Lopes, Isabel MariaSouza, Wesley Angelino deFerreira, Lucas Scriptore Marques2025-07-172025-07-172025-07-022025http://hdl.handle.net/10198/34673Mestrado de dupla diplomação com a Universidade Tecnológica Federal do ParanáEsta dissertação explora a aplicação prática de modelos de linguagem de grande escala (LLMs), com foco no ChatGPT, no apoio à rotina de trabalho de assessores de investimentos. O objetivo foi desenvolver um assistente virtual personalizado, treinado com engenharia de prompt e dados reais do escritório Wura Invest, credenciado à XP Investimentos. O sistema foi projetado para realizar tarefas como análise de carteiras de clientes, sugestões de alocação, preparação de reuniões e geração de relatórios de performance. A metodologia adotada envolveu o design iterativo do prompt mestre, a curadoria de materiais internos (carteiras, cenários econômicos, posicionamentos) e a realização de testes simulados para validar a eficácia da ferramenta. Os resultados indicaram que o modelo é capaz de realizar análises técnicas coerentes, alinhar recomendações ao perfil do cliente e gerar valor real à prática da assessoria. As limitações observadas estão relacionadas à extração de dados não estruturados e à ausência de conexão com APIs externas, apontando caminhos para futuras melhorias. O projeto contribui para o avanço do uso de Inteligência Artificial (IA) generativa no setor financeiro, ao demonstrar como soluções baseadas em Large Language Models (LLM) podem ser adaptadas com sucesso a contextos profissionais específicos.This dissertation explores the practical application of large language models (LLMs), focusing on ChatGPT, to support the daily work of investment advisors. The objective was to develop a personalized virtual assistant trained through prompt engineering and real-world data from Wura Invest, a financial advisory firm accredited by XP Investimentos. The system was designed to perform tasks such as client portfolio analysis, allocation suggestions, meeting preparation, and performance reporting. The adopted methodology involved iterative prompt design, curation of internal materials (portfolios, economic scenarios, strategic positioning), and simulated tests to validate the assistant’s effectiveness. Results showed that the model can deliver coherent technical analysis, align recommendations with client profiles, and add tangible value to financial advisory practices. Limitations include challenges in extracting unstructured data and lack of API integration, highlighting opportunities for future improvements. The project contributes to the advancement of generative AI in the financial sector by demonstrating how LLM-based solutions can be successfully adapted to specific professional contexts.porInteligência artificialModelos de linguagemChatGPTAssessoria de investimentosEngenharia de promptmaster thesis203971108