Coloque uma equipe de research de banco dentro da IA: como ganhar dinheiro com o framework multiagente TradingAgents

O problema: o teto de um agente único em decisões complexas

Quem já usou GPT ou Claude para análise de investimentos conhece a dor: pedir para um único modelo julgar fundamentos, sentimento e análise técnica ao mesmo tempo vira uma salada. Ou sai um “manter” vago, ou a linha de raciocínio quebra — num segundo fala que o balanço superou expectativas, no outro já mudou para “sentimento fraco”.

Não é QI do modelo. É arquitetura. Num banco de verdade, a decisão é dividida: analistas cuidam de áreas específicas, pesquisadores debatem entre si, traders olham sinais, risco define stop loss. Um único agente fazendo tudo isso inevitavelmente distorce o resultado.

O pulo do gato do TradingAgents é separar esse pipeline em sete agentes independentes — analista fundamentalista, analista de sentimento, analista de notícias, analista técnico, pesquisadores (debate touro vs. urso), trader e gestor de risco — cada um faz seu trabalho, briga com o outro e no final tudo é consolidado.

A oportunidade: não é um oráculo de ações, é um “sandbox padrão” de colaboração entre IAs

A primeira reação de muita gente é “vou usar isso para operar ações”. Errado. Isso é tratar o TradingAgents como misticismo.

O ponto é outro: é um template de sistema de decisão complexo, open source, modificável e funcional.

Quem presta serviços de IA pode copiar a arquitetura multiagente daqui. Quem produz conteúdo pode extrair material cognitivo sobre “como a IA decide”. Quem quer criar produto pode dar fork e construir um assistente de decisão para um nicho vertical.

No GitHub, esse projeto está entre os frameworks multiagente mais comentados (o número exato de estrelas varia com o tempo; a fonte original cita entre 56k e 98,9k, não verificado de forma independente). Código limpo, documentação completa, comunidade ativa. Para quem quer estudar colaboração entre IAs, é uma mesa de dissecação pronta.

Caminhos: três rotas de monetização

Passo 1: Serviços — crie “kits de agentes de decisão” para outros setores

A arquitetura do TradingAgents é modular: camada de analistas, camada de pesquisadores (debate touro vs. urso), camada de trader, camada de risco. Cada camada é um agente independente.

A lógica do serviço é simples: troque “research financeiro” por cenários de decisão de outros setores.

• Decisão de produto para e-commerce: um agente analisa volume de vendas, outro preço de concorrente, outro risco de supply chain. No final, debatem se vale a pena lançar o produto. Mudança prática: reescreva o system prompt do analyst.py, troque a fonte de dados de balanços pela API do Mercado Livre ou Shopee, substitua o MACD por tendência de vendas.
• Decisão de pauta de conteúdo: agentes analisam algoritmo da plataforma, sentimento do público e padrões virais, depois debatem se a pauta vale a pena. Mudança: troque a fonte de notícias por dados do Lemon8 ou TikTok, substitua “balanço” por “taxa de retenção / engajamento”.
• Decisão de contratação: agentes avaliam aderência do currículo, desempenho na entrevista e risco de fit cultural, depois debatem se a oferta deve ser feita. Mudança: troque a API de dados de mercado por um parser de currículos; a lógica do agente de risco muda de “stop loss” para “probabilidade de aprovação no período de experiência”.

Na minha experiência, o Claude entrega a inferência mais estável; o GPT-4o às vezes dá tilt. O n8n é mais rápido de subir que o Make, porém mais caro — depende do seu orçamento. Quando o cliente ouve “7 IAs discutindo para decidir por você”, o orçamento dobra na hora.

Âncora de preço (ajuste conforme o cliente): versão customizada para um cenário, R$ 5.000–12.000 (comparável a um relatório de consultoria boutique). Versão generalista para o setor, a partir de R$ 18.000 (comparável a um dashboard de BI sob medida).

Passo 2: Conteúdo — transforme “como a IA pensa” em infoproduto

Quando o TradingAgents roda, ele gera o registro completo do debate: o que o touro argumentou, como o urso rebateu, qual lógica o trader adotou no final.

Esse registro é material de conteúdo escasso.

Crie uma conta “diário de investimentos com IA” no Lemon8 ou TikTok. Rode uma ação por dia, grave a tela do debate e transforme em vídeo curto. O título usa o conflito direto: “GPT touro vs. Claude urso: comprar Tesla ou não?” — esse tipo de conteúdo tem retenção altíssima.

⚠️ Aviso de compliance: conteúdo com recomendação de compra ou venda de ações específicas dispara moderação de valores mobiliários nas plataformas. A conta provavelmente será limitada ou banida. Mostre apenas o processo de debate, sem recomendação. Use títulos como “como as IAs brigam” em vez de “devo comprar?”.

Jogada avançada: compile os debates em um “Relatório Semanal de Decisão com IA” e venda no Mercari ou em comunidade fechada por R$ 50–150/ano. O público-alvo são iniciantes e pequenos investidores que querem aprender frameworks de decisão. Eles não pagam por research de banco, mas pagam pelo subproduto de uma “simulação de banco com IA”.

Valor oculto: esses dados de debate podem treinar seu Second Brain (base de conhecimento pessoal). Monte uma base sobre “em que condições a IA muda de julgamento” e use isso em qualquer decisão futura.

Passo 3: Produto — SaaS de “research com IA” para nichos verticais

O TradingAgents é open source, mas a fonte de dados e os prompts específicos do setor são o fosso competitivo.

Exemplo com e-commerce: adapte a arquitetura para um “kit de agentes de seleção de produtos”. Conecte fontes de dados do Mercado Livre, Shopee e API de anúncios do TikTok. Reescreva os prompts para o cenário de escolha de produto. Um vendedor de Shopify ou Shopee paga R$ 300–1.200/mês por “10 produtos potenciais gerados automaticamente por dia” (comparável a um plano premium de ferramenta de inteligência de mercado, com margem de 6x).

Stack técnica por fase:

• MVP mínimo viável: Streamlit + módulos centrais do TradingAgents + uma API key. Dá para subir em três dias.
• Versão avançada: frontend em Next.js, backend em FastAPI, orquestração de agentes com LangGraph (motor de workflow) ou CrewAI.
• Escala: Railway ou Vercel, conectando APIs de dados por setor.

Cold start com SEO e tráfego pago no Lemon8, usando palavras-chave como “ferramenta IA para escolher produto” e “assistente de research com IA”. Os primeiros usuários vêm de comunidades de e-commerce e grupos de Telegram sobre investimentos.

Cálculo de custo: não deixe a taxa de API comer sua margem

Sete agentes rodando em sequência consomem cerca de 15k–30k tokens por decisão, com custo de R$ 0,30–0,90 por execução usando GPT-4o. Se o cliente rodar uma vez por dia, o custo mensal de API fica entre R$ 9 e R$ 27. Cobrando R$ 300–1.200/mês, a margem bruta fica em 60–70%. Sustentável.

Para reduzir custo: use GPT-4o-mini ou Llama local nos agentes não críticos (sentimento, notícias), derrubando o custo para R$ 0,06–0,18 por execução. O debate entre pesquisadores é o núcleo — não economize aí.

Caso real: como é uma decisão gerada pelo TradingAgents?

A fonte original menciona suporte a backtest e paper trading (não verificado de forma independente). Suponha que você rode para Tesla:

1. Analista fundamentalista: puxa o último balanço e conclui “receita +15% a/a, margem bruta em recuperação”.
2. Analista de sentimento: varre Twitter e Reddit e conclui “sentimento de varejo otimista, mas menções institucionais em queda”.
3. Analista de notícias: captura Bloomberg e Reuters e conclui “expansão da fábrica de Xangai é catalisador positivo”.
4. Analista técnico: roda MACD e RSI e conclui “sobrecomprado no semanal”.
5. Debate dos pesquisadores: o touro diz “fundamentos + expansão sustentam o longo prazo”; o urso diz “sobrecompra técnica + sentimento no topo”.
6. Trader: consolida e decide “posição pequena de teste, stop loss em -5%”.
7. Gestor de risco: checa correlação da carteira e alerta “exposição a tech já está alta, sugiro reduzir 20%”.

Rodar esse fluxo entrega uma densidade cognitiva muito maior do que passar o dia lendo fórum de investimento.

Chamada para ação: comece hoje à noite

Pare de salvar links. Abra o GitHub, busque TradingAgents, clone o repositório e siga três passos:

1. Rode o caso padrão: use uma API key da OpenAI ou Anthropic e peça uma análise da Apple para ver o debate completo.
2. Mude uma variável: troque o ticker por uma categoria de produto que você conhece (ex.: “vale a pena lançar esse modelo de camiseta?”) e veja como os agentes debatem.
3. Grave um conteúdo: grave a tela do debate e publique no Lemon8 ou TikTok com o título “7 IAs brigando para decidir se compro Tesla”.

Volte em três dias e me conte quanto você ganhou.

og_image: “https://iamrichman.com/img/covers/ai-money-playbook-mtj23ari-og.png“
transid: ai-money-playbook-mtj23ari

E se você não sabe programar?

• Use os templates multiagente do Coze ou Dify em modo arrastar e soltar, sem tocar em Python.
• Ou use o Web Demo do TradingAgents (se o autor tiver deployado), digite o ticker e veja o debate na hora. Grave a tela e use como material de conteúdo.
• O caminho mais preguiçoso: rode o caso padrão uma vez, tire print do debate, publique no Lemon8 com a legenda “7 IAs analisaram a Apple para mim”. Ainda assim ganha seguidores.