O Direct AI da Morningstar reformula uma promessa recorrente dos fornecedores — «dados mais modelos» — como uma plataforma de agentes pronta a usar, dirigida especificamente a profissionais de investimento. Em vez de disponibilizar um assistente genérico com acesso aos dados da Morningstar, o Direct AI oferece agentes especializados que aplicam as classificações, avaliações e dados de fluxos da empresa a fluxos de trabalho concretos: desenvolvimento de produtos, estratégia de distribuição e análise de gestores. Esta mudança é importante porque, na gestão de ativos e nos canais de consultoria, os utilizadores precisam muitas vezes de respostas fundamentadas em sinais proprietários específicos e que possam ser justificadas, e não de sínteses narrativas sem limites definidos.
Cada agente incorpora os modelos institucionais da Morningstar: modelos de procura e concorrência por categoria no desenvolvimento de produtos, análise de lacunas em carteiras-modelo na distribuição e verificações do comportamento das carteiras ao nível de um analista na análise de gestores. Para as equipas que criam ou avaliam fundos, isto reduz o trabalho manual de cruzar folhas de cálculo, consultar classificações e reunir notas de analistas. Também redefine a relação com o fornecedor: os compradores licenciam a lógica e os conjuntos de dados do agente, e não apenas um índice de pesquisa. Assim, decisões recorrentes — como a dimensão de um lançamento, estratégias de posicionamento e etapas de diligência — podem ser tomadas mais depressa, embora aumente a necessidade de controlos de acesso robustos e de auditabilidade.
Na prática, o valor mais imediato do Direct AI está em acelerar os fluxos de trabalho e permitir justificar melhor as decisões. Um gestor de produto pode perguntar que categorias da Morningstar revelam procura, mas pouca concorrência, e obter respostas que combinam fluxos, curvas de crescimento por categoria e o tempo que os pares demoram a atingir escala — dados que antes exigiam várias consultas e o julgamento de um analista. As equipas de distribuição podem simular como a inclusão de um fundo altera as exposições de uma carteira-modelo; os analistas de gestores podem identificar mudanças recentes nos padrões de negociação ou nos fatores que explicam os retornos, com base nos conjuntos de dados da Morningstar. Isto reduz a carga cognitiva das equipas que têm de justificar decisões perante comités e reguladores.
No entanto, os modelos de preços, integração e governação dos agentes verticais diferem dos dos assistentes genéricos. Os compradores devem avaliar a frequência de atualização da pesquisa incorporada, a clareza da proveniência dos dados nas respostas dos agentes e os mecanismos de controlo de alucinações ou extrapolações indevidas dos modelos. As empresas devem testar os agentes em tarefas bem delimitadas e auditáveis, exigir relatórios explicativos exportáveis (cadeias lógicas e referências aos dados) e garantir contratualmente níveis de serviço relativos à atualidade dos dados. Para os fornecedores, o desafio está em transformar propriedade intelectual proprietária em lógica de agente reutilizável sem expor conjuntos de dados sensíveis nem criar regras demasiado rígidas e frágeis.