Gestão Financeira & Controladoria

IA em finanças: entenda os insights do 2º encontro do IBEF-SP sobre execução estratégica

RESUMIR COM:

O segundo encontro do Grupo de Estudos de IA em Finanças, vinculado ao Programa de Certificação do IBEF-SP, reuniu discussões com a IBM para aprofundar como a inteligência artificial deixa de ser promessa e passa a gerar resultado concreto na área financeira. O debate teve como condutores Marcio Iha e Sérgio Diniz, membros do grupo, além de Fábio Lima, SMEA da IBM Brasil, e aprofundou a análise da IA em finanças a partir de um caso prático de grande escala.

Abertura e contexto do grupo de estudos

Como coordenador da iniciativa dentro do Programa de Certificação do IBEF-SP, Sérgio Diniz teve a missão de ajudar a comunidade a transformar a complexidade tecnológica em valor de negócio, contando com apoio direto de Marcio Iha. Depois do panorama inicial apresentado pela KPMG sobre os impactos da tecnologia nas carreiras, no primeiro encontro do grupo, este segundo encontro, com a IBM, deslocou a conversa da teoria para a prática estratégica. Ao tomar a própria IBM como “Cliente Zero” de suas soluções, o grupo pôde observar, na prática, como uma operação global de alta complexidade usa IA em finanças para reduzir ineficiências e gerar retornos bilionários.

Segundo os organizadores, o grupo não funciona apenas como espaço de debate, mas como uma célula de produção intelectual. A trajetória ainda vai passar pela visão da SAP e, ao final, deve resultar em um artigo colaborativo voltado a orientar o profissional financeiro moderno. A proposta é preparar a liderança financeira para conduzir a transição de processos legados rumo a uma operação guiada por dados reais de mercado.

O amadurecimento da agenda e os dados de benchmark global

De acordo com dados do Institute for Business Value (IBV), da IBM, a IA se tornou uma espécie de “força estabilizadora” das finanças corporativas. No entanto, existe um gap relevante entre o que é planejado e o que de fato é executado nas empresas.

  • Estratégia versus execução: 89% das organizações já possuem um plano de IA, mas apenas 56% estão alcançando ou superando as expectativas de implementação. Isso indica que o gargalo não está mais na disponibilidade da tecnologia, e sim na prontidão operacional das empresas — já que 44% delas falham em cumprir seus próprios roadmaps, evidenciando uma barreira muito mais cultural e de processos do que técnica.
  • Aposta no futuro próximo: 48% dos CFOs projetam melhorar sua capacidade de tomada de decisão nos próximos três anos por meio de investimento em IA e automação, o que reforça que se trata de uma jornada de médio prazo, dependente de consistência na alocação de capital.
  • Resultados tangíveis para quem já amadureceu o uso da tecnologia: no ciclo orçamentário, houve redução de 33% no tempo de ciclo e ganho de 4% na precisão das previsões; já no processo de order-to-cash, a redução foi de 32% no DSO (Days Sales Outstanding) e de 43% nos saldos incobráveis.

Vale destacar, no entanto, que a prontidão operacional não é o único obstáculo para escalar uma solução de IA. Afinal, é difícil responder a perguntas como “onde e como investir” quando ainda não existe um modelo de escalamento consolidado e vencedor.

Desmistificando a tecnologia: o modelo certo para a dor certa

Um erro estratégico recorrente é tratar a IA generativa como uma espécie de solução universal para todos os problemas. Para lideranças financeiras, a escolha da tecnologia deve ser encarada, antes de tudo, como uma decisão de alocação de capital e gestão de retorno sobre investimento — o chamado FinOps de IA.

  • Machine Learning tradicional: segue essencial para previsões determinísticas e forecasting, com custo por inferência bem menor e boa precisão histórica.
  • IA Generativa: é praticamente insuperável para sumarização de contratos e interação em linguagem natural, mas inadequada para cálculos contábeis exatos, devido à sua natureza não determinística.
  • Agentes de IA: representam a nova fronteira da autonomia operacional. Apesar de automatizarem fluxos complexos, exigem cautela financeira, já que o consumo de tokens pode ser 75 vezes superior ao de uma busca simples feita com RAG.

A tese central discutida no encontro é que IA sem KPIs financeiros claros se torna, na prática, um passivo. Por isso, cabe ao CFO garantir que a arquitetura escolhida resolva o problema real sem inflar de forma descontrolada os custos operacionais de TI. Importante ressaltar ainda que esses insights partem do uso em organizações de grande porte, com capacidade de investimento relevante e equipes minimamente capacitadas — o que, na prática, representa barreiras de entrada para pequenas e médias empresas que queiram seguir o mesmo caminho.

IBM como “Cliente Zero”: a prova do valor em escala

O caso interno da IBM, batizado de IBMer watsonx Challenge e usado como referência no estudo do grupo, funciona como benchmark de como a IA aplicada ao núcleo da operação gera impacto direto no resultado financeiro. Sob o comando de Arvind Krishna, a companhia demonstrou que a eficiência gerada pela IA pode, inclusive, cobrir o próprio custo do investimento.

Em termos de impacto econômico, a IBM gerou uma economia de US$ 3,5 bilhões em 2024, com atingimento auditado de US$ 4,5 bilhões em 2025. Entre as iniciativas que sustentam esse resultado, destacam-se:

  • A criação do AskIBM, um orquestrador central de agentes desenvolvido na plataforma watsonx Orchestrate, pensado justamente para evitar a dependência de ferramentas únicas (o chamado lock-in) e facilitar a usabilidade. Em vez de acessar diversos agentes separadamente, os usuários interagem apenas com o AskIBM, que identifica a intenção da solicitação e a encaminha automaticamente ao agente especializado mais adequado — seja de RH, Finanças ou Compras —, garantindo uma experiência unificada e uma arquitetura flexível.
  • O investimento em letramento como ativo estratégico: mais de 140 mil funcionários foram treinados, criando um vocabulário comum que viabilizou a submissão de 15 mil projetos de IA pelas próprias equipes internas.
  • Ganhos concretos de eficiência financeira: a precisão em forecasting atingiu 97% em 70 mil elementos mensais, enquanto a área fiscal conseguiu reduzir em 80% a carga de trabalho relacionada a declarações de impostos.

Em resumo, o caso da IBM reforça o argumento central discutido no encontro do IBEF-SP: a IA em finanças só entrega valor real quando sai do discurso e passa a ser tratada com disciplina de execução, governança de custos e indicadores claros de retorno. Assim, mais do que adotar a tecnologia, o desafio das organizações está em transformar letramento, dados e processos em resultados mensuráveis para o negócio.

Com informações de ibefsp.com.br.

Veja mais
Retratos de múmias: conheça os rostos do Egito antigo que resistiram ao tempo

Retratos de múmias: conheça os rostos do Egito antigo que resistiram ao tempo

Conheça os retratos de múmias do Egito antigo, pinturas de...
Alerta sobre riscos da inteligência artificial: o que os anos 1990 ensinam sobre tecnologia disruptiva

Alerta sobre riscos da inteligência artificial: o que os anos 1990 ensinam sobre tecnologia disruptiva

Bill Gates alerta sobre riscos da inteligência artificial e pede...
Planejamento estratégico: as seis chaves para vencer no mundo gasoso até 2027

Planejamento estratégico: as seis chaves para vencer no mundo gasoso até 2027

Entenda as seis chaves do planejamento estratégico para empresas se...