A distância entre o hype e a realidade da IA nas finanças
Inteligência artificial e automação viraram palavras da moda no mundo das finanças, mas a distância entre o discurso e a prática ainda é gigante. Mais de três anos depois que o ChatGPT reacendeu o interesse global em IA, muitas empresas continuam descobrindo, na prática, onde essa tecnologia realmente se encaixa no dia a dia financeiro.
Um levantamento recente do Gartner mostrou algo bastante revelador: quase 60% dos times de finanças já estão testando ou implementando projetos de IA, mas apenas 7% dos CFOs relatam um impacto real e significativo nessas iniciativas. Ou seja, a diferença entre um projeto piloto e um resultado concreto que move o ponteiro do negócio ainda é uma lacuna enorme para a maioria das organizações.
Como Mohit Sharma, cofundador da startup Pinaka AI e profissional com décadas de experiência em finanças, colocou de forma direta: a IA está passando por uma crise de identidade neste momento. Mas isso não significa que nada está funcionando. Pelo contrário — existem casos reais, com pessoas reais, que mostram onde a tecnologia entrega valor de verdade. 🎯
Três profissionais de finanças de diferentes partes do mundo compartilharam como estão usando IA e automação nos seus contextos, o que deu certo, o que não deu e quais lições ficaram no caminho.
Prever quem vai atrasar o pagamento antes que isso aconteça
Mohit Sharma cofundou a Pinaka AI em 2023 para resolver uma dor que ele ouviu repetidamente ao longo da sua carreira global em finanças. O problema era simples de entender e extremamente difícil de resolver: cerca de 60% das faturas emitidas em ambientes B2B não são pagas no prazo.
Quando um pagamento atrasa, as consequências se multiplicam rapidamente. A equipe comercial pode precisar renegociar contratos. A empresa pode precisar contrair dívida para cobrir o buraco no fluxo de caixa. É um ciclo vicioso que consome tempo, energia e dinheiro de várias áreas ao mesmo tempo.
A solução da Pinaka AI, que hoje conta com cerca de uma dúzia de funcionários, é um software que prevê quais clientes vão atrasar o pagamento e identifica o motivo específico pelo qual isso deve acontecer. A plataforma está sendo testada em fase piloto por dois grandes fabricantes na Índia.
Segundo Sharma, o algoritmo da empresa consegue fazer previsões com 96% de precisão. Hospedada na Oracle Cloud, a plataforma também utiliza IA generativa para recomendar ações ao usuário e pode redigir e enviar e-mails personalizados para ajudar a cobrar pagamentos antes do vencimento.
O sistema funciona integrando dados espalhados por diferentes fontes — como sistemas de CRM, ERP, agências de crédito e até notícias — para criar o que Sharma descreve como uma versão única da verdade sobre o comportamento de pagamento de cada cliente. Ele utiliza quatro tipos de IA em conjunto: um mecanismo de recomendação, inteligência decisória, um algoritmo de classificação e IA generativa.
A startup ainda está nos estágios iniciais, tendo completado recentemente um programa de aceleração, mas Sharma destaca que a nova geração de ferramentas de IA tornou muito mais rápido e econômico desenvolver esse tipo de produto. Em outros tempos, automação tradicional poderia ter abordado parte do problema, mas não com a mesma velocidade nem com a capacidade de lidar com a complexidade dos dados envolvidos.
Quando estamos resolvendo complexidade, precisamos de sistemas inteligentes, resumiu Sharma.
Unificando planos de contas bagunçados com ChatGPT
Janice Stucke, CPA e candidata a CGMA, assumiu no ano passado o cargo de CFO da CREW Network, uma associação que conecta mais de 14 mil mulheres do mercado imobiliário comercial ao redor do mundo.
Ao chegar, Stucke encontrou um departamento financeiro que ainda emitia cheques em papel e precisava de uma reformulação profunda. Era exatamente sua área de especialidade — ela já havia implementado automação de processos robóticos (RPA) e IA generativa em empregos anteriores.
Mas antes de automatizar qualquer coisa, havia um obstáculo gigantesco pela frente. Os dados contábeis da organização estavam espalhados por cerca de 50 entidades diferentes, cada uma com seu próprio plano de contas. Havia subsidiárias, entidades adjacentes, operações em vários países e formatos completamente distintos. Esse cenário fragmentado gerava mais de 10 mil linhas de transações no razão geral por mês e tornava o processamento de pagamentos extremamente lento.
Manter tudo funcionando exigia codificação customizada constantemente atualizada — uma dívida técnica enorme para uma organização com apenas 35 funcionários.
O dividendo de tempo que a IA proporcionou
Stucke decidiu criar um plano de contas consolidado para todas as entidades, mas transformar todo o histórico da estrutura antiga para a nova era um projeto massivo. Da forma tradicional, sua equipe levaria semanas, mesmo com ajuda de consultores, usando macros de planilha ou RPA — e ambas as abordagens exigiriam customização para as inúmeras variações de formato e definição dos dados.
A solução de Stucke foi diferente: ela usou sua conta corporativa do ChatGPT para fazer a transformação. Inseriu os planos de contas e pediu para a IA mapear os dados para o novo formato unificado. A ferramenta conseguia, inclusive, resolver a variabilidade na forma como cada entidade rotulava suas transações — usando IA generativa para interpretar as diversas maneiras como os planos podiam categorizar algo como receita de eventos, por exemplo.
Funcionou — até certo ponto. Depois de executar a transformação perfeitamente em dez planos consecutivos, a IA poderia implementar um método novo e indesejado no próximo. Stucke também enfrentou frustrações comuns com IA generativa, como alucinações e erros. Ela tentou fazer o ChatGPT incluir fórmulas que mostrassem e verificassem seu próprio trabalho, mas simplesmente não conseguiu que a ferramenta fizesse isso corretamente.
A solução? Implementar suas próprias fórmulas de verificação, da mesma forma que faria com trabalho humano ou com RPA, para checar o razão unificado contra os dados antigos.
Meu processo de controles internos não mudou, explicou Stucke.
Mesmo com as frustrações, a abordagem com IA entregou resultados mais rápidos e confiáveis em dias — permitindo que ela avançasse com a automação da função financeira. E tudo aconteceu com um produto relativamente genérico, acessível e barato.
Stucke acredita que essa nova onda de produtos de IA está empoderando pequenas e médias empresas a experimentar. Muitas dessas organizações sentem que não têm o talento necessário para implementar sistemas complexos, mas agora é possível pegar um produto genérico e automatizar processos com muito menos esforço do que antes — desde que haja uma visão clara por trás da iniciativa. 💡
Corrigindo processos manuais em escala continental
Os avanços mais valiosos em IA e automação não acontecem sem uma fonte de dados unificada e acessível. Essa tem sido uma prioridade central no trabalho de Lawrence Amadi, sócio e líder do negócio de risco tecnológico da KPMG África.
Entre seus clientes estão algumas das maiores operadoras de telecomunicações do continente — uma delas com mais de 85 milhões de assinantes. Amadi vem trabalhando com essas empresas para transformar seus sistemas de gerenciamento de cartões SIM, que autenticam e gerenciam as identidades dos usuários e seus dispositivos na rede.
A empresa dependia de processos manuais para administrar esse volume colossal de dados. Aproximadamente uma vez por semana, funcionários faziam download dos dados e verificavam registros incompletos ou anômalos. Esse processo manual aumentava o risco de exportação incompleta de dados e de fadiga de auditoria entre os funcionários.
Fica muito estressante e desanimador, descreveu Amadi.
O objetivo da KPMG África era automatizar a exportação, análise e geração de exceções a partir dos mesmos dados — um projeto que levou sete meses e envolveu profissionais de diversas áreas da organização. Amadi enfatizou que o projeto exigia pessoas com conhecimento profundo dos produtos, das regras de negócio e da forma como os dados são gerados, além de analistas de dados capazes de desempacotar, analisar e reorganizar grandes volumes de informação.
A solução foi construída com o Automation Anywhere, que se descreve como um sistema de automação de processos agênticos que combina o poder da IA, automação e RPA.
O resultado? Em vez de downloads manuais periódicos, agora existe uma exportação automática acontecendo no sistema. Existe uma análise automática rodando continuamente. E existem exceções sendo levantadas automaticamente. Tudo isso levou a menos erros, maior eficiência e relatórios mais consistentes para o conselho e para o comitê de auditoria e risco.
Com os dados organizados e centralizados, a empresa agora está pronta para aplicar automação e IA em ainda mais áreas do negócio.
Três lições práticas de quem já está implementando IA em finanças
As experiências desses três profissionais revelam padrões que valem para qualquer equipe financeira que esteja pensando em embarcar nessa jornada. Aqui estão as lições mais relevantes que emergiram dos seus projetos.
Entenda os custos reais antes de começar
Sharma aprendeu na prática que rodar IA custa muito mais do que a maioria das pessoas imagina. Um produto mal configurado pode consumir tokens — uma medida prática de poder computacional e custo — em velocidade alarmante. Além dos custos diretos, existem riscos indiretos: o que acontece se uma IA generativa cometer um erro grave ou causar uma controvérsia, como usar linguagem inadequada com um cliente?
Existem camadas de custo, direto e indireto. No momento em que você perde visibilidade, você perde dinheiro, alertou Sharma.
Esses custos e riscos precisam ser pesados contra uma previsão realista de receitas e eficiências a serem ganhas. A pergunta fundamental, segundo Sharma, não é qual tecnologia usar, seja OpenAI ou Google, mas sim: qual é o retorno para o meu negócio? Quando a solução atinge o ponto de equilíbrio? 📊
Construa adesão antes de construir o sistema
Em organizações grandes, um projeto de IA ou automação pode exigir a combinação de habilidades e dados de várias áreas da empresa. Segundo Amadi, nada disso acontece se as pessoas não entenderem e aceitarem a missão.
Você precisa da adesão de todos eles. O porquê é crucial, afirmou Amadi.
Esse porquê pode variar — melhoria na cobertura de controles, melhor visibilidade do negócio, redução de retrabalho. Não importa qual seja, se o propósito e os meios do projeto não estiverem claros para todos, simplesmente não haverá progresso.
Não faça tudo sozinho — permita que outros aprendam
Stucke conseguiu usar IA generativa para completar uma transformação de dados gigantesca em apenas quatro a cinco dias, sozinha. O que teria levado uma equipe inteira de consultores e funcionários de duas a três semanas foi resolvido por uma pessoa com a ferramenta certa.
Mas essa eficiência veio com um preço: minha equipe inteira não foi levada nessa jornada, reconheceu Stucke. Ou seja, seu time não teve a oportunidade de praticar o uso de IA nem de entender como e por que a ferramenta era tão eficaz.
O domínio de IA vai continuar sendo uma habilidade essencial para equipes financeiras, especialmente à medida que a automação absorve mais trabalho operacional. Envolver todo mundo desde o início pode ajudar a preparar as carreiras das pessoas para o futuro e a acelerar a transformação da função financeira como um todo.
O que essas experiências nos dizem sobre o futuro
Quando juntamos todos esses relatos, alguns padrões ficam bem evidentes. O primeiro é que o sucesso com inteligência artificial em finanças raramente acontece de forma linear. Quase sempre existe uma fase de frustração antes dos resultados aparecerem, e as organizações que desistem nessa fase perdem exatamente quando estavam mais perto de colher os frutos. Ter expectativas realistas desde o início é o que separa os projetos que avançam dos que ficam eternamente no modo piloto.
O segundo padrão é sobre escopo. Projetos menores, focados em problemas específicos e bem definidos, têm uma taxa de sucesso significativamente maior do que iniciativas amplas que tentam transformar tudo de uma vez. A transformação real acontece de forma incremental — cada processo automatizado, cada modelo de previsão implementado, cada relatório que deixa de ser feito manualmente vai construindo uma base sólida para iniciativas mais complexas no futuro.
E o terceiro padrão, talvez o mais importante, é sobre dados. Sem dados de qualidade, nenhuma estratégia de IA vai funcionar. Antes de escolher qualquer ferramenta ou plataforma, vale muito a pena fazer um diagnóstico honesto da maturidade dos dados da organização. Isso inclui entender onde estão, como estão estruturados, quão atualizados são e se existem lacunas relevantes. Esse trabalho prévio pode parecer pouco glamouroso perto de implementar um modelo de machine learning, mas é ele que vai determinar se o projeto vai ou não sair do papel com resultados reais. 🔍
A IA não é uma solução que você liga e espera o milagre acontecer. É uma jornada que exige preparação, paciência e uma visão clara de onde se quer chegar.
O setor financeiro está em um momento de virada real. As ferramentas estão mais acessíveis, os custos de experimentação caíram e os casos de sucesso estão se multiplicando. Mas a distância entre o hype e a entrega concreta ainda exige muito trabalho — e muita honestidade sobre onde cada organização realmente está nessa jornada de automação e inovação.
