Dana-Farber Cancer Institute: 83% de ganho em produtividade com Kyriba AI

US$ 925 mil em valor anual realizado e 83% de ganho em produtividade. Esses são os números que o Dana-Farber Cancer Institute -- um dos centros de tratamento e pesquisa de câncer mais respeitados do mundo, afiliado à Harvard Medical School -- alcançou ao implementar previsão de caixa com IA da Kyriba. Não é uma projeção de vendedor. É resultado documentado de uma instituição que saiu de processos 100% manuais para automação completa em tesouraria.

Para quem trabalha em tesouraria e ouve promessas de "transformação digital" há anos, este caso é um dos mais concretos que existem. Vamos entender exatamente o que foi feito, como foi feito é o que podemos aprender para aplicar em nossas próprias operações.

O ponto de partida: planilhas, processos manuais e zero visibilidade

Antes da implementação da Kyriba, a tesouraria do Dana-Farber operava como a maioria das tesourarias de instituições de saúde de grande porte: com processos inteiramente manuais.

Segundo Gerry DiStefano, Diretor de Tesouraria do Dana-Farber Cancer Institute, a equipe não tinha visibilidade consolidada de caixa. As previsões de fluxo de caixa eram construídas manualmente, com dados extraídos de múltiplas fontes e consolidados em planilhas. Cada ciclo de previsão consumia horas de trabalho especializado, é o resultado frequentemente ficava desatualizado antes mesmo de ser finalizado.

Os problemas típicos:

• Coleta manual de dados bancários -- acesso a múltiplos portais para consolidar saldos e transações
• Forecasting baseado em planilhas -- modelos estáticos que não se atualizavam conforme novos dados entravam
• Sem cenários dinâmicos -- impossibilidade de simular rapidamente cenários alternativos (e se o recebimento X atrasar? e se o pagamento Y for antecipado?)
• Tempo desperdiçado em tarefas operacionais -- a equipe de tesouraria gastava a maior parte do tempo coletando e formatando dados, sobrando pouco para análise estratégica
• Decisões de liquidez baseadas em intuição -- sem dados em tempo real, decisões sobre aplicações, tomadas de crédito e alocação de caixa dependiam mais de experiência do que de evidência

Esse cenário não é exclusivo do Dana-Farber. Segundo a pesquisa do Citi Institute de 2025, equipes de tesouraria ainda gastam cerca de um terço do tempo trabalhando em planilhas. É um problema sistêmico do setor.

O que foi implementado

O Dana-Farber escolheu a Kyriba como plataforma de tesouraria e, especificamente, o módulo Cash AI para previsão de caixa baseada em inteligência artificial.

Kyriba Cash AI: como funciona

O Cash AI da Kyriba usa modelos de machine learning para analisar grandes volumes de dados financeiros e gerar previsões de caixa mais precisas e acionáveis do que métodos manuais. Na prática, isso significa:

• Ingestão automática de dados -- conexão direta com bancos e ERP, eliminando extração manual
• Modelos de ML que aprendem com o histórico -- os algoritmos identificam padrões sazonais, tendências e comportamentos recorrentes nos fluxos de caixa
• Atualização contínua -- as previsões se ajustam automaticamente conforme novos dados transacionais entram no sistema
• Detecção de anomalias -- o sistema sinaliza desvios significativos em relação ao padrão esperado, permitindo investigação proativa
• Cenários dinâmicos -- capacidade de simular diferentes hipóteses de recebimento, pagamento e investimento em tempo real

A Kyriba reporta que clientes usando o Cash AI frequentemente atingem precisão de forecast acima de 90%, um patamar que forecasts manuais raramente alcançam de forma consistente.

O diferencial de segurança

Um ponto importante para o Dana-Farber, como instituição de saúde que lida com dados sensíveis: a Kyriba garante que seu LLM embarcado (TAI -- Treasury Agentic AI) não usa dados do cliente para treinamento de modelos. Essa é uma preocupação legítima para qualquer organização, especialmente no setor de saúde, onde regulações como HIPAA nos EUA e LGPD no Brasil impõem requisitos rigorosos de proteção de dados.

Os resultados: números que falam

Os resultados documentados pelo Dana-Farber são notáveis em três dimensões:

83% de ganho em produtividade

A equipe de tesouraria reduziu drasticamente o tempo gasto em atividades operacionais. Tarefas que consumiam horas -- coleta de dados bancários, consolidação de saldos, construção de forecasts, análise de variância -- foram automatizadas. Isso liberou a equipe para atividades de maior valor: análise estratégica de liquidez, negociação com bancos, planejamento de investimentos.

O que 83% de ganho em produtividade significa na prática:

• Uma tarefa que levava 5 horas agora leva menos de 1 hora
• Uma equipe que gastava 80% do tempo em operacional agora investe a maior parte em estratégia
• Ciclos de forecast que levavam dias agora são gerados em minutos

US$ 925 mil em valor anual realizado

Esse número engloba múltiplas fontes de valor:

• Redução de custos operacionais -- menos horas-pessoa dedicadas a tarefas manuais e repetitivas
• Melhores decisões de liquidez -- com visibilidade em tempo real e forecasts precisos, a instituição otimiza aplicações financeiras e reduz tomadas de crédito desnecessárias
• Redução de erros -- processos automatizados eliminam erros de digitação, fórmulas quebradas em planilhas e dados desatualizados
• Velocidade de decisão -- quando um cenário muda, a equipe tem informação atualizada para decidir em minutos, não em dias

De 0% a 100% de visibilidade

Talvez o resultado mais transformador: a instituição passou de zero visibilidade consolidada para 100% de visibilidade para tomada de decisão estratégica. Nas palavras do próprio DiStefano, a equipe agora tem visibilidade de caixa em tempo real e sob demanda, com previsões que podem ser continuamente refinadas.

Lições para tesourarias brasileiras

O caso do Dana-Farber traz aprendizados diretos para tesourarias no Brasil, independentemente do porte da empresa:

1. Processos manuais não são apenas ineficientes -- são arriscados

Quando o forecast depende de planilhas, o risco não é apenas perder tempo. É tomar decisões com base em dados errados ou desatualizados. Uma previsão de caixa que está 15% abaixo da realidade pode levar a uma tomada de crédito desnecessária que custa centenas de milhares de reais por ano em juros.

2. O ROI justifica o investimento rapidamente

US$ 925 mil em valor anual contra o custo de implementação da Kyriba demonstra que o payback é rápido para organizações de grande porte. Para empresas menores, plataformas como GTreasury (com implementação em 90 dias e custo de entrada mais acessível) ou Nilus (operacional em semanas) podem entregar ROI proporcionalmente similar.

3. Comece pelo forecast, expanda depois

O Dana-Farber não tentou automatizar tudo de uma vez. Começou pela previsão de caixa -- o caso de uso mais maduro e de maior impacto -- é expandiu a partir dos resultados demonstrados. Essa abordagem incremental reduz risco, facilita a aprovação do investimento e cria momentum interno para a próxima fase.

4. Dados são o pré-requisito, não a IA

A implementação bem-sucedida no Dana-Farber dependeu fundamentalmente de conectar fontes de dados (bancos, ERP) à plataforma Kyriba. Sem essa integração, o Cash AI não teria matéria-prima para funcionar. Para empresas brasileiras, isso significa investir em conectividade bancária (APIs, CNAB, integrações com ERP) antes ou simultaneamente à adoção de IA.

5. O setor importa menos do que o processo

Dana-Farber é uma instituição de saúde, não uma empresa de tecnologia ou uma multinacional industrial. Isso demonstra que a IA em tesouraria não é exclusividade de setores "avançados". Qualquer organização com fluxos de caixa significativos pode se beneficiar.

Contextualizando com o mercado

O caso do Dana-Farber não é isolado. A Kyriba documenta resultados similares com outros clientes, e o U.S. Bank adotou a tecnologia de Cash AI da Kyriba para alimentar seu próprio produto de forecasting (Liquidity Manager), oferecendo previsão de caixa com IA para clientes mid-market e enterprise.

No ecossistema mais amplo:

• GTreasury documenta melhoria de mais de 30% na precisão de forecast com seu GSmart AI
• Nilus declara precisão de 95% em forecasts de 13 semanas
• Pesquisa da EY indica que funções financeiras que adotaram IA em 2023 já estão vendo reduções de 20% a 30% em custos operacionais

O padrão é consistente: quem implementa previsão de caixa com IA vê resultados mensuráveis em produtividade, precisão e valor financeiro.

E os riscos?

Nenhum caso de uso de IA está livre de riscos. Os principais para previsão de caixa com IA são:

• Dependência de dados de qualidade -- garbage in, garbage out. Se os dados bancários ou do ERP são inconsistentes, o modelo vai aprender padrões errados
• Excesso de confiança -- o modelo pode acertar 90% do tempo, mas os 10% de erro precisam de supervisão humana
• Mudanças estruturais -- modelos treinados em dados históricos podem não capturar rupturas (uma pandemia, uma mudança regulatória, a perda de um grande cliente)
• Lock-in de fornecedor -- uma vez que seus processos estão integrados a uma plataforma, a migração pode ser complexa e custosa

A abordagem sensata é tratar a IA como uma ferramenta que amplifica (não substitui) a expertise do tesoureiro. Os melhores resultados vêm de equipes que usam IA para eliminar trabalho manual e focar no julgamento humano onde ele mais importa.

Ações práticas para esta semana

1. Calcule quanto tempo sua equipe gasta em forecast manual -- some as horas semanais de coleta de dados, consolidação, construção de cenários e análise de variância. Multiplique pelo custo hora. Esse é o valor em jogo.
2. Meça a precisão do seu forecast atual -- compare as previsões de caixa dos últimos 3 meses com os resultados reais. Um erro médio acima de 15% indica oportunidade significativa para IA.
3. Mapeie suas fontes de dados bancários -- quantos bancos, quantas contas, quantos portais? A complexidade de integração é proporcional ao número de fontes. Mas o valor também é.
4. Solicite o estudo de caso completo da Kyriba -- está disponível no site da Kyriba e detalha a metodologia e os resultados do Dana-Farber. Use como referência para montar seu business case interno.
5. Estime seu "US$ 925 mil" -- para seu contexto, quanto valem previsões de caixa precisas? Some a economia em juros evitados, rendimento adicional em aplicações otimizadas e horas liberadas da equipe. Esse é o número que vai convencer seu CFO.