De 2+ horas para minutos: como IA da Esker processa remessas de 800+ itens

Mozima Mohammed, National Credit Manager da Fletcher Steel na Nova Zelândia, conhece bem o problema: processar uma remessa de pagamento com 800+ itens de linha levava mais de 2 horas de trabalho manual. Para sua equipe, isso significava começar a trabalhar às 5 da manhã nos períodos de fechamento mensal para dar conta do volume. Após implementar o Esker Cash Application com a tecnologia AI Synergy, essas mesmas remessas passaram a ser processadas em minutos. Uma aceleração de 95% no tempo de processamento que transformou a operação de contas a receber da Fletcher Steel.

Neste post, vamos dissecar como funciona o processamento de remessas com IA, por que esse caso é relevante para qualquer empresa que recebe pagamentos de alto volume e o que podemos aprender com a abordagem tecnológica da Esker.

O que é processamento de remessas e por que é tão doloroso

Antes de entrar no caso, vale contextualizar o problema. Quando uma empresa B2B recebe um pagamento, ela precisa associar esse pagamento às faturas correspondentes — um processo chamado de cash application ou alocação de caixa. Em teoria, isso é simples: o cliente paga a fatura 12345, e o sistema registra o pagamento contra essa fatura.

Na prática, é um pesadelo operacional por várias razões.

Pagamentos consolidados. Clientes frequentemente fazem um único pagamento cobrindo dezenas ou centenas de faturas simultaneamente. O aviso de remessa (remittance advice) que acompanha o pagamento lista quais faturas estão sendo pagas — mas esse aviso pode ter 50, 200 ou até 800+ linhas, cada uma referenciando uma fatura diferente.

Formatos inconsistentes. Cada cliente envia o aviso de remessa em um formato diferente: PDF, Excel, CSV, ou simplesmente no corpo de um e-mail. Não há padronização. Uma planilha Excel de um cliente pode ter colunas diferentes das do outro. Um PDF pode ter layout de tabela ou ser texto corrido.

Dados incompletos ou incorretos. Números de fatura truncados, valores com descontos não explicados, referências internas do cliente que não correspondem a nenhum dado no sistema do fornecedor. Em muitos casos, o valor pago não coincide exatamente com o valor faturado (descontos por pagamento antecipado, deduções por devoluções, ajustes de preço), e a equipe de AR precisa investigar cada divergência.

Volume que escala. Para empresas industriais e de distribuição, o volume de linhas por remessa cresce proporcionalmente ao número de produtos e à frequência de pedidos. Uma distribuidora de aço como a Fletcher Steel, que atende centenas de clientes com milhares de SKUs, facilmente acumula remessas com centenas de itens.

O caso Fletcher Steel: 5 da manhã para dar conta

A Fletcher Steel é a divisão de distribuição de aço da Fletcher Building, um dos maiores grupos de construção e materiais da Nova Zelândia e Austrália. A divisão engloba empresas como Easysteel, Fletcher Reinforcing, Fletcher Wire Products, ColorCote, Dimond Roofing, Dimond Structural e CSP Pacific, operando múltiplos sites de distribuição e manufatura.

O volume diário. A Fletcher Steel processa entre 200 e 1.000 transações por dia. As remessas de pagamento chegam em múltiplos formatos (PDF, Excel, e-mail) e podem ter de algumas linhas a 800+ itens.

O problema de pagamentos não alocados. Antes da automação, uma proporção significativa dos pagamentos recebidos ficava como "unapplied" — ou seja, o dinheiro entrava na conta bancária, mas a equipe não conseguia associá-lo às faturas correspondentes a tempo. Pagamentos não alocados distorcem os relatórios de aging, geram cobranças indevidas a clientes que já pagaram e dificultam a previsão de caixa.

O impacto no fechamento mensal. Nos períodos de fechamento, o acúmulo de remessas complexas era tão grande que a equipe precisava começar a trabalhar às 5 da manhã para processar o backlog antes do deadline. Uma única remessa com 800+ itens consumia mais de 2 horas de trabalho de uma pessoa dedicada — localizar cada número de fatura no sistema, verificar o valor, aplicar eventuais ajustes e registrar a alocação.

A tecnologia Esker AI Synergy: como funciona

A solução implementada pela Fletcher Steel utiliza a tecnologia Esker Synergy AI, que combina três componentes de inteligência artificial para automatizar o processamento de remessas.

Deep learning para extração de dados. O primeiro componente usa redes neurais profundas para extrair dados de remessas em qualquer formato — PDF, Excel, CSV ou texto no corpo de e-mails. Diferente do OCR tradicional, que depende de templates fixos, o deep learning interpreta o conteúdo semanticamente. Ele entende que uma coluna rotulada "Inv#" em uma planilha é o mesmo campo que "Invoice Number" em um PDF ou "Ref" no corpo de um e-mail.

Machine learning para matching. O segundo componente utiliza algoritmos de machine learning para associar cada linha da remessa à fatura correspondente no ERP. O sistema considera múltiplos critérios: número da fatura, valor, data, dados do cliente, e até correspondências parciais quando os dados da remessa estão incompletos. Se o número da fatura na remessa é "INV-1234" e no ERP está registrado como "1234", o sistema identifica a correspondência. Se o valor na remessa é R$ 9.850 e a fatura é de R$ 10.000, o sistema identifica a diferença de R$ 150 e sugere possíveis explicações (desconto financeiro, devolução parcial).

Processamento de linguagem natural (NLP). O terceiro componente analisa textos em linguagem natural — notas no corpo do e-mail, comentários na remessa, mensagens do cliente — para extrair informações contextuais. "Deduzi 2% referente ao desconto de pagamento antecipado conforme contrato" é automaticamente interpretado e associado à regra de desconto correspondente.

Os resultados: transformação da operação de AR

Os impactos na Fletcher Steel foram expressivos em múltiplas dimensões.

Tempo de processamento: de 2+ horas para minutos. Remessas com 800+ linhas que antes consumiam mais de 2 horas de trabalho manual passaram a ser processadas em minutos. Isso representa uma aceleração de 95% — ou, em termos práticos, o equivalente a recuperar um dia inteiro de trabalho por semana para a equipe.

Eliminação do horário de 5 da manhã. A equipe não precisa mais antecipar o horário de trabalho nos períodos de fechamento. O backlog de remessas complexas que se acumulava no final do mês é processado automaticamente, mantendo o fluxo de alocação em dia.

Redução drástica de pagamentos não alocados. Com o matching automático operando em tempo real, a proporção de pagamentos que ficam como "unapplied" caiu significativamente. Isso melhorou a qualidade dos relatórios de aging, reduziu cobranças indevidas e proporcionou visibilidade mais precisa sobre a posição de recebíveis.

Taxa de reconhecimento superior a 95%. O sistema mantém uma taxa de precisão na extração de dados acima de 95%, com aprendizado contínuo que tende a aumentar essa taxa ao longo do tempo. Os 5% restantes são encaminhados para revisão humana, tipicamente envolvendo remessas com formatos nunca antes vistos ou com dados significativamente incompletos.

Impacto em processos downstream. A alocação rápida e precisa de pagamentos melhorou não apenas o cash application, mas processos dependentes: a equipe de cobranças passou a trabalhar com dados atualizados (sem cobrar clientes que já pagaram), a previsão de caixa ficou mais precisa e a gestão de crédito passou a ter visibilidade em tempo real sobre a posição de cada cliente.

Cash Application: o gargalo silencioso de AR

O caso da Fletcher Steel ilumina um problema que muitas empresas subestimam: o cash application é frequentemente o gargalo silencioso da operação de contas a receber.

Enquanto automação de emissão de faturas e gestão de cobranças recebem atenção significativa, o processo de associar pagamentos recebidos às faturas correspondentes permanece manual em grande parte das empresas. Segundo dados de mercado, o processo manual de cash application custa entre USD 5 e USD 15 por remessa processada — e isso antes de contabilizar o custo de erros, pagamentos não alocados e cobranças indevidas.

Para empresas brasileiras, o problema tem agravantes específicos. O uso predominante de boletos cria uma camada adicional de complexidade, porque o número do boleto nem sempre está vinculado de forma clara ao número da fatura no ERP. Pagamentos via Pix com referências genéricas ou sem referência alguma tornam o matching ainda mais difícil. E a prática de compensação (o cliente deduz valores do pagamento por devoluções, multas ou descontos sem aviso prévio) gera divergências que exigem investigação manual.

A evolução da IA em cash application

A tecnologia da Esker representa o estágio atual de uma evolução que começou com automação básica e está caminhando rapidamente para autonomia quase total.

Estágio 1 — Regras fixas. Os primeiros sistemas de cash application automatizado usavam regras de matching simples: se o valor do pagamento é igual ao valor da fatura e o identificador coincide, faça a alocação. Taxas de matching típicas: 40-60%.

Estágio 2 — Matching probabilístico. Sistemas mais avançados passaram a usar múltiplos critérios com pesos diferentes, aceitando correspondências parciais e sugerindo alocações com base em probabilidade. Taxas de matching: 60-80%.

Estágio 3 — IA com aprendizado contínuo (onde estamos). Sistemas como o Esker AI Synergy combinam deep learning, machine learning e NLP para extrair dados de qualquer formato, fazer matching inteligente e aprender continuamente com as correções humanas. Taxas de matching: 80-95%+.

Estágio 4 — Cash application autônomo (para onde vamos). O próximo passo é a alocação completamente autônoma, onde o sistema não apenas sugere, mas executa a alocação com confiança suficiente para dispensar revisão humana na grande maioria dos casos. Algumas implementações já estão nesse estágio para subconjuntos de transações de baixo risco.

Ações práticas para implementar

Se a sua empresa enfrenta desafios com processamento de remessas e cash application, aqui estão os passos concretos.

1. Quantifique o problema. Meça o tempo médio gasto no processamento de remessas por semana, a proporção de pagamentos "unapplied" no final de cada mês e o número de cobranças indevidas geradas por alocação incorreta ou tardia. Esses três números compõem o business case para automação.
2. Analise a complexidade das suas remessas. Se a maioria dos seus pagamentos é 1:1 (um pagamento para uma fatura), o ganho com automação inteligente é moderado. Se você recebe regularmente remessas com 10+ itens, o ganho é significativo. Se você recebe remessas com 100+ itens, como a Fletcher Steel, a automação é transformadora.
3. Padronize o que puder, automatize o resto. Antes de implementar IA, tente padronizar os formatos de remessa com seus principais clientes. Envie modelos de aviso de remessa padronizados e incentive seu uso. O que não puder ser padronizado será tratado pela IA.
4. Avalie soluções com suporte a múltiplos formatos. A capacidade de extrair dados de PDF, Excel, CSV e texto de e-mail é essencial. Se a solução exige que todos os avisos de remessa estejam em um formato específico, ela não resolverá o problema real.
5. Integre com o ERP desde o início. A automação de cash application só gera valor completo quando está integrada ao ERP, permitindo que a alocação flua diretamente para a contabilidade sem intervenção manual. Confirme que a solução escolhida se integra nativamente com o seu sistema (SAP, Oracle, TOTVS, ou outro).