Artigos

Os 5 erros que travam a adoção de IA em finanças — e como evitá-los

95% dos pilotos de IA generativa em empresas estão emperrados. Conheça os cinco erros mais comuns e como superá-los com estratégias comprovadas.

Claudinho Kobs

Claudinho Kobs

— 6 min read

Noventa e cinco por cento dos pilotos de IA generativa em empresas estão travados, sem impacto mensurável no resultado financeiro. É o que aponta o MIT NANDA Initiative, depois de entrevistar 150 líderes, pesquisar 350 funcionários e analisar 300 implementações reais de IA ao redor do mundo.

Apenas 5% das organizações conseguem transformar esses pilotos em aceleração real de receita ou redução de custos.

Para os departamentos financeiros, o quadro é igualmente preocupante: a Deloitte reporta que menos de 38% dos projetos de IA em finanças atingem ou superam o ROI esperado. Mais da metade das iniciativas enfrentam atrasos, resultados abaixo do esperado ou simplesmente morrem silenciosamente.

O problema raramente é a tecnologia. Quase sempre é a forma como as organizações se aproximam dela.

Abaixo estão os cinco erros mais documentados — e o que fazer em vez disso.

Erro 1: Esperar pelos dados perfeitos antes de começar

"Nossos dados não estão prontos." É a frase mais comum nos corredores de finanças quando o assunto é IA. E em muitos casos é verdade: dados inconsistentes, silos entre sistemas, registros incompletos.

O problema é que dados perfeitos nunca chegam.

O Gartner estima que 70% das falhas de IA em finanças são causadas por qualidade de dados ruim ou governança inadequada. Mas a resposta intuitiva — esperar até resolver todos os problemas de dados antes de iniciar — cria um ciclo que se perpetua. Nenhuma organização chega a dados perfeitos sem uma pressão real para usá-los.

A lógica correta é inversa: implementar IA em um subconjunto de dados bom o suficiente e construir governança em paralelo.

O contas a pagar (AP) é frequentemente o melhor ponto de partida justamente porque os dados são relativamente estruturados — notas fiscais têm formato previsível, os volumes são mensuráveis e os resultados aparecem em semanas. Uma vez que a equipe vê a IA funcionando com dados imperfeitos e ainda assim gerando valor, o argumento para investir em qualidade de dados fica muito mais fácil de vender internamente.

O que fazer: Selecione um processo com dados razoavelmente organizados, defina critérios mínimos de qualidade (não máximos) e execute. Documente os erros e use-os como argumento para melhorar a infraestrutura de dados — não como pré-requisito para começar.

Erro 2: Tentar transformar tudo de uma vez

A segunda armadilha é o oposto da cautela: o entusiasmo de querer transformar todas as operações financeiras simultaneamente. Projetos que cobrem AP, AR, conciliação, fechamento contábil e FP&A ao mesmo tempo em 18 meses.

O MIT NANDA identificou um padrão claro: empresas que adquirem ferramentas especializadas de fornecedores têm 67% de taxa de sucesso nas implementações de IA. As que tentam construir soluções internas do zero chegam a apenas 33%. A diferença não é a capacidade técnica — é o escopo.

Projetos muito amplos perdem foco executivo, enfrentam resistência em múltiplas frentes ao mesmo tempo, demoram mais para gerar qualquer resultado visível e esgotam o capital político necessário para sustentar a transformação.

O problema piora quando a empresa tenta fazer tudo ao mesmo tempo com uma equipe que ainda está aprendendo.

O que fazer: Escolha um único caso de uso com ROI mensurável em menos de seis meses. AP é o favorito dos dados de adoção: processamento de notas fiscais, matching de três vias e detecção de duplicatas têm retornos documentados de 150% a 300% no primeiro ano. Mostre o resultado, use-o para construir credibilidade e expanda a partir daí.

Erro 3: Subestimar o obstáculo dos sistemas legados

Este é o mais silencioso dos erros — e o mais caro.

A EY pesquisou CTOs de instituições financeiras em 2024 e descobriu que 68% apontam sistemas legados como o maior obstáculo para adoção de IA. As implementações típicas sofrem atrasos de 12 a 18 meses por causa de incompatibilidades com infraestruturas antigas.

Pior: 83% dos líderes sênior de negócios dizem que a adoção de IA seria mais rápida com uma infraestrutura de dados mais sólida. Mas a maioria não investe nessa infraestrutura antes de tentar implementar a IA — e aí a conta chega mais tarde, com juros.

Muitos sistemas financeiros no Brasil ainda rodam em arquiteturas de 10, 15 ou 20 anos. Não foi negligência — foi decisão racional na época. Mas agora essas arquiteturas dificultam a integração com APIs modernas, a centralização de dados em tempo real e a aplicação de modelos de machine learning.

A boa notícia é que não é necessário modernizar tudo para começar. A estratégia de "strangler fig" — criar camadas de API sobre sistemas legados — permite que ferramentas de IA acessem dados sem substituir o sistema subjacente. Muitas plataformas de AP e AR modernas foram construídas exatamente para operar assim.

O que fazer: Antes de avaliar ferramentas de IA, mapeie quais sistemas precisarão se integrar. Inclua a arquitetura de TI nas conversas comerciais com fornecedores desde o início. E priorize ferramentas que se encaixam no que você já tem, não as que exigem substituição total.

Erro 4: Negligenciar o change management

A McKinsey pesquisou o que separa as empresas com alto desempenho em IA das demais. O resultado foi inequívoco: as melhores organizações são três vezes mais propensas a ter líderes seniores que demonstram comprometimento real com as iniciativas de IA.

Isso não significa aprovar o projeto e ir embora. Significa aparecer nas reuniões de revisão, usar a ferramenta, falar sobre ela publicamente dentro da empresa, remover bloqueios quando surgem.

O dado complementar vem do CFO Connect: 85% dos CFOs reconhecem o potencial da IA, mas apenas 39% implementaram soluções com eficácia. O gap entre reconhecer e fazer é justamente onde o change management falha.

Equipes financeiras são estruturalmente avessas a risco — o que é uma virtude na gestão financeira e um obstáculo na adoção de novas tecnologias. Quando a mensagem sobre IA vem de cima e não tem substância operacional, ela soa como mais um ciclo de hype que vai passar. A resistência passiva é racional do ponto de vista da equipe: por que mudar radicalmente o jeito de trabalhar por algo que provavelmente vai sumir em 18 meses?

O que fazer: O patrocinador do projeto precisa estar genuinamente envolvido — não apenas assinar o orçamento. Identifique "campeões" dentro da equipe financeira: pessoas que já têm curiosidade natural por tecnologia e podem ser aliadas da mudança. Celebre resultados intermediários. E deixe claro que o objetivo é eliminar trabalho repetitivo, não eliminar empregos.

Erro 5: Acreditar que adotou IA quando não adotou

Este pode ser o mais perigoso dos cinco erros — porque é o mais difícil de detectar de dentro.

Uma pesquisa da iplicit com CFOs de médias empresas em 2025 encontrou um resultado perturbador: 51% dos CFOs afirmam que já adotaram IA plenamente em sua função financeira. Quando a mesma pergunta foi feita para os controllers que trabalham para eles, apenas 19% concordaram.

A diferença tem uma explicação simples. O CFO vê a camada de apresentação: dashboards com IA, relatórios gerados automaticamente, reuniões onde alguém usa uma ferramenta de análise com linguagem natural. O controller vê a operação real: exportar planilhas manualmente, corrigir dados inconsistentes, fazer conciliações à mão antes de alimentar a ferramenta de IA.

A IA está sendo aplicada sobre processos manuais, não substituindo-os. O resultado é uma automação que só funciona quando alguém preparou os dados — o que consome tanto tempo quanto o processo original.

O que fazer: Realize uma auditoria honesta dos processos reais, não dos processos que deveriam existir. Pergunte diretamente às pessoas que executam as tarefas operacionais: "Quanto do seu trabalho continua manual mesmo com as ferramentas de IA que temos?" A resposta vai revelar onde a automação termina de fato — e onde o trabalho começa.

Próximos Passos

Se sua equipe financeira ainda está travada em pilotos ou sentindo que a IA não está entregando o esperado, cinco ações concretas para revisar:

  1. Audite o processo real, não o processo ideal — identifique onde a automação realmente termina e o trabalho manual começa
  2. Escolha um único caso de uso com ROI mensurável em menos de seis meses e execute-o até o final antes de expandir
  3. Mapeie as integrações de sistemas antes de avaliar ferramentas — incompatibilidade com legados é a causa mais comum de atrasos
  4. Envolva a liderança de forma substantiva, não apenas como aprovadores de orçamento — o comprometimento visível do CFO é o maior preditor de sucesso
  5. Defina métricas antes de começar — taxa de automação real, horas recuperadas, custo por transação — para poder diferenciar progresso de percepção de progresso

A tecnologia não é o gargalo. A maioria das ferramentas disponíveis hoje é capaz de entregar os resultados prometidos. O gargalo é a forma como as organizações se aproximam da mudança.

Fontes:

Leia mais