrafo seja liberado quase imediatamente.
• Escala sustentada: 180 milhões de fotos processadas e R$ 32 milhões transacionados em um único mês, com crescimento de até 60% mês a mês, sem perda de qualidade operacional.

“O que mais facilitou foi tranquilizar o crescimento que esperamos para o resto do ano. A análise de risco era um gargalo enorme: encontrar e treinar pessoas é muito difícil e havia muito erro. Continuamos com a equipe do tamanho que está, melhoramos o processo dela, e isso destravou a operação”, destaca Guilherme.

Próximos passos

A visão da Banlek vai além da automação atual. Entre as iniciativas em desenvolvimento e planejadas estão:

• Estratégia multimodelo orientada a valor: variar dinamicamente o modelo de linguagem utilizado conforme o valor e o perfil de cada saque, otimizando a relação entre custo e precisão. A expectativa é capturar uma redução de custo operacional adicional à medida que modelos mais leves passem a atender os casos de menor risco.
• Agentes comerciais: dois novos agentes, um voltado à venda e outro ao atendimento, integrados ao painel do fotógrafo, incluindo um assistente que acompanha o histórico e antecipa as necessidades de cada profissional.
• Atendimento autônomo via WhatsApp: após limitações de integração com a ferramenta anterior, a Banlek desenvolveu sua própria solução de atendimento via WhatsApp, com o objetivo de operar de forma autônoma e escalar o humano apenas quando o próprio agente identificar essa necessidade.
• Evolução para serviços financeiros: com a base de usuários já utilizando a plataforma como meio de movimentação de recebíveis, a Banlek planeja avançar em direção a uma oferta de fintech e meios de pagamento.
• Expansão internacional: sustentar a operação no Chile, em Portugal e nos Estados Unidos, evoluindo a arquitetura para um modelo multirregião na AWS.

Conclusão

A Banlek demonstra como startups brasileiras podem utilizar serviços gerenciados de IA generativa na AWS para resolver problemas reais de negócio com velocidade e escala. Ao combinar o Amazon Bedrock com o Amazon Rekognition, a empresa transformou um processo manual e sujeito a erros, a análise de risco de cada saque, em uma decisão automatizada e auditável, e absorveu o crescimento do atendimento sem multiplicar a equipe.

Com 180 milhões de fotos processadas por mês, redução de 70% no atendimento e de 60% no trabalho manual de análise de risco, e a entrega de recebíveis ao fotógrafo em aproximadamente um minuto, a Banlek mantém o que a diferencia no mercado: colocar o fotógrafo em primeiro lugar, enquanto sustenta a expansão pela América Latina e além. A arquitetura Serverless e desacoplada na AWS dá à empresa a liberdade de experimentar modelos e escalar sob demanda, focando no produto em vez de na infraestrutura.

Se sua empresa enfrenta desafios semelhantes na automação de decisões em escala ou deseja explorar o potencial da IA generativa com o Amazon Bedrock, entre em contato com seu representante AWS ou visite o site do Amazon Bedrock para saber mais.

Autor

Daniel Abib é arquiteto especialista sênior de soluções na AWS, onde apoia clientes na adoção de arquiteturas de nuvem e soluções de IA Generativa. Com mais de 25 anos de experiência em gerenciamento de projetos, arquiteturas de soluções escaláveis, desenvolvimento de sistemas e CI/CD, microsserviços, arquitetura Serverless & Containers e especialização em Machine Learning, Daniel trabalha apoiando startups e empresas de diversos segmentos para acelerar a inovação com serviços AWS.