IA para Finanças Corporativas e como implementá-la corretamente

Todo CFO com quem converso em empresas com mais de um bilhão está lidando com o cenário de IA em duas frentes:

O assistente horizontal: dar a todos na sua organização Microsoft Copilot ou Claude Cowork. O problema disso é que você tem cada funcionário criando 3 agentes, nenhum deles funciona com os outros, e em 3 meses você gastou US$ 3 milhões em tokens, com 80% dos agentes extintos ou constantemente quebrando em produção. Você fica com uma conta de US$ 3 milhões em gastos com tokens e um cemitério de dívida técnica sem ninguém para assumir a responsabilidade.

A solução pontual: trazer uma nova solução de software para contas a pagar, outra para o fechamento, e outra para despesas. Isso não funciona porque um software feito para todos não é feito para você. Ele não entende que seu processo de AP tem 7 etapas, e não 4, e não entende sua lógica de tratamento de exceções. Como resultado, seus funcionários ou não o usam, ou o usam, mas o ROI é inferior a 15%. E pior, seus funcionários estão reclamando que este novo software é diferente do antigo jeito de fazer as coisas, e metade deles acha que é uma piora. Um pesadelo.

Meu trabalho é ajudar CFOs a entender a combinação certa de ambas as soluções para eles. Definitivamente há uma necessidade para o assistente horizontal, mas ele serve a um propósito diferente. Os funcionários ainda terão trabalho a fazer, e este assistente serve para ajudar um funcionário a fazer o trabalho de 10. Mas você está perdendo o panorama geral: agentes de fundo que simplesmente fazem o trabalho sem precisar ser acionados ou usados por um funcionário. Imagine um agente que lê cada fatura no segundo em que ela chega, a combina com o PO certo, e ou a libera ou encaminha a única estranha para a única pessoa que precisa decidir, tudo antes de sua equipe abrir os laptops. Um agente que concilia a atividade bancária de ontem com o razão toda manhã, para que o fechamento esteja basicamente concluído antes mesmo do fim do mês começar. Um agente que cobra cada fornecedor pelo W-9 faltante ou pelo pagamento atrasado por conta própria, para que ninguém da sua equipe precise escrever um desses e-mails nunca mais. Ninguém aciona esses agentes. Eles simplesmente funcionam em segundo plano, e o trabalho já está feito quando você chega.

Para contexto, eu comando a Varick Agents (@varickagents). Nós nos integramos a equipes financeiras empresariais e implantamos agentes de IA que operam dentro das ferramentas que elas já usam. Finanças é onde vimos os resultados mais rápidos e mensuráveis, porque o trabalho é repetitivo, os processos são bem definidos, e o custo da versão manual é trivialmente fácil de quantificar.

O objetivo deste artigo é mostrar como fizemos isso para várias empresas em escala, as armadilhas que aprendemos a evitar e como medimos o sucesso depois de tudo dito e feito. Bônus: como garantimos que não estamos gastando milhões em tokens todos os anos e como reduzimos as alucinações a quase zero. Para referência, reduzimos o fechamento de final de mês de um cliente de 12 para 5 dias. Simultaneamente, reduzimos as taxas de erro em 72%. A captura de valor foi de até US$ 45 milhões anuais, como uma combinação de aumento de receita, economia de custos e redução de riscos. É o mesmo manual toda vez, mesmo que os agentes com os quais você acabe sejam extremamente diferentes (daí o motivo de soluções de software pontuais não funcionarem).

As taxas de falha para implementações de IA em finanças são altas

Antes do "como", vamos fazer um rápido panorama dos números. A lacuna entre onde as equipes financeiras estão e onde poderiam estar é grande, mas os resultados da IA até agora têm sido bastante ruins.

• A Gartner pesquisou 183 líderes financeiros e 84% implementaram IA ou planejam implementar, mas apenas 7% relataram alto impacto.
• O grupo NANDA do MIT analisou 300 implantações e descobriu que 95% dos pilotos de IA generativa empresarial não entregam retorno mensurável ao P&L.
• A Gartner espera que mais de 40% dos projetos de IA agentiva sejam cancelados até o final de 2027 devido a custo, valor pouco claro e controles de risco fracos.

Então, quando digo que a maioria disso falha, são essas estatísticas que estou referenciando. E vou explicar por que abaixo, mas para comparação, 100% das implementações no departamento financeiro da Varick foram implantadas com sucesso em produção, com ROI positivo mensurável (média de 5,5x).

Agora, para o trabalho em si:

• 2/3 das faturas ainda precisam que um ou mais humanos as toquem. Apenas um terço passa direto (Ardent Partners, 2025). Nos clientes com quem trabalhamos, muitas vezes há 3 ou mais pessoas tocando cada fatura antes de ser totalmente processada.
• Uma fatura manual custa US$ 12,42 para processar do início ao fim.
• Metade de todas as equipes financeiras leva mais de uma semana para fechar os livros (Ledge, 2025), e 94% delas ainda vivem no Excel em algum lugar dentro desse fechamento.
• 14% das faturas são sinalizadas como exceções, e as exceções são a dor de cabeça mais citada em AP. Esta é a estatística para a qual quero chamar mais atenção. Suas exceções são diferentes das da próxima empresa, o que significa que nenhum SaaS ou produto genérico pode resolver essa enorme dor de cabeça da maneira que você precisa. A necessidade de software personalizado nunca foi tão grande para funções financeiras e, felizmente, a IA é o desbloqueio perfeito aqui.

Nada disso é mais um problema de tecnologia. É um problema de fluxo de trabalho, um problema de "cola humana", e essa distinção é algo que destacarei em mais detalhes abaixo.

Por que assistentes horizontais (Claude Cowork, Microsoft Copilot) falham

Mesmo se ignorarmos a conta de tokens (milhões por trimestre), o problema maior é que mesmo os modelos de fronteira erram o trabalho financeiro na maioria das vezes. Quando os modelos de fronteira (Fable, Opus, GPT 5.5, etc) foram submetidos a mais de 900 tarefas reais de analistas financeiros este ano, o melhor deles atingiu apenas 52% de precisão (Vals AI). Outro estudo executou 19 modelos em um plano de contas real e a maior precisão foi de 66% (DualEntry). Em uma função financeira, esses níveis de precisão são catastróficos. Até mesmo a documentação da própria Microsoft diz para não usar o Excel Copilot para cálculos numéricos ou qualquer coisa com implicações de conformidade, o que é hilário porque eles colocaram a IA na sua planilha em primeiro lugar.

Alucinações não significam um erro de digitação em um e-mail. Se sua IA alucinar um fornecedor ou estourar uma eliminação intercompanhia, é dinheiro real saindo pela porta para ser encontrado e desfeito. A falta de auditabilidade também é um problema enorme. "A IA disse" não cola com um auditor da SOX.

Seus agentes de IA precisam ser protegidos e ter permissões, para que façam apenas as ações exatas que você permitir, determinadas como resultado de uma auditoria de IA abrangente. Cada tarefa é ainda mais reduzida ao seu estado mais determinístico, para que o modelo decida apenas as poucas etapas que exigem julgamento, em vez de tudo do início ao fim. É assim que a precisão se mantém acima de 97%, com rastros de agente que podem ser apresentados a um auditor e à liderança.

Por que mais soluções pontuais pioram as coisas

Então você pula o generalista e compra uma dúzia de especialistas: um agente de AP da Ramp e Brex e Bill, cobranças da HighRadius, agentes de fechamento da BlackLine e FloQast, tudo enfiado no ERP da SAP e Workday, mais um novo ERP nativo de IA. Você vê onde estou querendo chegar? A IA deveria ser a razão para você finalmente se afastar de 20 fornecedores de software diferentes, cada um fazendo algo diferente. Você precisa de um único painel de vidro que viva entre seus sistemas existentes. Esses sistemas já têm tudo que um agente precisa para executar sobre eles, sem necessidade de nova plataforma. Em vez disso, vejo CFOs introduzindo, com pesar, mais licenças de software, mais superfícies nas quais sua equipe precisa fazer login e acompanhar, e, no final, quase nenhum ganho de eficiência para mostrar.

O que funciona

Toda implantação em departamentos financeiros que funciona segue a mesma filosofia: uma camada que fica sobre e entre o software que você já opera, em vez de outra ferramenta para sua equipe fazer login. Ela lê do seu software, como NetSuite, Bill e Workday, movendo dados entre eles e fazendo o trabalho exatamente como sua equipe faria. Onde precisar de assistência, sinalizará edições para sua equipe ajustar.

Ao fazer isso, você aumenta a capacidade do operador, não da tarefa. Agora, suas ferramentas automatizam cada uma uma parte do trabalho, mas ninguém automatiza a pessoa no meio, que está copiando um número de uma tela para outra, verificando se dois valores coincidem, enviando o e-mail de cobrança quando não coincidem, escalando quando ninguém responde. Essa pessoa é a cola, e a cola é onde está todo o valor: a redução do tempo de ciclo significa que tempo é economizado e mais receita é gerada, mais rápido.

Se pegarmos este exemplo de volta para as exceções: imagine uma fatura que chega sem ordem de compra. Agora, um analista de AP tem que descobrir quem a pediu, depois encontrar o PO certo filtrando a caixa de entrada, então combiná-lo, antes de finalmente empurrá-la adiante. Exceções são mais comuns do que você pensa; isso acontece centenas de vezes por mês.

No entanto, com uma camada de agente unificada, a IA captura essa exceção no segundo em que ela chega, então pesquisa o sistema de PO por fornecedor, valor, data, antes de finalmente limpar as correspondências corretas por conta própria, exatamente como seu analista faria. Quando o agente não tem certeza, ele envia os dois POs mais prováveis para um analista no Slack e pede que ele determine qual é o correto. 15 minutos de tempo de investigação se tornam trinta segundos para um sim ou não, com todas as informações apresentadas antecipadamente. A mesma modelagem ocorre na reconciliação bancária, eliminações intercompanhias, cobranças de W-9, e-mails de status de pagamento e na lista PBC do auditor.

Como implementar este sistema na prática

Fazemos 5 coisas sempre:

1. Engenheiros destacados avançados se integram ao seu departamento e mapeiam cada processo do início ao fim. Processos documentados e POPs raramente capturam a realidade, que é o que as pessoas realmente fazem. Por exemplo: "Quando algo dá errado, eu verifico esta planilha primeiro" e "Eu envio e-mail para a Sarah diretamente porque os alertas estão quebrados há 3 anos." Um exemplo real: "o POP diz que as faturas são combinadas com POs no sistema." Mas, na realidade, elas são combinadas no sistema, exceto quando o PO nunca foi criado, caso em que a Brittany envia um e-mail para o chefe do departamento solicitando um retroativo, a menos que seja inferior a US$ 500, caso em que ela o codifica na linha de despesas gerais do departamento e o sinaliza para depois. Se você construísse agentes apenas com base no POP, eles quebrariam na primeira vez que encontrassem a Brittany, que é coincidentemente o Dia 1 da produção. É por isso que é incrivelmente importante sentar com as pessoas e observá-las trabalhar. É a ponte entre serviços (consultoria) e software (desenvolvimento), e ainda assim é a diferença entre uma implantação de agente bem-sucedida e um tiro no escuro que morre imediatamente.
2. Construa dentro das ferramentas que eles já usam. O agente opera o NetSuite, SAP ou BlackLine como um novo contratado faria, fazendo login e clicando nas mesmas telas e acessando as mesmas APIs. Ninguém na sua equipe precisa aprender uma nova interface, e a única coisa que as pessoas notam é que há menos trabalho acumulando, as exceções estão sendo resolvidas mais rápido e o fechamento de final de mês está ficando mais curto.
3. Construa agentes que fazem trabalho em vez de dashboards. A maioria da "IA para finanças" é uma ferramenta de análise disfarçada de agente. Não caia nesta armadilha. O monitoramento e os relatórios vêm como resultado das ações do agente que os impulsionam. Sim, é útil medir KPIs antes da construção para ver se você está realmente gerando mudança. Mas se o seu artefato for um dashboard ou chatbot em vez de um agente de fundo, você está deixando eficiência de lado. Não dedique meses ao equivalente a um software de relatórios sofisticado.
4. Escalone apenas quando for necessário julgamento real, com uma barreira de confiança na frente que melhora com o tempo. O objetivo é tirar os 70 a 85% que são puro reconhecimento de padrões do prato da sua equipe, para que o tempo deles seja deixado apenas para decisões de alto impacto e alto julgamento. Simultaneamente, cada vez que eles respondem às ações do agente (com aprovação, edição ou rejeição), isso treina o agente, permitindo que a precisão suba a cada semana, em vez de permanecer estável ou, pior, regredir. É aqui que a engenharia de IA é crítica; sua estrutura pode ser o fator decisivo entre um sistema que melhora e um que se desvanece.
5. Projete para todo o departamento desde o primeiro dia. Este é, de longe, o aspecto mais negligenciado das implementações de agentes em nível empresarial. Imagine cada operador pegando uma ferramenta de "vibe-coding", construindo um agente apenas para o seu canto, mas que não consegue escalar além do seu próprio trabalho. Isso ignora o panorama geral. Muitas vezes, seus gargalos estão localizados a montante. Mas então a equipe a montante constrói seu próprio agente, que não se comunica com o de jusante. Muito rapidamente você tem dezenas de agentes, todos isolados em suas próprias atividades, e sem comunicação, apenas dívida técnica em toda a organização. Em vez disso, mapeie toda a organização, entenda quem é o gargalo de quem e construa com isso em mente.

Evite gastos descontrolados com tokens e alucinações de agentes

Como você não gasta milhões em tokens: um bom agente de IA é principalmente não-IA. O que entregamos é ~85% código puro e ~15% chamadas de modelo. Os modelos são usados apenas onde há uma necessidade real de julgamento, como ler um valor de uma fatura bagunçada, classificar uma exceção em um de seus buckets conhecidos ou redigir uma nota para um humano aprovar. Por outro lado, a maioria do trabalho são comparações (matemática), consultas (filtragem), roteamento (declarações if/then/else) e lançamento (chamadas de API). Compare isso com o Claude Cowork, onde quase todas as ações são determinadas estocasticamente por um LLM. Em vez disso, temos agentes mais rápidos, mais baratos e mais precisos. LLMs foram apenas o desbloqueio.

Como você reduz erros a quase zero: três camadas.

• Código determinístico: é consistente por design, o que o torna auditável.
• Avaliações: um conjunto de testes criado manualmente, mas atualizado automaticamente, que verifica tanto a resposta quanto o caminho que o agente percorreu, permitindo-nos detectar agentes que foram a algum lugar que não deveriam ou produziram resultados inconsistentes com a forma como queremos que se comportem.
• Feedback humano: toda aprovação e correção que sua equipe faz treina o sistema, e a precisão em um fluxo de trabalho sobe para os altos 90% em alguns meses. Vemos a codificação GL ir de cerca de 85% para 97% e além à medida que as correções se acumulam. E porque é código e avaliações em vez de uma caixa preta, você pode realmente responder à pergunta "por que o agente fez isso", sempre que uma parte interessada ou auditor perguntar. Agentes horizontais não conseguem fazer isso.

Como isso é medido

Felizmente, quando você tem agentes que vivem em seus sistemas de registro em cada fluxo de trabalho e cada pedaço de software, agora você tem a capacidade de rastrear dados no nível mais granular e em tempo real. Torna-se muito aparente que 80% das exceções estão sendo tratadas por agentes, e o tempo para reconciliar exceções caiu de 4 dias para 2 horas. Alguns resultados reais:

• O fechamento caiu de 12 dias para 5
• O tratamento de exceções foi de 130 horas por mês para 20
• O processamento de faturas foi de 20 minutos cada para menos de 1 minuto, em média

Existem apenas 3 buckets de captura de valor que importam para qualquer implementação de IA. Estou economizando tempo/dinheiro? Estou aumentando a receita? Estou reduzindo o risco? Ajuda agrupar tudo que você está medindo nessas 3 categorias e medir de acordo para fins de captura de valor e KPI.

Por onde começar

Encontre os donos de processos em sua organização e comece com eles. Entenda em um nível profundo qual é o processo atual deles (prepare-se para conversar com os sub-donos de processo, analistas, contribuidores individuais, etc, para mais informações). Vá ao fundo de:

• Como as coisas funcionam hoje, qual é o genoma do fluxo de trabalho, por assim dizer
• Qual é o volume de dados e a taxa de transferência em cada tarefa
• Quais são as taxas de erro e qual é o custo de um erro hoje?
• Como as exceções são tratadas e em quais formatos?

A partir daí, pegue seus aprendizados e comece a mapear o seguinte:

• O que a IA faria versus o que não faria para cada fluxo de trabalho? Como seria um mundo pós-IA para cada processo?
• Nos 3 buckets de captura de valor, qual é o valor quantificável para cada um?
• Quanto tempo e esforço cada construção levaria? Quais são os riscos para cada uma?

Compare a captura de valor com o investimento, e você tem sua lista de prioridades.

Mas, em resumo, não compre uma plataforma e não monte uma equipe de ciência de dados. Todo este processo não precisa nem levar um ano inteiro. Em vez disso, você precisa encontrar pessoas que se sentarão com sua equipe, aprenderão o fluxo de trabalho real e construirão um agente dentro dos sistemas que você já opera, medindo-o a cada passo do caminho. Se você quiser ver o estado final primeiro, construímos um passo a passo de cinco minutos do processo aqui.

Isso é exatamente o que fazemos na Varick Agents. Nós nos integramos a equipes de finanças, vendas e operações em empresas desde US$ 1 bilhão em receita até gigantes da Fortune 500 que faturam mais de US$ 50 bilhões, e construímos agentes que executam suas ferramentas dentro de seus sistemas existentes. Só assumimos um punhado de novos engajamentos por trimestre, e estamos definindo o escopo da turma de outono agora. Se o seu fechamento ainda é de duas semanas e suas melhores pessoas ainda estão fazendo entrada de dados, venha nos encontrar em varickagents.com.