Como a IA categoriza custos em 400+ subcategorias: o caso de uma multinacional europeia

Em novembro de 2025, a McKinsey publicou um estudo de caso que chamou atencao: uma grande instituicao financeira europeia usou uma combinacao de LLMs e analytics avancado para categorizar seus custos em uma taxonomia de quatro niveis e aproximadamente 400 subcategorias. O resultado? A identificação de ineficiências ocultas que representavam uma oportunidade de redução de custos de cerca de 10%.

O caso e relevante não pelo numero em si -- 10% de redução de custos e significativo, mas não e inedito. O que torna esse exemplo notavel e o metodo: a IA não apenas automatizou a classificação. Ela revelou padroes que humanos não conseguiam enxergar na complexidade dos dados.

O desafio: milhares de fornecedores, zero visibilidade granular

A instituicao em questao operava com milhares de fornecedores gerando faturas que eram classificadas de forma generica nos sistemas contabeis. Uma despesa com "serviços de TI" podia englobar desde licencas de software até consultoria de infraestrutura -- categorias com dinamicas de custo completamente diferentes.

Sem granularidade, era impossivel responder perguntas basicas:

• Quanto gastamos com consultoria de cloud versus manutencao de sistemas legados?
• Qual fornecedor cobra acima da mediana do mercado para um servico equivalente?
• Onde há sobreposicao de contratos para serviços similares?

A solucao tradicional -- contratar consultores para revisar faturas manualmente -- e cara, lenta e não escala. Com milhares de linhas de fatura por mes, um time humano levaria meses para construir a taxonomia e classificar tudo. E quando terminasse, os dados já estariam desatualizados.

A abordagem: LLMs + analytics em quatro camadas

A McKinsey descreve uma abordagem em tres etapas que combina inteligencia artificial com analise humana:

1. Coleta e padronização dos dados

O primeiro passo foi coletar dados no nivel de fatura -- não no nivel de centro de custo ou GL account. Isso e importante: a maioria das empresas analisa custos no nivel agregado do plano de contas. Mas e na fatura individual que a informação granular existe: descricao do servico, fornecedor, unidade contratante, termos do contrato.

2. Construcao da taxonomia com IA

Em vez de definir as 400 subcategorias manualmente, a equipe usou LLMs para ler as descricoes das faturas e sugerir categorias. O modelo analisava o texto de cada fatura -- "servico de consultoria para migração SAP S/4HANA" -- e atribuia a subcategoria adequada dentro da taxonomia.

A taxonomia tinha quatro niveis de detalhe crescente:

• Nivel 1: Categoria macro (ex: Tecnologia)
• Nivel 2: Subcategoria (ex: Serviços de TI)
• Nivel 3: Tipo de servico (ex: Consultoria de implementação)
• Nivel 4: Detalhe especifico (ex: Migração ERP)

Essa granularidade de quatro niveis com ~400 subcategorias e o que permite comparacoes significativas. "Serviços de TI" diz pouco. "Consultoria de migração ERP" permite benchmarking real.

3. Detecção de anomalias e padroes

Com os dados categorizados, a equipe aplicou metodos automatizados e semi-automatizados de detecção de anomalias. Isso incluiu:

• Benchmarking interno: comparar quanto diferentes unidades pagam pelo mesmo tipo de servico
• Detecção de outliers: identificar fornecedores cujos precos desviam significativamente da media
• Analise de duplicidade: encontrar contratos sobrepostos para serviços similares
• Tendencia temporal: detectar custos que crescem acima da inflacao sem justificativa aparente

O que a IA revelou

O artigo da McKinsey não detalha todos os achados especificos (por confidencialidade do cliente), mas descreve o tipo de insight que emergiu:

• Fragmentacao de fornecedores: multiplos contratos com fornecedores diferentes para serviços equivalentes, sem alavancagem de volume
• Variacao de precos injustificada: a mesma categoria de servico custando 30-40% mais em algumas unidades do que em outras
• Custos "invisiveis": despesas que estavam classificadas de forma tao generica que ninguem as questionava
• Oportunidades de renegociação: contratos próximos do vencimento onde a nova taxonomia permitia negociar com dados concretos

A oportunidade total de redução estimada foi de aproximadamente 10% dos custos analisados -- um numero que, para uma instituicao financeira de grande porte, representa dezenas ou centenas de milhoes de euros.

Por que isso importa além do corte de custos

O case da McKinsey ilustra algo mais profundo do que um exercicio de cost-cutting. Ele mostra que a qualidade da categorização determina a qualidade das decisões financeiras.

Quando seus custos estão em 20 categorias genericas, voce toma decisões genericas: "precisamos cortar 5% em TI". Quando estão em 400 subcategorias, voce toma decisões cirurgicas: "vamos consolidar os tres contratos de consultoria SAP em um unico fornecedor e renegociar com base no volume combinado".

A IA não esta apenas classificando mais rapido. Ela esta permitindo um nivel de granularidade que antes era economicamente inviavel. Nenhuma empresa contrataria 50 analistas para ler milhares de faturas e construir uma taxonomia de 400 categorias manualmente. Mas um LLM faz isso em horas.

O estado da arte: onde mais isso esta acontecendo

O caso europeu não e isolado. Segundo o relatorio State of AI 2025 da McKinsey, 72% dos lideres já usam ferramentas de IA -- um salto de 34% no ano anterior. E a area de finanças esta entre as que mais crescem em adocao.

Aplicacoes similares de categorização por IA estão aparecendo em:

• Procurement: classificação automatica de compras por categoria UNSPSC usando LLMs
• Gestão de contratos: extracao de termos e condicoes de milhares de contratos para identificar riscos e oportunidades
• Compliance: categorização de transações para fins regulatorios (AML, KYC)
• ESG: classificação de despesas por impacto ambiental para reporting de sustentabilidade

Replicando a abordagem: o que e preciso

Para aplicar uma metodologia similar, sua empresa precisaria de:

Dados no nivel de fatura. Se seu ERP só registra informacoes agregadas por centro de custo, o primeiro passo e garantir que as descricoes das faturas estejam disponiveis em formato digital. OCR e extracao de dados por IA podem ajudar se as faturas são em PDF.

Uma taxonomia de referencia. Comecar do zero e dificil. Frameworks como UNSPSC, eCl@ss ou taxonomias setoriais oferecem um ponto de partida que pode ser customizado para sua realidade.

Capacidade de processar com LLMs. APIs como as da OpenAI, Anthropic ou modelos open-source rodando localmente podem processar milhares de descricoes de faturas. O custo de processamento e relativamente baixo -- estamos falando de centavos por fatura.

Equipe para agir sobre os insights. A IA identifica as oportunidades, mas renegociar contratos, consolidar fornecedores e reestruturar processos ainda exige trabalho humano qualificado.

O que fazer agora: acoes praticas

1. Audite sua taxonomia atual. Quantas categorias de custo voce usa efetivamente? Se o numero e inferior a 50, provavelmente há oportunidades ocultas que voce não esta enxergando por falta de granularidade.
2. Exporte dados no nivel de fatura. Peca ao time de TI ou contabilidade uma exportacao com descricao do fornecedor, descricao do servico, valor e centro de custo. Esse e seu dataset de partida.
3. Teste com um LLM. Use uma API de LLM para classificar uma amostra de 500-1.000 faturas em subcategorias. Compare com a classificação atual e identifique onde a granularidade adicional revela informacoes novas.
4. Quantifique as oportunidades. Com os dados reclassificados, procure os padroes que a McKinsey descreve: variacao de preco entre unidades, fragmentacao de fornecedores, contratos sobrepostos. Estime o valor potencial.
5. Construa o business case. Se o exercicio piloto revelar oportunidades superiores a 3-5% dos custos analisados, voce tem um caso forte para investir em uma solucao mais robusta e permanente de categorização por IA.