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 atenção: uma grande instituição financeira europeia usou uma combinação de LLMs e analytics avançado para categorizar seus custos em uma taxonomia de quatro níveis 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 é relevante não pelo número em si -- 10% de redução de custos é significativo, mas não é inédito. O que torna esse exemplo notável é o método: a IA não apenas automatizou a classificação. Ela revelou padrões que humanos não conseguiam enxergar na complexidade dos dados.

O desafio: milhares de fornecedores, zero visibilidade granular

A instituição em questão operava com milhares de fornecedores gerando faturas que eram classificadas de forma genérica nos sistemas contábeis. Uma despesa com "serviços de TI" podia englobar desde licenças de software até consultoria de infraestrutura -- categorias com dinâmicas de custo completamente diferentes.

Sem granularidade, era impossível responder perguntas básicas:

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

A solução tradicional -- contratar consultores para revisar faturas manualmente -- é cara, lenta e não escala. Com milhares de linhas de fatura por mês, 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 três etapas que combina inteligência artificial com análise humana:

1. Coleta e padronização dos dados

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

2. Construção da taxonomia com IA

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

A taxonomia tinha quatro níveis de detalhe crescente:

• Nível 1: Categoria macro (ex: Tecnologia)
• Nível 2: Subcategoria (ex: Serviços de TI)
• Nível 3: Tipo de serviço (ex: Consultoria de implementação)
• Nível 4: Detalhe específico (ex: Migração ERP)

Essa granularidade de quatro níveis com ~400 subcategorias é o que permite comparações significativas. "Serviços de TI" diz pouco. "Consultoria de migração ERP" permite benchmarking real.

3. Detecção de anomalias e padrões

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

• Benchmarking interno: comparar quanto diferentes unidades pagam pelo mesmo tipo de serviço
• Detecção de outliers: identificar fornecedores cujos preços desviam significativamente da média
• Análise de duplicidade: encontrar contratos sobrepostos para serviços similares
• Tendência temporal: detectar custos que crescem acima da inflação sem justificativa aparente

O que a IA revelou

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

• Fragmentacao de fornecedores: múltiplos contratos com fornecedores diferentes para serviços equivalentes, sem alavancagem de volume
• Variação de preços injustificada: a mesma categoria de serviço custando 30-40% mais em algumas unidades do que em outras
• Custos "invisiveis": despesas que estavam classificadas de forma tão genérica que ninguém 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 número que, para uma instituição financeira de grande porte, representa dezenas ou centenas de milhões de euros.

Por que isso importa além do corte de custos

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

Quando seus custos estão em 20 categorias genéricas, você toma decisões genéricas: "precisamos cortar 5% em TI". Quando estão em 400 subcategorias, você toma decisões cirúrgicas: "vamos consolidar os três contratos de consultoria SAP em um único fornecedor e renegociar com base no volume combinado".

A IA não esta apenas classificando mais rápido. Ela esta permitindo um nível de granularidade que antes era economicamente inviável. 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 está acontecendo

O caso europeu não é isolado. Segundo o relatório State of AI 2025 da McKinsey, 72% dos líderes já usam ferramentas de IA -- um salto de 34% no ano anterior. É a área de finanças esta entre as que mais crescem em adoção.

Aplicacoes similares de categorização por IA estão aparecendo em:

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

Replicando a abordagem: o que é preciso

Para aplicar uma metodologia similar, sua empresa precisaria de:

Dados no nível de fatura. Se seu ERP só registra informações agregadas por centro de custo, o primeiro passo e garantir que as descrições das faturas estejam disponíveis em formato digital. OCR e extração de dados por IA podem ajudar se as faturas são em PDF.

Uma taxonomia de referência. Começar do zero é difícil. 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 descrições 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: ações práticas

1. Audite sua taxonomia atual. Quantas categorias de custo você usa efetivamente? Se o número e inferior a 50, provavelmente há oportunidades ocultas que você não esta enxergando por falta de granularidade.
2. Exporte dados no nível de fatura. Peça ao time de TI ou contabilidade uma exportação com descrição do fornecedor, descrição do serviço, valor e centro de custo. Esse é 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 informações novas.
4. Quantifique as oportunidades. Com os dados reclassificados, procure os padrões que a McKinsey descreve: variação de preço entre unidades, fragmentação de fornecedores, contratos sobrepostos. Estime o valor potencial.
5. Construa o business case. Se o exercício piloto revelar oportunidades superiores a 3-5% dos custos analisados, você tem um caso forte para investir em uma solução mais robusta e permanente de categorização por IA.