A maioria dos líderes financeiros em grandes organizações fez os investimentos certos: um sistema ERP moderno, plataformas de dados em nuvem, ferramentas de planejamento e muito mais. E agora, cada vez mais, a IA — para suporte a previsões, detecção de anomalias, aceleração de fechamentos e geração de relatórios em grande escala.
A pilha de tecnologia parece correta. Mas, quando o painel começa a perguntar pelos resultados, os retornos são mais difíceis de demonstrar do que os investimentos.
O que seu ERP foi construído para fazer — e o que não foi
Seu ERP é excelente no que foi projetado para fazer: capturar transações, aplicar padrões contábeis e gerenciar o plano de contas. É o sistema de registro e executa bem esse papel.
Mas ele não codifica como sua organização decidiu lidar com eliminações interempresariais em uma estrutura complexa de entidades. Ele não carrega a metodologia de alocação de custos da sua equipe de FP&A, refinada ao longo de três ciclos orçamentários. Ele não sabe qual limite de variância aciona uma revisão do controlador versus um escalonamento ao vice-presidente, nem como sua equipe tributária definiu o mapa de jurisdições para o Pilar Dois. Essa lógica, específica, documentada e definida pela organização, não está no seu ERP. Também não está no seu data warehouse.
Para a maioria das organizações financeiras, isso se resume a planilhas. Às vezes, na cabeça das pessoas que as construíram.
Onde a IA enfrenta problemas nas finanças
Há uma descoberta frequentemente citada em conversas sobre IA financeira: pesquisas do MIT constataram que 95% das organizações não veem retorno mensurável em seus investimentos em IA generativa. A Bain & Company analisou o mesmo cenário e chegou a uma conclusão diferente especificamente para finanças. O retorno mais rápido da IA nessa área vem de incorporá-la aos fluxos de trabalho — não de executar pilotos. Essa distinção é importante porque explica por que tantos esforços de IA financeira travam após a prova de conceito.
A IA pode processar dados rapidamente e revelar padrões em grandes conjuntos de dados. O que ela não consegue fazer é deduzir a lógica de negócios a partir de entradas brutas. Sem esse contexto, os resultados na área financeira parecem confiáveis, mas não são justificáveis, e, em uma função em que a auditabilidade é um requisito básico, essa lacuna não é insignificante. Isso reforça que uma IA confiável é fundamental para escalar fluxos de trabalho e iniciativas de IA.
Nosso próprio levantamento com 1.400 líderes de TI e de negócios perguntou quais eram os maiores obstáculos para o sucesso com fluxos de trabalho de IA. Um em cada dois (49%) apontou resultados imprecisos ou tendenciosos. Já 38% citaram a relutância em permitir que a IA tome decisões sem supervisão humana. Embora não sejam necessários dados perfeitos para começar a usar LLMs, é essencial ter dados confiáveis.
A camada que na verdade está ausente
A diferença entre seu ERP e suas ambições de IA não é uma defasagem de dados. É uma lacuna na lógica de negócios, a camada onde estão as regras, metodologias e critérios de decisão específicos da sua organização, e onde a IA precisa atuar para gerar resultados nos quais você possa confiar.
Quando essa camada é construída corretamente, com lógica documentada, fluxos de trabalho repetíveis e saídas rastreáveis, a IA passa a receber entradas validadas e estruturadas, em vez de dados brutos que precisa interpretar. Os resultados podem ser explicados a auditores e ao painel. E a questão de sequência se resolve: acertar o processo é o que viabiliza a adoção da IA.
O que é necessário para construir essa camada
Fechar a lacuna requer mais do que um mandato para "usar IA de forma responsável". São necessárias três coisas específicas, construídas e geridas dentro do departamento financeiro, em vez de serem repassadas à TI.
- Um ativo de dados com propósito específico para cada processo. Não se trata de outro data warehouse, mas de um conjunto de dados restrito e bem definido, relacionado a um único processo que reflete como sua equipe mede isso, e não apenas o que seu ERP armazena.
- Lógica codificada, não conhecimento tácito. A metodologia de alocação ou o limite de variância que aciona uma escalada — construída em fluxos de trabalho repetíveis em vez da planilha de um analista sênior. A mudança é construí-la uma vez, de forma que a IA possa usar.
- Uma forma de atualizá-la quando o negócio mudar. Os planos de compensação são revisados, as jurisdições fiscais mudam e o plano de contas é reestruturado após uma aquisição. A lógica que só pode ser alterada com o envio de um ticket para a TI ficará obsoleta antes de ser implementada, as pessoas donas do processo precisam ser as mesmas que podem ajustar a regra.
Nada disso exige esperar por uma arquitetura perfeita. O ponto de partida mais importante é qualquer processo em que seus analistas precisem responder à mesma pergunta, da mesma maneira, a cada ciclo. Primeiro, codifique esse fluxo de trabalho, conecte-o às ferramentas de IA que sua equipe já usa, e a lógica evolui a partir daí: o mesmo cálculo regulamentado que responde à pergunta de um controlador pode alimentar o modelo de cenário que executa o seu próximo ciclo de planejamento.