A Revolut Research é a nova unidade de investigação em inteligência artificial da Revolut e terá como principal activo tecnológico o PRAGMA, uma família de modelos fundacionais concebida para analisar sequências de eventos bancários. A estrutura, anunciada a 25 de Agosto de 2026, concentra investigação aplicada a áreas como detecção de fraude, avaliação de risco de crédito e recomendações de produtos.
A criação da unidade formaliza uma área de investigação que já tinha produzido resultados públicos. O artigo científico que descreve o PRAGMA foi publicado no arXiv a 9 de Abril de 2026 e identifica 14 autores ligados ao projecto, entre os quais Pavel Nesterov e Anton Repushko.
A Revolut afirma ter ultrapassado os 80 milhões de clientes em 40 países, um número que a própria empresa comunicou a 25 de Agosto. A informação representa uma actualização face aos mais de 70 milhões de clientes ainda referidos no estudo de caso da NVIDIA sobre o PRAGMA.
Revolut Research concentra o desenvolvimento de IA financeira
A Revolut Research foi criada para concentrar investigação e desenvolvimento de modelos próprios de inteligência artificial aplicados aos serviços financeiros.
A unidade integra a equipa global de inteligência artificial da Revolut e é liderada por Anton Repushko. De acordo com a empresa, a estrutura terá como missão desenvolver arquitecturas de aprendizagem automática e manter colaboração com instituições académicas e tecnológicas.
O principal projecto associado à nova unidade é o PRAGMA da Revolut. Ao contrário de sistemas concebidos de forma independente para tarefas específicas, a arquitectura procura criar uma representação comum do comportamento financeiro que possa servir diferentes aplicações.
A abordagem já está documentada fora do comunicado de lançamento. Num artigo publicado em Junho, a NVIDIA descreveu os modelos fundacionais para transacções como uma alternativa arquitectónica aos sistemas separados de fraude, crédito, recomendações e risco. A empresa tecnológica cita Revolut, Mastercard, Adyen, Stripe e outras instituições como exemplos desta linha de desenvolvimento.
PRAGMA cria uma base comum para fraude e crédito
O PRAGMA é uma família de modelos baseados na arquitectura Transformer que processa sequências provenientes de diferentes tipos de eventos bancários.
Um pequeno artigo sobre o PRAGMA, publicado em arxiv.org, descreve uma arquitectura que recebe dados heterogéneos e utiliza aprendizagem auto-supervisionada para criar representações que podem ser reutilizadas em tarefas posteriores. Entre os casos analisados estão a avaliação de crédito, a detecção de fraude e a previsão do valor do cliente.
A arquitectura utiliza três codificadores para tratar atributos do utilizador, eventos individuais e histórico de longo prazo. O sistema converte os dados numa representação comportamental comum e utiliza diferentes métodos para tratar campos categóricos, valores numéricos e informação temporal.
As diferentes versões do PRAGMA variam entre cerca de 10 milhões e mil milhões de parâmetros. A versão PRAGMA-S, com aproximadamente 10 milhões, foi concebida para cenários nos quais a latência tem peso operacional, como a análise de fraude no momento de uma transacção.
A NVIDIA indica ainda que o modelo Llama-Nemotron-Embed-1B-v2 é usado para representar campos de texto não estruturado, como descrições de comerciantes. Nos testes divulgados, esta componente esteve associada a uma melhoria de 16,1% no desempenho da previsão de risco de crédito.
Treino utilizou milhares de milhões de eventos financeiros
O PRAGMA foi pré-treinado com cerca de 26 milhões de registos de utilizadores provenientes de 111 países.
A NVIDIA refere um conjunto de aproximadamente 24 mil milhões a 40 mil milhões de eventos, 207 mil milhões de tokens e cerca de 28 meses de histórico. O intervalo varia entre as configurações e os conjuntos considerados na documentação técnica.
O treino recorreu a GPU NVIDIA H100 instaladas na infraestrutura da Nebius AI Cloud. De acordo com o estudo de caso, o PRAGMA-S completou o processo em cerca de dois dias com 16 GPU, enquanto versões maiores exigiram aproximadamente duas semanas com grupos de 16 a 32 GPU.
A Nebius também documenta a utilização do PRAGMA e refere três configurações principais, com 10 milhões, 100 milhões e mil milhões de parâmetros. A empresa indica que estes modelos utilizam dados correspondentes a mais de 40 mil milhões de eventos de cerca de 25 milhões de utilizadores, diferença que reflecte o conjunto e a versão descritos por cada fonte.
Pode ler os resultados detalhados de benchmarking técnico, explorar o estudo de caso em https://www.nvidia.com/en-us/case-studies/revolut/
Esta escala de dados constitui um dos elementos centrais da estratégia de inteligência artificial na banca seguida pela Revolut. Os números, contudo, não permitem concluir que a dimensão do conjunto de dados se traduza automaticamente numa vantagem sobre modelos utilizados por outras instituições.
Benchmarks internos apontam ganhos em fraude e recomendações
Os testes internos divulgados pela Revolut atribuem ao PRAGMA melhorias face aos modelos de produção anteriormente utilizados pela empresa.
No risco de crédito, a NVIDIA refere uma precisão 2,3 vezes superior na identificação do risco de incumprimento. Na detecção de fraude, o estudo de caso aponta para uma melhoria de 64,7% na taxa de detecção e de 16,7% na precisão dos alertas.
Nas recomendações de produtos, a melhoria reportada é de 41%. A Revolut também associa a arquitectura comum a ciclos de desenvolvimento de modelos entre três e cinco vezes mais rápidos, sobretudo pela redução do trabalho necessário para criar características específicas para cada projecto.
Estes resultados devem ser interpretados como benchmarks internos da Revolut, e não como uma avaliação independente do PRAGMA. A documentação pública não disponibiliza todas as métricas absolutas necessárias para comparar directamente o sistema com modelos de instituições concorrentes.
A redução do trabalho de preparação de características é também referida por Tadas Kriščiūnas, Head of Group Credit Data Science da Revolut. Numa declaração publicada pela NVIDIA, o responsável afirmou, em tradução do original, que a equipa passou de «semanas, ou em alguns casos meses, de engenharia de características para não ser necessário qualquer tempo para essa tarefa».
Revolut Research formaliza uma estratégia já em desenvolvimento
A Revolut Research transforma numa unidade institucional uma estratégia de investigação que já tinha produzido o PRAGMA e trabalhos apresentados publicamente ao longo de 2026.
A publicação científica de Abril constitui a principal referência técnica disponível sobre o modelo. A NVIDIA apresentou também o PRAGMA no contexto dos modelos fundacionais para transacções e disponibilizou um exemplo destinado a instituições que pretendam desenvolver arquitecturas semelhantes sobre dados financeiros.
Esta tendência não está limitada à Revolut. A NVIDIA identifica projectos de modelos fundacionais para transacções na Mastercard, Stripe, Nubank, Visa e Plaid, o que demonstra que a utilização de arquitecturas Transformer sobre dados financeiros estruturados já constitui uma área de investigação e desenvolvimento em várias empresas do sector.
A criação da Revolut Research deve, por isso, ser lida sobretudo como uma formalização organizacional desta estratégia. O elemento técnico diferenciador que pode ser confirmado é a tentativa de reutilizar uma representação comum de dados comportamentais em várias tarefas, em vez de desenvolver uma arquitectura isolada para cada aplicação.
A empresa afirma que pretende publicar novos trabalhos científicos, disponibilizar estruturas técnicas com código aberto e reforçar a participação da equipa em conferências. O impacto dessas iniciativas só poderá ser avaliado à medida que as publicações, o código e os resultados associados forem disponibilizados.
FAQ – Perguntas frequentes
O que é a Revolut Research?
O que é o PRAGMA da Revolut?
Quantos dados foram usados para treinar o PRAGMA?
Que resultados obteve o PRAGMA?
Os resultados do PRAGMA foram validados de forma independente?
Outros artigos interessantes:
