IA no financeiro: 14 casos reais e o que eles têm em comum

De onde vem este texto

É material de um fornecedor, e os números são os divulgados pelas empresas. O ebook não fala de custo, de prazo de implantação nem de projetos que deram errado. Ainda assim, é uma das coleções mais concretas de casos de IA em finanças que circulam hoje.

Planejamento e análise: menos coleta, mais decisão

Os cinco primeiros casos são de FP&A. O mais marcante é o da Microsoft: a previsão trimestral envolvia 1.000 pessoas por três semanas, com planilhas subindo de mão em mão até o CFO. Com machine learning, introduzido ainda em 2015, passou a sair em 30 minutos, e a taxa de variação caiu de 3% para 1,5%.

Na Shopify, um agente ligado a três fontes (os dados no BigQuery, a documentação do produto e o passo a passo escrito dos analistas) faz em minutos a análise semanal que tomava dias. O efeito mais interessante é na reunião: a descoberta chega pronta, e a conversa começa em “o que vamos fazer?”.

A Lyft usa IA para a primeira explicação das variações do mês e para resumir os relatórios de 47 bancos que cobrem a ação. A Wasabi transformou seis meses de resumos executivos antigos no modelo de um gerador: toda sexta, um botão monta o texto com os números certos, e a pessoa só edita.

“Ainda não é algo que você pode simplesmente encaminhar para o conselho, mas ajuda muito, porque leva você a essa primeira passada.” Aurélien Nolf, Lyft

Fechamento: o volume repetitivo é o gargalo

O ebook lembra que a empresa média leva de 6 a 10 dias úteis para fechar o mês, e as melhores, de 3 a 5. O gargalo não é a regra contábil; é o volume de trabalho manual que não exige julgamento.

• Fanatics Betting & Gaming: um fluxo sob medida identifica fornecedores e prepara os lançamentos. O contas a pagar do fechamento caiu de 20 horas para 2.
• Workiva: cada lançamento contábil passou de 10-15 minutos para 1-2 minutos. Com centenas por mês, são dias recuperados.
• Walmart: a automação de notas fiscais contra o ponto de venda eliminou a necessidade de várias centenas de pessoas. As exceções fora da rotina continuam indo para alguém.

Operações financeiras: o financeiro deixa de ser balcão

O terceiro bloco trata da enxurrada de perguntas e do dado bagunçado do dia a dia. O Citi melhorou em 50% a acurácia da previsão de caixa da tesouraria. A Mercury Financial levou a análise de dias para horas, com o mesmo time.

O caso mais instrutivo é o da PayJoy: 80% das transações não tinham o nome do fornecedor no campo certo, em 10 países e vários idiomas. Uma solução em etapas limpa e traduz, normaliza, extrai o nome do fornecedor do texto livre e agrupa o que não casa. O relatório mensal que tomava 40 horas de um analista passou a levar poucas horas, e o tempo liberado foi usado para corrigir o dado na origem.

Na Billerud, fabricante sueca de papel, a troca de um OCR antigo por IA na leitura de notas em PDF fez a validação manual cair de 15% para 9% em três meses. Hoje, mais de 90% das notas são validadas sozinhas, e o custo de manuseio caiu 66%.

Contabilidade técnica: a IA busca, o especialista decide

Os dois últimos casos são os que mais nos interessam para quem trabalha com norma, parecer e memorando. Uma CFO independente gerou o rascunho de um registro regulatório para a SEC, a comissão de valores mobiliários americana, em menos de dois minutos, e depois aplicou a própria experiência para validar o conteúdo.

Na Tipalti, um modelo de linguagem treinado em IFRS e GAAP diz o que cada memo técnico precisa conter. O contador decide o tratamento e escreve. Depois, o memo pronto volta para a IA, que resume e aponta o que faltou, como uma checagem de qualidade. São cerca de dois dias economizados por memo.

O julgamento continua com quem conhece a norma. A IA tira a busca do caminho e procura as lacunas.

O padrão que se repete

Lidos juntos, os 14 casos contam a mesma história. O ebook resume em três princípios, e a gente assina embaixo:

1. Dado limpo não é opcional. Segundo o ebook, 70% até dos melhores relatam problemas de qualidade e governança de dados ao integrar IA. Dá para começar com dado bagunçado, como a PayJoy, mas arrumar a origem entra no plano.
2. Aumentar antes de cortar. Quase todos os casos devolveram tempo ao time para análise e decisão. Só o Walmart, pela escala, cortou centenas de funções. Começar aumentando reduz a resistência e permite aprender.
3. Um processo por vez. Ninguém implantou “IA em todo o financeiro”. A Fanatics resolveu a identificação de fornecedores; a Tipalti, os memos. Escolha o gargalo mais chato, resolva, meça e passe ao próximo.

E um quarto, que aparece em quase todos os casos sem estar escrito: a IA prepara, a pessoa decide. A Lyft chama de primeira passada; a Wasabi, de editar uns parágrafos; a CFO da SEC, de validar. É a mesma separação entre quem prepara e quem revisa que todo CFO já usa nos controles internos.

O que isso muda na prática

Metade dos casos nem é agente: é modelo preditivo ou ferramenta de IA usada à mão, pedido por pedido. O passo seguinte é transformar a jogada isolada num fluxo que roda sozinho, com regra, limite de aprovação e registro de cada ação.

• O Analista de IA encontra o gargalo que se repete: o relatório semanal, o contas a pagar do fechamento, a pilha de notas em PDF, o memo que leva dias.
• O Forward Deployed Engineer monta o agente dentro da operação, ligado às fontes certas, com a pessoa aprovando o que foge da regra.
• O treinamento, lado a lado, ensina o time a revisar em vez de executar.

Previsão, notas e memos são só exemplos. Se é tarefa que se repete, no financeiro ou em qualquer outra área, dá para automatizar.