Um banco criou seu próprio agente de programação. Ele decolou — Felipe Felisola Caso e Francesco Galletta, Monzo

Autoria: AI Engineer · Assistir no YouTube

Vídeo de autoria do canal indicado, não da IANIA; todos os direitos pertencem ao criador. Transcrição, resumo e tradução gerados automaticamente; o conteúdo no idioma original é preservado na versão em idioma original.

Idioma original: inglês

Vídeo original: A Bank Built Its Own Coding Agent. It Took Off — Felipe Felisola Caso & Francesco Galletta, Monzo · Canal: AI Engineer · 15:05 · Assistir no YouTube

Tópicos: Agentes de IA, Cibersegurança e segurança de software, Engenharia de software com IA

Resumo

Felipe Felisola Caso e Francesco Galletta apresentam o Agent Chip, um agente desenvolvido pela Monzo que atua no Slack e pode responder a perguntas, revisar código e executar tarefas. A equipe atribui o sucesso do agente à infraestrutura da empresa, incluindo um gateway MCP, ambientes isolados e um sistema de orquestração com ferramentas e permissões controladas. O Agent Chip já é usado em tarefas de engenharia, resposta a incidentes, triagem de alertas e apoio a pessoas de outras áreas. A arquitetura modular e independente de provedores permite criar novos casos de uso e escolher modelos conforme a necessidade.

Pontos-chave

O Agent Chip funciona como um colega de equipe disponível no Slack, onde pode responder a perguntas, revisar código e receber tarefas.
Na época da apresentação, o agente era responsável por mais de 10% dos pull requests mesclados na área de tecnologia e executava mais de 1.800 tarefas por dia.
A plataforma da Monzo, com recursos como monitoramento, integrações, ambientes de staging e abstrações de filas, ajudou a viabilizar o agente.
Um gateway MCP conecta agentes a fontes internas de conhecimento e ferramentas, com controle de autenticação, autorização e acesso.
A orquestração executa agentes em sandboxes isolados, com ferramentas e permissões definidas e acesso externo deliberadamente limitado.
O Agent Chip auxilia na investigação de incidentes, na resposta a solicitações entre equipes e na triagem de alertas de qualidade de dados.
Pessoas sem especialização em engenharia podem pedir rascunhos de mudanças, que são testados em staging e revisados por engenheiros antes de serem implantados.
A arquitetura composável e independente de provedores facilita adicionar casos de uso e trocar o modelo usado pelo agente.

Capítulos

Início	Capítulo	Resumo
00:01	A Monzo e o surgimento do Agent Chip	Os apresentadores contextualizam a escala da engenharia na Monzo e mostram como uma reação no Slack deu início ao Agent Chip.
02:37	Adoção e infraestrutura da plataforma	A apresentação destaca o volume de tarefas do agente e explica como a plataforma existente da Monzo possibilitou sua construção.
05:10	Gateway MCP, isolamento e permissões	Os apresentadores descrevem o gateway MCP e a execução dos agentes em sandboxes com acesso controlado.
08:22	Casos de uso e resultados para o negócio	A arquitetura modular sustenta aplicações como investigação de incidentes, respostas entre equipes e triagem de dados.
11:27	Automação proativa e contribuição de não especialistas	O Agent Chip identifica possíveis problemas de dados e ajuda pessoas de outras áreas a preparar mudanças para revisão de engenheiros.
13:31	Flexibilidade de modelos e próximos passos	A Monzo enfatiza a independência de provedores e a ampliação dos tipos de mudanças que os agentes podem preparar e testar.

Citações

LLMs, neste caso, significa muitos pequenos multiplicadores. — 03:39

Queremos que o não determinismo dos agentes seja controlado. — 06:46

Durante um incidente, queremos que o agente mantenha um alto sinal. — 10:26

Como você e sua equipe podem aproveitar os muitos multiplicadores de valor? — 15:05

Conceitos e entidades

Monzo (empresa): Banco digital que desenvolveu o Agent Chip e o utiliza em suas equipes e processos internos.
Felipe Felisola Caso (pessoa): Apresentador que descreve a arquitetura e os usos do Agent Chip na Monzo.
Francesco Galletta (pessoa): Apresentador que participa da apresentação sobre o Agent Chip e sua adoção na Monzo.
Agent Chip (ferramenta): Agente interno da Monzo que opera no Slack e executa tarefas de engenharia e de outras áreas.
MCP (conceito): Protocolo usado na arquitetura apresentada para conectar agentes a fontes internas de conhecimento e ferramentas.
Slack (ferramenta): Plataforma de comunicação onde funcionários podem interagir com o Agent Chip.
GitHub (ferramenta): Serviço citado como parte das integrações que podem ser conectadas à arquitetura do Agent Chip.
Linear (ferramenta): Ferramenta de gestão de tarefas cujos tickets podem ser atribuídos ao Agent Chip.
sandbox (conceito): Ambiente isolado usado para executar agentes com ferramentas e permissões controladas.

Tradução completa (pt-BR)

00:01 [música] >> Bom, nós somos… Uau, isso foi alto. Somos Felipe e Francesco. Viemos falar sobre o valor composto de criar agentes internos na Monzo usando LLMs. Então, o que é a Monzo? Somos um banco. Um banco digital que tenta fazer o dinheiro funcionar para

00:32 todo mundo. Para dar uma ideia do tamanho do problema para agentes de programação: nossas equipes de engenharia mantêm mais de 3.000 serviços de backend, cerca de 13.000 modelos de data warehouse e dezenas e dezenas de preditores de ML. Fazemos todo tipo de coisa, como decidir sobre crédito, detectar crimes financeiros e lidar com casos de uso muito complexos no app, no backend e na área de dados. Então, tenho quase certeza de que, mesmo até hoje,

01:03 mas, fora da conferência, vocês já ouviram falar de muitos casos de sucesso de empresas adotando agentes de IA para programação. Na verdade, houve uma conferência aqui em Nova York algumas semanas atrás, e este artigo foi publicado falando sobre o estado do setor de tecnologia em 2026. Há esta citação, que espero que seja uma brincadeira, no X: se você não está criando seu próprio harness de programação com IA, será que é mesmo uma empresa de tecnologia séria? Fica aí para pensar, certo?

01:35 Então, dentro da Monzo, em janeiro de 2026, este canal do Slack viralizou. Agent Chip. E espero que eu possa… Ah, não, o que aconteceu? Você não pode fazer isso. Tudo bem. Espero que eu possa chamar a atenção de vocês para este emoji aqui. Muito fofo. Adoramos. Isso viralizou muito dentro da empresa, por um ótimo motivo. Você pode enviar qualquer prompt diretamente reagindo à mensagem com o emoji, e

02:05 ele vai pegá-la como um prompt. Isso evoluiu, investimos ainda mais, e ele se tornou um colega de equipe sempre disponível no Slack e em todo o nosso ambiente. Para dar alguns exemplos, ele parece mesmo um colega de trabalho. Está sempre ali. Você pode mencionar o Agent Chip a qualquer momento e pedir que faça algo por você, responda a uma pergunta, descubra algo sobre alguma arquitetura ou simplesmente converse com você, embora eu não ache que ele goste muito disso. Ele também pode fazer revisões de código. Então, como um

02:37 engenheiro muito sênior, ele simplesmente diria que está tudo certo e seguiria o seu caminho. Você também pode atribuir tarefas do Linear a ele. Pode passar tickets, e ele vai cuidar deles. Então, tudo isso é ótimo. Avançando para hoje, o Agent Chip é responsável por mais de 10% de todos os PRs de merge na área de tecnologia, incluindo dados, machine learning, engenharia de backend, app etc.

03:07 Ele também executa mais de 1.800 tarefas por dia, o que é bastante. E está começando a ser adotado ativamente também por usuários das áreas de negócios. Portanto, não é só programação e tecnologia: também está tentando responder a perguntas de negócios, escrever consultas ou ajudar os usuários de negócios a fazerem por conta própria o que precisarem. Então, de novo, vocês ouviram muitas histórias de sucesso sobre empresas adotando agentes de programação com IA, mas e daí? Por que estamos…

03:39 O que estamos tentando compartilhar hoje? Estamos dizendo que queremos nos gabar de ter criado o Claude Tag seis meses antes de a Anthropic lançá-lo? Poderíamos. Mas esse não é o foco da palestra de hoje. Queremos compartilhar o segredo do que torna o Agent Ship um produto bem-sucedido: são os LLMs. Mas, neste caso, LLMs significa, na verdade, muitos pequenos multiplicadores. Acreditamos que o que nos permitiu criar o Agent Ship tão rapidamente e de uma forma tão valiosa foi uma plataforma muito sólida na Monzo. Então, quando dizemos que isso viralizou e que era possível escrever um prompt, reagir e colher os benefícios, na verdade, isso depende de vários recursos que já tínhamos.

04:09 Então, quando dizemos que isso viralizou e que era possível escrever um prompt, reagir e colher os benefícios, na verdade, isso depende de vários recursos que já tínhamos. Como alertas, monitoramento, integrações com terceiros, como as que Francesco mencionou, um ambiente de staging que nos permite testar com facilidade, abstrações de filas, deploy fácil, abstrações de banco de dados e

04:40 várias outras coisas que eu poderia mencionar aqui. Então, antes de mais nada, foi a nossa plataforma que permitiu que o Agent Ship tivesse sucesso. Mas isso não para por aí. Antes mesmo de o Agent Ship existir como agent remoto, começamos a investir no suporte a agentes de programação com IA também em ambientes locais. Uma das primeiras coisas que fizemos foi desenvolver um gateway MCP que permitia acesso fácil a um

05:10 conjunto de fontes de conhecimento, ferramentas internas e alguns dos serviços que Francesco mencionou. Esta é, mais ou menos, a aparência da arquitetura. Temos os serviços internos e as fontes de conhecimento com que queremos nos conectar. Colocamos tudo isso atrás do servidor MCP que criamos, para garantir um comportamento determinístico ao escolher o que queremos expor aos agents; também gerenciamos a autorização e a autenticação para vários agents diferentes. Mais uma vez, isso começou

05:43 no universo dos agents de programação locais que queriam se conectar e, a esta altura, provavelmente todo mundo já ouviu em várias sessões que, quanto mais contexto e dados conseguirmos fornecer com segurança aos nossos agents, melhor. Depois, criamos o sistema de orquestração de agents, que é exatamente o que alimenta o Agent Ship nos bastidores e permite que ele funcione em um sandbox, com ferramentas e permissões muito restritas. Então, voltando ao nosso diagrama, toda a arquitetura do

06:15 servidor MCP basicamente se resume a esta caixa, e é aqui que conectamos o restante da arquitetura do Agent Ship. Temos agents remotos rodando dentro de um sandbox, em um namespace isolado, e então o sistema de orquestração os aciona, lê e obtém essas informações deles. A ideia principal aqui — e, mais uma vez, isso está surgindo em vários provedores, laboratórios e assim por diante — é que queremos

06:46 manter isso separado do restante da nossa infraestrutura de produção. Mais uma vez, somos um banco e operamos em um ambiente regulado, então queremos garantir que o não determinismo dos agents seja controlado. Mas, ao mesmo tempo, queremos ter um ambiente onde possamos deixá-los agir livremente e desenvolver. E, de novo, se ampliarmos isso para mostrar um pouco mais do que acontece nos bastidores: neste namespace isolado, vários pods são iniciados com sandboxes nos quais os agents rodam.

07:18 A imagem do agent é onde definimos exatamente a quais ferramentas os agents terão acesso. Coisas como o ambiente, os CLIs, a autenticação e a autorização, que, mais uma vez, recebemos do próprio gateway. O proxy é o que nos permite conectar ao mundo externo. É assim, por exemplo, que o Agent Chip consegue se conectar ao nosso código, aos nossos repositórios e trabalhar com eles. Mas, claro, só permitimos a saída que escolhemos permitir.

07:50 Então, é assim que garantimos que [fungada] tudo seja muito controlado e que o acesso seja concedido deliberadamente às coisas que queremos que ele consiga ver. Por fim, a caixinha azul e verde ali é onde o próprio agent está rodando. Então, aquela caixa dentro da caixa dentro da caixa é onde ocorre o não determinismo e onde o agent pode fazer tudo o que quiser. É assim que fica o diagrama completo quando conseguimos dar ao nosso

08:22 servidor MCP acesso a tudo o que nos importa para o agent; conseguimos dar a ele acesso seguro aos nossos dados, e o sistema de orquestração de agents cuida de tudo ao redor. Com esses elementos como blocos de construção, fica muito, muito mais fácil criar quaisquer casos de uso que venham depois. Então, como Francesco mencionou, podemos conectar o Slack a isso, depois conectar o GitHub, depois o Linear, e aí uso uma cor diferente para

08:54 mostrar que são mais de 3.000 serviços aos quais podemos nos conectar usando isso como bloco de construção. Assim como vários elementos da nossa plataforma nos permitiram criar o Agent Chip e obter valor com ele, agora que o Agent Chip também é um bloco de construção, diferentes partes do nosso banco podem aproveitá-lo para criar outros casos de uso. Então, começamos a ver que esses blocos de construção nos permitiram não só obter mais

09:24 funcionalidades de produto internamente, mas para gerar resultados concretos para o negócio. Observamos uma maior variedade e volume de tarefas que os engenheiros conseguem executar, como seria de esperar, porque não precisamos que as pessoas fiquem supervisionando seus agents o tempo todo. Elas podem usar seu assistente de programação para tarefas específicas, mas também podem delegar para agents remotos. Podemos automatizar processos rotineiros muito melhor. Isso permite que as pessoas se concentrem nos problemas de maior valor, em que há mais ambiguidade.

09:54 Alguns exemplos do que conseguimos fazer. Este é o Agent Chip trabalhando no modo de incidentes e usando o MCP para obter dados muito relevantes. O que acontece aqui é que, sempre que identificamos e acionamos um novo incidente, o Agent Chip entra no canal e começa uma investigação, analisando logs e traces, conectando-se ao serviço exato e, claro, ao próprio código, para entender o que está acontecendo e ajudar a pessoa com um nível muito alto de relevância.

10:26 Não queremos que o agent fale demais durante um incidente nem que fique testando hipóteses. Queremos que ele mantenha um alto nível de relevância, e também damos às pessoas controle sobre o quanto o Agent Chip poderá ajudar. Podemos continuar usando-o no Slack, não apenas acionando-o ao mencioná-lo, mas também no que chamamos de canais de perguntas. Basicamente, é uma interação entre squads dentro da Monzo. Uma squad precisa de algum contexto sobre um serviço de back-end, sobre o desenvolvimento de um produto ou sobre o roadmap, e o Agent Chip também pode, já que consegue se conectar às nossas fontes de conhecimento, elaborar uma resposta para que a pessoa envolvida possa usá-la como referência e apoio.

10:56 Talvez a resposta seja suficiente, e o Agent Chip possa resolver sozinho o ticket da solicitação. Às vezes, ele pedirá mais contexto, e a pessoa envolvida poderá ser marcada e participar para ajudar mais. Algo que estamos fazendo muito recentemente e que tem gerado muito valor é também fazer a triagem de alertas de qualidade de dados e verificar mudanças no back-end que possam causar problemas. Basicamente, chamamos isso de Agent Chip on Call, e ele observa as falhas que temos e inicia uma investigação automaticamente. Essa é a versão reativa. Mas e se os erros nunca acontecessem? Com base nisso, criamos a versão proativa, que monitora as mudanças no back-end e identifica quais

11:27 são as possíveis consequências que elas podem ter para nossos dados, antes mesmo de os dados serem processados na próxima execução em lote.

11:58 Então, novamente, todos esses são exemplos de como nossa equipe de tecnologia está usando a ferramenta. Mas, melhor ainda, observamos uma redução da barreira para que pessoas não especializadas na empresa contribuam com nossos sistemas. Com uma forma muito simples de começar a usar o Agent Chip no Slack, pessoas não especializadas podem, com base em feedback sobre o produto, em ideias e em discussões que estão tendo, simplesmente chamar o Agent Chip e obter um rascunho funcional, que já foi testado em staging; só então envolver um engenheiro para garantir que as alterações sejam revisadas e implantadas corretamente.

12:29 Isso não muda o rigor com que desenvolvemos software na Monzo, mas permite que várias pessoas não especializadas também comecem a contribuir mais de perto com a equipe. Talvez vocês estejam pensando:

12:59 o mercado está avançando rápido. Estamos ouvindo falar de muitos desenvolvimentos empolgantes, novos produtos e novos recursos de várias empresas aqui na conferência e também fora dela. O que nos faz acreditar que o Agent Chip continuará sendo valioso neste momento, em 2026, e daqui para a frente? Como eu disse — e gosto de repetir —, por ser composable, o Agent Chip agora é um novo bloco de construção que temos na nossa

13:31 plataforma. Isso permite habilitar rapidamente novos casos de uso de implementação com agents na Monzo. Agora podemos conectá-lo com muita segurança, atendendo a todos os nossos requisitos de segurança e, ao mesmo tempo, a todos os requisitos do nosso back-end e da nossa plataforma. Por definição, nossa plataforma é agnóstica em relação ao provedor. Então, se voltarmos ao diagrama, a pequena caixa azul e verde do agent pode ser facilmente substituída por qualquer modelo. Podemos escolher dinamicamente qual modelo atende melhor às

14:03 finalidades que temos. Portanto, por definição, não estamos especificamente vinculados a nenhum provedor, o que nos dá flexibilidade para entender quais opções atenderão melhor às necessidades da Monzo. E, por fim, estamos ampliando continuamente o escopo do processo de desenvolvimento. Mesmo que parássemos de desenvolver hoje, isso já seria valioso, mas podemos abranger muito mais: elaboramos alterações no back-end, elaboramos alterações no app. Podemos

14:34 testar essas alterações em um ambiente de staging e cobrir os testes de dados. Quem sabe? Talvez até os modelos preditivos do outro lado. Assim, quando os agents remotos forem capazes de fazer isso de ponta a ponta, poderemos entender e integrar nossos sistemas muito melhor. Então, mais uma vez, o mercado está avançando; isso não significa que necessariamente ficaremos com o Agent Chip para sempre, mas esses e outros aspectos nos fazem acreditar firmemente que ele é uma parte muito importante da nossa

15:05 plataforma interna agora. E a principal mensagem que quero que vocês levem daqui é: como podem se beneficiar dos LLMs — não dos LLMs tradicionais, mas dos grandes multiplicadores de dados que vocês e suas equipes podem usar para gerar valor? Obrigado. >> [aplausos]

Transcrição original

[00:01] [music] >> Uh, we are Well, that was loud. Uh, we are Felipe and Francesco. Uh, we come to talk to you about the compound value of building Monzo sync house agents using LLMs. Um, so what is Monzo? We are a bank. Digital bank trying to make money work for

[00:32] everyone. Uh, to give you a size of the problem for coding agents, uh, we have our teams of engineers maintaining over 3,000 back-end services, around 13,000 um, data warehouse models, and dozens and dozens of ML uh, predictors. So, we do all sorts of things like deciding on credit, deciding on financial crime, and doing very complex use cases both for the app, the back-end, and data. Um So, I’m pretty sure by even by today,

[01:03] but outside of the conference, you have heard a lot of uh, success cases of companies adopting AI agents for coding. Uh, in fact, uh, there was a conference a couple of weeks ago here in New York, and this article came out talking about the state the state of the tech industry in 2026. Uh, and there is this hopefully jokingly quote from X saying that if you’re not building your own AI coding harness, are you even a serious tech company? So, some food for thought, right?

[01:35] Uh, then inside of Monzo in January 20 26, this a Slack channel went viral. Agent chip. And hopefully I can Oh, no, what happened? You cannot do this. It’s all right. So, hopefully I can bring your attention to this little emoji here. Really cute. We love it. Uh, this became really, really viral inside of the company for a really good reason. You can give it uh, any prompt directly by just reacting with the little emoji to the message and

[02:05] it will pick it up as a, you know, prompt. Uh, so that evolved, we double down, and that became an always available teammate inside our Slack and whole environment. Uh, to give you a few examples, it does feel like a coworker. Uh, it’s just there. You can always at Agent Chip and get it to do something for you, answer a question, find out something about some architecture, or just have a chat with you, but I don’t I don’t think he likes it so much. Uh, it can also do code reviews. So, like a

[02:37] very senior, uh, engineer, you will just tell you it looks good to me and go on your merry way. And you can also assign, uh, linear tasks, as well. So, you can give it tickets and it will just get into it. Um, so all of this is good and well. Uh, forward into today, Agent Chip authors over 10% of all merge PRs across tech, so that’s data, uh, machine learning, that’s, uh, back in engineering, app, etc.

[03:07] Also runs more than 1,800, uh, tasks per day, which is a lot. Um, and it’s being actively, uh, starting to be adopted by business users as well. So, it’s not just coding and tech, it’s also trying to answer business questions, writing queries, or self-serving anything that a business user may need. So, again, you’ve heard many success stories about companies adopting AI coding agents, but so what? Why are we

[03:39] What are we trying to share today? Are we saying that we want to brag that we built Claude Tag 6 months before Anthropic released it? We could be. That’s not the focus of today’s talk. Um, we want to share the secret sauce of what makes Agent Ship a successful product and it’s LLMs. But actually LLMs in this case stands for lots of little multipliers. We believe that what enabled us to build

[04:09] Agent Ship so quickly and so invaluable way is a very strong platform at Monzo. So when we say that this went viral and you could write a prompt, react, and profit. Actually this comes from a number of capabilities we already had. So alerting, monitoring, integrations with third parties such as the ones Francesco mentioned, a staging environment that allows us to test easily, queuing abstractions, easy deployment, database abstractions, and a

[04:40] number of other things I could be mentioning here. So first and foremost what we have in our platform is what allowed Agent Ship to be successful. But this does not stop there. We saw even before Agent Ship as a remote agent existed, we started to invest in supporting AI coding agents even in local environments. So the one of the first things we did was develop an MCP gateway that allowed easy access to a

[05:10] set of knowledge sources and internal tools and some of the services that Francesco mentioned. So this is roughly how the architecture looks like. We have the things we want to connect as the internal services and knowledge sources. And we put that behind the MCP server that we built to get the deterministic behavior choosing what are the things we want to expose to the agents and then we manage also authorization, authentication for the number of different agents. Again, this started in

[05:43] the world of local coding agents that wanted to connect and by by now probably everyone has heard in multiple sessions that the more context and the more data we are able to give safely to our agents the better. After that, we built the agent orchestration system, which is exactly what powers Agent Ship behind the scenes and makes it work in a sandbox and with very strict tools and permissions. So, if we go back to our diagram, the whole architecture for the

[06:15] MCP server basically condenses into this box and this is where we connect the rest of the Agent Ship architecture. So, we have remote agents running inside a sandbox in an isolated namespace and then the orchestration system triggers and then reads and gets this information from from that. The main idea here is and again, this is coming across in a multiple of multiple providers and labs and so on is that we want to

[06:46] separate this from the rest of our infrastructure in production. Again, we are a bank, we live in a regulated environment, so we want to make sure that the non-determinism from the agents is controlled. But at the same time, we want to have an environment where we can let it run loose and develop. And again, if we explode this to give you a bit more under the hood visibility of what is going on. So, in this isolated namespace, multiple pods come up with sandboxes that the agents are running

[07:18] on. The agent image is where we define the exact tools the agents will have as as access. So, things like the environment, the CLIs and the authentication and the authorization that again, we get from the gateway itself. The proxy is what allows us to connect to both the exterior world. So, that’s how for instance Agent Chip is able to connect to our code, to our repositories, and work with that. Um but, of course, we only get the

[07:50] egress that we choose to do choose to give it. Um so, that is how we make sure that [snorts] it’s very controlled and deliberately giving access to the things we want it to be able to see. And finally, the little uh blue-green box there is where the agent itself is running. So, that box inside the box inside the box is where the nondeterminism happens, and it’s where the agent can perform everything that it wants. So, this is how the whole diagram looks like when we are able to give our

[08:22] MCP server access to everything that we care about for the agent, we are able to safely give it access to our data, and the agent orchestration system handles everything that’s around it. With these as building blocks, any use cases that come after it are much, much easier to be built on top of. So, as Francesco mentioned, this we can connect Slack to, and then we can connect GitHub, and then we connect Linear, and then I just use a different color to

[08:54] show this is the more than 3,000 services that we can be connecting to to this as a building block. So, in the same fashion that we had multiple things in our platform that enabled us to build Agent Chip and get value out of it. Now that Agent Chip is also a building block, the multiple parts of our bank can also leverage it to create other use cases. So, we start to see this building blocks enabled us to not only get more

[09:24] um product features internally, but to drive concrete business outcomes. Um we observed a higher breadth and volume of tasks that engineers are able to run, as you you expect, because then we don’t need people to be babysitting their agents all the time. They can use their coding assistant for um specific tasks, but they can also delegate to remote agents. We can automate routine processes much better. So, that allows humans to focus on the higher value problems where the

[09:54] ambiguity lies particularly. Some examples of these that we are able to do. Um this is Agent Chip working in incident mode and leveraging the MCP to get very relevant data. So, what happens here is whenever we identify and trigger a new incident, Agent Chip joins the channel and is able to start an investigation, understanding logs, understanding traces, being able to connect to that exact service, and of course, the code itself to see what’s going on and to help the human with a

[10:26] very high signal. We don’t want the agent to be saying a lot of things during an incident and testing hypotheses like we want it to maintain high signal, and we give the humans also control of how much Agent Chip will be able to support there. We can continue to use it on Slack, but not only by triggering it by mentioning it, uh but also in what we call ask channels. It’s basically squad-to-squad interaction inside Mondzo. A squad needs to have some context on a back-end

[10:56] service, on a product development, on the road map, and Agent Chip can also, since it can connect to our knowledge sources, it’s able to draft a response for the human in the loop to get as reference and support there. Maybe the response will be enough, and Agent Chip can just solve that ask ticket by itself. Sometimes it will ask for more context, and the human in the loop can be tagged um and come in to support more. Um something that we’re doing very

[11:27] recently that’s been uh creating a lot of value is also triaging data quality alerts and checking for back-end changes that can create problems. So, basically we call it Agent Chip on Call and it observes the failures that we have and triggers an investigation automatically. This is the reactive version of it. But, what if the errors never happened in the first place? We created based on this the proactive version that monitors back-end changes and identifies which

[11:58] are the potential outcomes that that can have for our data even before the data is processed in the next batch execution. So, again, all of these are examples of how our technology team is using it, but even better than that, we’ve observed a lower barrier for non-specialists in the company to contribute to our systems. With a very quick entry point for Agent Chip on Slack, non-specialists can, based on product feedback, based on ideas, based on discussions they are

[12:29] having, just call Agent Chip, get a draft that works, that is already tested in staging, and then, and only then, involve an engineer to make sure we get the changes reviewed and deployed properly. So, this doesn’t change the rigor to which we develop software at Monzo, but this does allow a number of non-specialists to also start contributing more closely to the team. You can be thinking now,

[12:59] the market is moving fast. We are hearing a lot of exciting developments and new products and new features coming from multiple companies here in the conference and otherwise. What makes us believe that Agent Chip continues to be a valuable thing at this point in 2026 and moving forward? Um As I said and I like to to reiterate, Agent Chip being composable, it is now a new building block that we have in our

[13:31] platform. So, it very quickly enables new use cases for agentic implementation at Monzo. Now that we can connect it very safely with all our security requirements and all our back end and platform requirements at the same time. Our platform is plat provider agnostic by definition. So, if we come back to the diagram, the little blue/green agent box there can be very easily swapped by any for any model. We can dynamically choose which model best fits the

[14:03] purposes that we have. So, we are not specifically tied to any provider by definition and that gives us flexibility to understand which ones will fit Monzo’s needs the best. Um and finally, we are continued to move to cover a bigger development window. So, if we even if we stop development today, this would already be valuable, but we can cover a much broader sense in terms of we draft changes in the back end, we draft changes in the app. We can

[14:34] test these changes in a staging environment, cover the data tests. Who knows? Maybe even predictors on the other side. So, when remote agents are able to do this end-to-end, we can understand and integrate our systems much better. So again, the market is moving, doesn’t mean that we are necessarily married to agent chip until until the end, but these and other aspects of it make us strongly believe that is it is a very strong part of our

[15:05] internal platform now. And the key takeaway that I want to I want to you all to take from is how can you benefit from LLMs, but not the traditional LLMs, but the lots of data multipliers that you and your team can use to leverage value. Thank you. >> [applause]