Acelerando a Due Diligence de Fusões e Aquisições com o Amazon Bedrock AgentCore

O desafio do processo de due diligence em F&A

Equipes de fusões e aquisições (F&A) enfrentam uma pressão constante: analisar múltiplos alvos de aquisição com profundidade e velocidade ao mesmo tempo. Na prática, analistas passam semanas coletando dados de bases financeiras, pesquisas de mercado, registros regulatórios e repositórios internos — e depois reconciliam tudo manualmente.

O problema se agrava quando as equipes repetem trabalho. Modelos de valuation, pesquisas setoriais e análises competitivas são recriados do zero para cada novo negócio, sem aproveitar o conhecimento acumulado em transações anteriores. Por outro lado, times jurídicos e de conformidade exigem que as conclusões geradas por IA sejam rastreáveis e embasadas em fontes verificáveis — o que freou historicamente a adoção de automação nessa área.

Quatro pressões combinadas — ciclos lentos, dados fragmentados, esforço duplicado e exigências de governança — criam uma abertura clara para que agentes de IA transformem a forma como a due diligence funciona.

Como agentes de IA mudam a equação

A AWS demonstra, em um post técnico recente, como o Amazon Bedrock AgentCore pode orquestrar agentes autônomos que tratam cada uma dessas pressões de forma integrada:

Coleta de dados: agentes consultam múltiplas fontes simultaneamente e sintetizam os resultados em avaliações preliminares, eliminando o ciclo repetitivo de busca e resumo manual.
Priorização inteligente: o sistema avalia oportunidades com base em critérios estratégicos e direciona os alvos mais promissores para os especialistas certos, indicando exatamente quais dimensões merecem análise mais profunda.
Memória institucional: cada análise concluída enriquece uma camada de memória compartilhada, de modo que negócios futuros se beneficiem de pesquisas anteriores, premissas de valuation e lições de integração já registradas.
Governança nativa: cada afirmação emitida pelo agente é ancorada em uma citação verificável, e trilhas de auditoria são geradas automaticamente a cada invocação.

Duas rotas de implementação

A AWS apresenta dois caminhos para implementar essa solução, adequados a necessidades organizacionais distintas.

Opção 1: Amazon Quick (solução integrada)

O Amazon Quick oferece capacidades de IA prontas para uso, voltadas a fluxos de inteligência de negócios e pesquisa. É o caminho mais rápido para produção quando os requisitos se encaixam em padrões de análise convencionais. O serviço inclui geração de relatórios exportáveis (Amazon Quick Research), automação de tarefas repetitivas com fluxos pré-construídos (Amazon Quick Flows) e busca unificada em fontes conectadas (Amazon Quick Index).

Essa opção é indicada para quem quer implantar rapidamente, prefere serviços totalmente gerenciados e não precisa de customizações profundas. Para detalhes e arquitetura de referência, a AWS disponibilizou o anúncio do Amazon Quick. Também é possível estender o Quick com agentes customizados do AgentCore para requisitos específicos, como modelos proprietários de valuation — o post Construindo Gestão Inteligente de Contratos com Quick e AgentCore mostra como combinar os dois.

Opção 2: Arquitetura customizada com Amazon Bedrock AgentCore

O Amazon Bedrock AgentCore oferece controle granular sobre o comportamento dos agentes, memória e coordenação. Essa abordagem é indicada para equipes de F&A com metodologias proprietárias, requisitos complexos de coordenação entre múltiplos agentes, integrações com sistemas internos especializados ou necessidade de controle total sobre a seleção de modelos.

O restante do post técnico da AWS explora essa arquitetura customizada em detalhe, usando um cenário de due diligence no setor de transporte e logística como contexto.

Arquitetura de referência

Para equipes que optam pelo caminho customizado, a arquitetura de referência proposta pela AWS mostra como todas as peças se encaixam de ponta a ponta.

O sistema usa o AgentCore Runtime para coordenar um fluxo de due diligence com múltiplos agentes especializados, por meio do Strands Agents SDK. Um agente supervisor coordena quatro especialistas, cada um responsável por uma fase distinta do processo:

Agente de Triagem de Alvos: identifica candidatos à aquisição convertendo consultas em linguagem natural para SQL e executando-as contra o Amazon Aurora PostgreSQL. Uma consulta como “empresas de logística mid-market com receita entre 100M e 500M USD e margem de EBITDA acima de 12%” é traduzida automaticamente em uma query parametrizada, e os resultados são enriquecidos com contexto narrativo da base de conhecimento.
Agente de Análise Financeira: realiza análise de valuation usando fontes estruturadas e não estruturadas. Aplica metodologias padrão como Fluxo de Caixa Descontado (DCF) e análise de empresas comparáveis, buscando múltiplos de mercado via ferramenta integrada ao AgentCore Gateway. Sinaliza projeções da gestão que divergem do desempenho histórico.
Agente de Fit Estratégico: avalia riscos de integração, sinergias e alinhamento organizacional. Recupera contexto de transações anteriores armazenadas na memória do AgentCore (usando um namespace dedicado prior_deals) e compara o perfil do alvo atual com aquisições já concluídas.
Agente de Validação de Conformidade: audita respostas contra o checklist de governança de F&A. Invoca um avaliador customizado de verificação de citações (implementado como função AWS Lambda) que examina cada afirmação factual e sinaliza assertivas sem fonte de suporte.

Componentes-chave da arquitetura

A solução combina dados estruturados e não estruturados para ancorar as respostas dos agentes em fontes verificadas:

Amazon Aurora PostgreSQL Serverless v2: armazena dados financeiros e operacionais estruturados. O Agente de Triagem gera SQL a partir de linguagem natural e executa as consultas via RDS Data API.
Amazon Bedrock Knowledge Bases: a capacidade de Geração Aumentada por Recuperação (RAG) totalmente gerenciada do Bedrock indexa documentos de due diligence, incluindo memorandos de informações confidenciais (CIMs), demonstrações financeiras e checklists de governança.
AgentCore Gateway: permite que os agentes interajam com segurança com ferramentas externas via integrações compatíveis com o Protocolo de Contexto de Modelo (MCP). Políticas Cedar impõem controles de acesso determinísticos sobre o uso das ferramentas.
AgentCore Memory: mantém estado contextual e conhecimento institucional reutilizável entre interações. A memória de sessão preserva a continuidade da conversa, enquanto o namespace de longo prazo prior_deals armazena lições de aquisições concluídas.
AgentCore Evaluations: usa avaliadores baseados em Lambda para validar automaticamente a qualidade dos outputs, precisão de citações e critérios específicos do domínio.
Amazon Bedrock Guardrails: aplica controles de segurança e resposta em todo o fluxo, no nível do supervisor.
Observabilidade: cada invocação gera um stream de logs no Amazon CloudWatch e um trace no AWS X-Ray que captura toda a hierarquia de chamadas do supervisor aos especialistas e ferramentas.

Segurança como parte da arquitetura

Due diligence de F&A envolve alguns dos dados mais sensíveis que uma empresa manipula: financeiros não divulgados, termos de negócio e planos de integração. Por isso, a segurança é tratada como componente de primeira classe na arquitetura:

Todas as permissões de Gerenciamento de Identidade e Acesso (IAM) são escopadas para um Nome de Recurso da Amazon (ARN) específico, sem uso de wildcards.
O AgentCore Gateway aplica uma política Cedar com negação padrão (default-deny) e autorização baseada em atributos: a ferramenta de dados de mercado só executa quando o código de setor solicitado corresponde a um vertical aprovado.
A camada de banco de dados fica em sub-redes privadas isoladas da internet, atrás de endpoints de Nuvem Privada Virtual (VPC).
Os datastores são criptografados em repouso com o Serviço de Gerenciamento de Chaves (KMS), e o Amazon Bedrock Guardrails filtra todas as respostas do supervisor para conteúdo prejudicial e conselhos financeiros personalizados.

Implantando e executando o exemplo

A implementação de referência completa está disponível no repositório M&A Due Diligence Multi-Agent Sample no GitHub. O repositório inclui dados sintéticos (sem empresas reais, dados financeiros ou informações pessoais identificáveis), implantação com um único comando e um notebook Jupyter de guia passo a passo. O custo estimado para um ciclo completo de implantação, execução e limpeza é inferior a USD 5,00.

Pré-requisitos

Antes de implantar, é necessário ter:

Uma conta AWS com acesso aos modelos do Amazon Bedrock habilitado para Anthropic Claude e Amazon Nova. Para disponibilidade por região, consulte Modelos suportados por região da AWS no Amazon Bedrock.
AWS Command Line Interface (AWS CLI) v2.15 ou superior.
Python 3.11 ou superior.
Node.js 20 ou superior.
AWS Cloud Development Kit (AWS CDK) v2 (npm install -g aws-cdk).

Não é necessário ter o Docker instalado localmente. A imagem de contêiner do agente é construída no AWS CodeBuild. A implantação é suportada nas regiões: us-east-1, us-west-2, ap-southeast-2 e eu-central-1.

Passo 1: Implantar o stack

Clone o repositório e execute o script de implantação. A primeira implantação leva entre 20 e 25 minutos:

# macOS / Linux
git clone https://github.com/aws-samples/sample-ma-due-diligence-agentcore.git
cd sample-ma-due-diligence-agentcore
./deploy.sh

# Windows
git clone https://github.com/aws-samples/sample-ma-due-diligence-agentcore.git
cd sample-ma-due-diligence-agentcore
.\deploy.ps1

O script verifica a região e o acesso ao modelo, cria um ambiente virtual, executa cdk deploy --all, popula os dados sintéticos e roda um smoke test pós-implantação. Também instala o projeto em modo editável, registrando a ferramenta de linha de comando mna usada nos próximos passos.

Passo 2: Invocar os agentes

Use o CLI mna para enviar prompts a especialistas individuais ou deixar o supervisor rotear entre eles:

# Deixar o supervisor orquestrar entre os especialistas
mna invoke supervisor "Screen the mid-market logistics targets with revenue 100M-500M, then run a DCF on the top hit." --session-id walkthrough-session-00000000-0001

# Triagem de Alvos: text-to-SQL no Aurora + enriquecimento narrativo da KB
mna invoke target_screening "Screen the target pipeline for transportation companies with revenue between 100M and 500M USD, EBITDA margin above 12%, and fleet size above 200. Surface the top three and tell me what the CIM says about the leader's growth trajectory." --session-id walkthrough-session-00000000-0001

# Análise Financeira: recuperação da KB + ferramenta de dados de mercado via Gateway
mna invoke financial_analysis "Run a DCF on Example Corp using the CIM in the knowledge base. Flag any management projection that diverges from historical performance by more than 20% and pull comparable multiples for transportation-logistics mid-market." --session-id walkthrough-session-00000000-0001

# Fit Estratégico: recuperação de longo prazo na memória do AgentCore
mna invoke strategic_fit "Compare Example Corp' integration profile against our three most recent completed acquisitions. Identify the top three integration risks and cite the source memos." --session-id walkthrough-session-00000000-0001

Cada invocação imprime um trace_id no rodapé. Use mna trace <trace_id> para inspecionar o trace completo do X-Ray para aquela chamada.

Passo 3: Validar outputs com o avaliador

O subcomando mna evaluate executa o avaliador de verificação de citações contra o output de um especialista:

# Capturar uma resposta em formato JSON
mna --json invoke financial_analysis "Run a DCF on Example Corp using the CIM." --session-id blog-demo-session-00000000-000002 > run.json

# Extrair texto de resposta e citações
python -c "import json,pathlib;d=json.loads(pathlib.Path('run.json').read_text());pathlib.Path('response.txt').write_text(d['text'])"
python -c "import json,pathlib; d=json.loads(pathlib.Path('run.json').read_text()); pathlib.Path('citations.json').write_text(json.dumps(d['citations']))"

# Executar o avaliador de verificação de citações
mna evaluate --response-file response.txt --citations-file citations.json

O avaliador retorna um resultado estruturado de aprovação ou falha, com contagens de afirmações totais, suportadas e sem suporte. O código de saída é 0 em caso de aprovação e 1 em caso de falha, tornando-o compatível com pipelines de Integração Contínua (CI).

Passo 4: Explorar o notebook

Para uma tour guiada célula a célula do mesmo fluxo:

jupyter lab notebooks/walkthrough.ipynb

Limpeza dos recursos

Para evitar cobranças contínuas, destrua todos os recursos implantados ao terminar:

# macOS / Linux
./cleanup.sh

# Windows
.\cleanup.ps1

O script de limpeza executa cdk destroy --all --force e depois roda uma varredura de verificação em busca de recursos órfãos: buckets S3 com prefixo mna-*, repositórios ECR com prefixo mna-*, Amazon Bedrock Knowledge Bases com mna no nome, runtimes, memórias e gateways do AgentCore, e stacks do AWS CloudFormation iniciando com Mna. Para mais detalhes sobre limpeza de recursos do CDK, consulte a documentação do AWS CDK.

Próximos passos e extensões

A AWS sugere alguns caminhos para estender essa arquitetura:

Adicionar um front-end de produção: o Full-Stack Starter Template for AgentCore (FAST) oferece uma interface React, autenticação via Amazon Cognito e distribuição pelo Amazon CloudFront, integrada diretamente ao AgentCore Runtime.
Construir agentes especialistas adicionais: o arquivo CONTRIBUTING.md do repositório documenta o layout de arquivos, o padrão Strands e o processo de registro no supervisor para adicionar novos agentes — como um agente de registros regulatórios ou de pontuação ESG.
Explorar orquestração avançada: o Strands Agents SDK suporta múltiplas abordagens de coordenação, incluindo agents-as-tools, swarms e grafos de agentes. A documentação de padrões de colaboração multi-agente cobre cada abordagem em detalhe.
Conectar fontes de dados adicionais: o AgentCore Gateway suporta APIs HTTP, servidores MCP e alvos do Amazon API Gateway além da única ferramenta Lambda demonstrada no exemplo.

Conclusão

A AWS demonstrou como construir um sistema multi-agente no Amazon Bedrock AgentCore capaz de automatizar a due diligence de F&A no setor de transporte e logística. A arquitetura coordena agentes especializados para triagem de alvos, análise financeira, avaliação de fit estratégico e validação de conformidade — reduzindo semanas de trabalho analítico para horas.

Os padrões apresentados se estendem naturalmente a outros domínios de due diligence, incluindo saúde, serviços financeiros e aquisições de tecnologia. Para começar, basta clonar o repositório de exemplo, implantar o stack na sua conta AWS e experimentar modificar um agente especialista ou adicionar um novo.

Fonte

Accelerating M&A due diligence with Amazon Bedrock AgentCore (https://aws.amazon.com/blogs/machine-learning/accelerating-ma-due-diligence-with-amazon-bedrock-agentcore/)