82% das tesourarias exploram IA, mas apenas 5% escalaram: como superar a lacuna

82% das tesourarias corporativas estão explorando inteligência artificial, segundo o relatório "GenAI in Treasury: A Practitioner's Guide" do Citi Institute, publicado em outubro de 2025. Mas quando perguntamos quantas escalaram IA de forma significativa, o número cai para menos de 5%. E nenhuma empresa -- nem nos EUA, nem na Europa -- declarou ter atingido o estágio de implantação estratégica completa. Existe um abismo entre interesse e execução, e ele precisa ser atravessado.

Neste post, vamos dissecar as barreiras reais que impedem a adoção, mostrar o que as empresas que avançaram fizeram de diferente e propor um plano de 90 dias para sair da experimentação e começar a gerar valor.

O retrato da adoção: onde as tesourarias realmente estão

O relatório do Citi, baseado em uma pesquisa global com 75 tesourarias corporativas de diferentes setores e regiões, revela um cenário que qualquer tesoureiro vai reconhecer:

• 82% estão em estágios iniciais de experimentação com IA generativa
• Cerca de 60% identificaram pelo menos um caso de uso prático
• 40% planejam aumentar o investimento em IA nos próximos dois anos
• Menos de 1 em 10 implementou IA no fluxo de trabalho diário (forecasting, detecção de fraude)
• Apenas um punhado afirma estar em processo de deploy em escala

A Deutsche Bank, em seu próprio levantamento sobre barreiras de adoção de IA em tesouraria corporativa, confirma o padrão: há entusiasmo genuíno, mas a distância entre o piloto e a produção é onde a maioria das iniciativas morre.

As cinco barreiras que travam a adoção

1. Dados fragmentados e de baixa qualidade

Esta é, de longe, a barreira número um. Mais de 70% dos entrevistados no relatório do Citi citam dados fragmentados ou incompletos como a principal restrição. E faz sentido: nenhum modelo de IA entrega resultados confiáveis se é alimentado com dados inconsistentes.

O problema é estrutural. Tesourarias típicas operam com:

• Múltiplos portais bancários com formatos de dados diferentes
• ERPs que não se comunicam com o TMS (Treasury Management System)
• Planilhas manuais que servem como "ponte" entre sistemas
• Dados históricos armazenados em formatos legados, não padronizados

Dois terços das empresas reportam disrupção em processos de reconciliação e monitoramento por causa de dados inconsistentes ou incompletos. Enquanto o staff de tesouraria gasta um terço do tempo em planilhas, a IA não tem combustível de qualidade para funcionar.

2. Segurança de dados e conformidade regulatória

61% dos entrevistados citam segurança de dados e compliance como preocupação principal. A tesouraria lida com informações financeiras extremamente sensíveis -- saldos bancários, posições de liquidez, estratégias de hedge, dados de contrapartes. A ideia de alimentar esses dados em modelos de IA gera apreensão legítima.

Perguntas que surgem:

• Os dados financeiros serão usados para treinar modelos externos?
• Onde ficam armazenados os dados processados pela IA?
• Como garantir conformidade com LGPD, GDPR e regulações setoriais?
• Quem tem acesso aos outputs e decisões da IA?

3. Custo de implementação

50% apontam custos de implementação como barreira significativa. E não é apenas o custo da licença da plataforma. Inclui:

• Integração com sistemas legados (ERP, bancos, TMS existente)
• Consultoria para mapeamento e limpeza de dados
• Treinamento da equipe
• Custo de oportunidade -- tempo da equipe dedicado ao projeto vs. operações diárias

A percepção de que projetos de IA em tesouraria levam 6 a 18 meses para gerar valor amplifica essa barreira. Quando o CFO precisa justificar um investimento com payback de um ano e meio, a aprovação fica difícil.

4. Integração com sistemas legados

46% citam integração com sistemas legados como obstáculo. Plataformas legadas tipicamente não têm APIs modernas, processamento em tempo real ou compatibilidade com nuvem. A migração de arquiteturas legadas para a nuvem limita a agilidade e retarda a inovação.

Em muitas empresas, o ERP tem 15 ou 20 anos. O TMS foi implementado na década passada e nunca foi atualizado. Os bancos oferecem conectividade via formatos antigos (arquivos batch, CNAB). Fazer IA funcionar nesse ecossistema exige um trabalho de integração que pode ser mais complexo do que a implementação da IA em si.

5. Falta de confiança nós outputs da IA

Tesoureiros são, por natureza e por responsabilidade, conservadores. Quando um modelo de IA sugere que o caixa vai ficar negativo em 17 dias ou recomenda um hedge de US$ 5 milhões em EUR/BRL, a reação natural é: "em que dados isso se baseia?" e "o que acontece se estiver errado?".

Essa falta de confiança não é irracionalidade -- é prudência. A IA precisa ser explicável, auditável e gradualmente validada antes de receber autonomia para decisões financeiras.

O que as empresas que avançaram fizeram de diferente

Nem tudo é obstáculo. As tesourarias que saíram do piloto e geraram valor real compartilham algumas características comuns:

Começaram pequeno, com um caso de uso de alto impacto

O Dana-Farber Cancer Institute não tentou automatizar toda a tesouraria de uma vez. Implementou previsão de caixa com IA pela Kyriba e alcançou 83% de ganho em produtividade e US$ 925 mil em valor anual. Um caso de uso, resultado mensurável, expansão a partir dele.

Investiram em dados antes de investir em IA

As empresas que mais avançaram trataram a qualidade de dados como pré-requisito, não como problema para resolver depois. Isso significa:

• Consolidar fontes de dados bancários em uma plataforma única
• Padronizar categorias e formatos de transações
• Estabelecer governança de dados com responsáveis definidos
• Criar pipelines automáticos de ingestão e validação de dados

Escolheram plataformas com time-to-value curto

Em vez de projetos de 18 meses, optaram por soluções que entregam valor em 90 dias ou menos. O GTreasury, por exemplo, oferece implementação completa do módulo de IA em 90 dias. A Nilus pode estar operacional em semanas. Essa velocidade muda a equação de ROI: em vez de justificar um investimento com retorno em um ano, você demonstra valor em um trimestre.

Endereçaram segurança desde o início

Plataformas como GTreasury (arquitetura zero-trust, política inference-only) e Kyriba (LLM embarcado sem treinamento com dados do cliente) foram desenhadas para endereçar preocupações de segurança. Escolher uma plataforma com essas garantias embutidas elimina meses de discussão com compliance e segurança da informação.

Plano de 90 dias para sair da experimentação

Se sua tesouraria está entre os 82% que exploram IA mas ainda não geraram valor real, aqui está um plano concreto:

Dias 1-15: Diagnóstico e caso de uso

• Mapeie suas fontes de dados -- quantos bancos, portais, ERPs e planilhas alimentam suas decisões de caixa?
• Meça sua precisão atual de forecast -- compare previsões dos últimos 3 meses com resultados reais. Calcule o erro médio percentual.
• Identifique o caso de uso de maior ROI -- geralmente é previsão de caixa, mas pode ser reconciliação ou detecção de anomalias dependendo do seu contexto.
• Quantifique o custo da inação -- quanto a empresa perde por mês com forecasts imprecisos, tomadas de crédito desnecessárias ou oportunidades de aplicação perdidas?

Dias 16-45: Seleção e setup

• Solicite demos de 2-3 plataformas com seus dados reais (não dados de demonstração)
• Valide requisitos de segurança e compliance com sua equipe jurídica e de TI
• Defina métricas de sucesso -- melhoria de X% na precisão do forecast, redução de Y horas em reconciliação, economia de Z em custos financeiros
• Inicie a implementação -- com plataformas de implementação rápida, o setup técnico pode acontecer em paralelo com a definição de processos

Dias 46-90: Validação e escala

• Execute em paralelo -- mantenha o processo atual enquanto válida os resultados da IA
• Compare resultados -- forecast da IA vs. forecast manual, reconciliação automática vs. manual
• Documente ROI -- com 6-8 semanas de dados comparativos, você terá evidência concreta para justificar expansão
• Apresente resultados ao CFO -- com dados reais, não projeções, de quanto a IA está gerando de valor

O que o Citi projeta para 2030

O relatório do Citi não olha apenas para o presente. A projeção é que até 2030, a IA se torne "o novo sistema operacional da tesouraria", transformando a função de um centro de controle em um hub financeiro inteligente. As tesourarias que começarem agora terão quatro anos de vantagem competitiva em dados, processos e competências.

A janela entre ser early adopter e ser retardatário está se fechando. Os 5% que escalaram IA já estão capturando vantagens em custo, precisão e velocidade de decisão. A pergunta para os outros 77% que experimentam mas não avançam é direta: o que falta para dar o próximo passo?

Ações práticas para esta semana

1. Leia o relatório completo do Citi -- "GenAI in Treasury: A Practitioner's Guide" está disponível publicamente no site do Citi Institute. São as melhores 30 páginas que um tesoureiro pode ler este mês.
2. Faça o diagnóstico de dados -- liste todas as fontes de dados que alimentam decisões de tesouraria (bancos, ERP, planilhas, e-mails). Classifique cada uma como "automatizada", "semi-manual" ou "manual". As manuais são suas prioridades.
3. Calcule seu "custo da imprecisão" -- pegue o erro médio do seu forecast mensal e multiplique pelo custo de oportunidade (CDI perdido em caixa parado, ou juro pago em tomadas desnecessárias). Esse é o valor que a IA pode capturar.
4. Agende uma conversa com TI sobre dados -- a maior barreira é dados, não tecnologia. Entender o estado atual da integração entre ERP, bancos e TMS é o primeiro passo prático.
5. Defina um prazo -- "vamos explorar IA" é uma intenção. "Vamos ter previsão de caixa com IA operacional até junho" é um objetivo. Coloque data no calendário.