IA generativa para narrativas financeiras: quando o relatório se escreve sozinho

Uma pesquisa recente da PYMNTS com CFOs revelou que mais de 60% das empresas já usam IA generativa para gerar visualizações de dados e relatórios. É esse número subiu rápido: em marco de 2025, apenas 37% dos CFOs consideravam a tecnologia relevante para reporting financeiro; em junho do mesmo ano, o índice já era de 68%. Algo mudou na percepção do mercado -- é na prática também.

A verdade é que a parte mais demorada do fechamento contábil não costuma ser o lançamento em si. É a narrativa. Explicar por que a receita caiu 3,2%, contextualizar o aumento de despesas operacionais, montar o resumo executivo para o conselho. Esse trabalho consome horas de profissionais qualificados -- é agora, modelos de linguagem estão começando a assumir boa parte dele.

O que muda quando o relatório ganha um co-autor digital

LLMs como GPT-4 e Claude conseguem sintetizar dados estruturados e não-estruturados em narrativas fluidas e contextualizadas. Na prática, isso significa que um modelo pode receber uma planilha de DRE, comparar com o trimestre anterior e gerar um paragrafo como:

"A receita liquida recuou 3,2% no trimestre, de R$ 48,7M para R$ 47,1M, impactada principalmente pela sazonalidade no segmento B2B. A margem EBITDA, no entanto, avancou 1,4 p.p. devido a redução de custos com terceirização."

Esse tipo de output já e produzido por ferramentas reais, não por prototipos de laboratório. Segundo um paper publicado no SSRN por pesquisadores da Universidade de Washington e Stanford, já há evidência estatisticamente significativa de uso de IA generativa em press releases de resultados, prepared remarks de conference calls, seções de MD&A e até documentos de IPO. Em 2024, até 4,5% do texto novo desses documentos já era gerado por IA.

Onde as narrativas automatizadas já são realidade

A aplicação de LLMs em narrativas financeiras aparece em pelo menos quatro frentes concretas:

• Comentarios de variação (variance commentary): o modelo compara períodos, identifica desvios relevantes e gera explicações automáticas. Em vez de o analista escrever "a despesa com viagens aumentou 22% devido a retomada de visitas a clientes", o sistema produz essa frase a partir da base de dados.
• Resumos executivos: reports de 50+ páginas são condensados em 2-3 paragrafos que destacam os pontos mais relevantes para o board. Ferramentas como o Knolli já fazem isso nativamente, conectando a DRE a um gerador de slides.
• Narrativas de MD&A e risk factors: empresas listadas nos EUA já experimentam gerar primeiros rascunhos de seções regulatórias. A pesquisa do SSRN mostra que a qualidade linguística melhora, mas alerta para riscos de tom excessivamente otimista.
• Relatórios de sustentabilidade e ESG: com frameworks como GRI e SASB, LLMs conseguem mapear dados operacionais para os indicadores exigidos e gerar textos padronizados.

O que dizem os CFOs na prática

A pesquisa da L.E.K. Consulting de 2025 sobre o Office of the CFO traz dados reveladores. CFOs que já usam IA generativa relatam níveis de satisfação entre 80% e 100% com a tecnologia -- um salto significativo em relação ao ano anterior. Os casos de uso mais citados incluem reporting financeiro, gestão de capital de giro e atividades relacionadas a risco.

Já o estudo do MIT Technology Review em parceria com Oracle mostrou que 19% das organizações financeiras já adotaram IA generativa na função financeira, e 46% dos CFOs esperam aumentar investimentos nessa frente nos próximos 12 meses.

A Bain Capital Ventures complementa com uma perspectiva mais provocativa: o escritório do CFO está se tornando um dos maiores compradores de IA nas empresas, justamente porque o trabalho financeiro e intensivo em dados e texto -- a combinação perfeita para LLMs.

Os riscos que não da para ignorar

Seria irresponsável falar de narrativas automatizadas sem falar dos riscos. A mesma pesquisa do SSRN que documenta a adoção alerta para três problemas concretos:

• Alucinações: o modelo pode inventar números ou relações causais que não existem nos dados. Um comentário de variação que atribui a queda de receita ao cambio quando o dado real aponta para sazonalidade é um erro grave.
• Tom enviesado: LLMs tendem a produzir textos com tom positivo. Em narrativas financeiras, isso pode significar minimizar riscos ou suavizar resultados negativos -- algo que reguladores e auditores não vão tolerar.
• Padronização excessiva: se todos usam os mesmos modelos, os relatórios começam a soar iguais. Investidores que analisam dezenas de earnings releases podem perceber a "voz genérica" da IA.

A solução não é evitar a tecnologia, mas construir camadas de governança. Um framework de "AI governance" para narrativas financeiras deve incluir: revisão humana obrigatória antes da publicação, validação cruzada de números citados com a base de dados original e controle de versões para rastrear o que foi gerado versus o que foi editado.

Como montar um pipeline de narrativas com IA

Na prática, um fluxo funcional se parece com isto:

1. Extração estruturada: os dados do ERP ou planilha são exportados em formato padronizado (CSV, JSON ou API direta).
2. Cálculo de variações: um script ou ferramenta calcula automaticamente os deltas entre períodos, identifica os top 5 desvios por magnitude e sinaliza anomalias.
3. Geração do rascunho: o LLM recebe os dados calculados, um template de narrativa (com exemplos do estilo da empresa) e gera o primeiro rascunho.
4. Revisão humana: o controller ou analista revisa o texto, corrige imprecisões e ajusta o tom para o público-alvo.
5. Publicação e arquivo: o relatório final é publicado, com metadados que indicam quais seções tiveram assistência de IA.

Esse pipeline não elimina o profissional. Ele elimina as 4-6 horas que o profissional gastava escrevendo o que um modelo consegue rascunhar em minutos.

O impacto real no fechamento contábil

Quando juntamos narrativas automatizadas com outras automações de fechamento -- reconciliações, categorizações, validações --, o impacto acumulado é significativo. Empresas que adotam IA no ciclo completo de reporting reportam reduções de 30% a 50% no tempo total de fechamento.

Mas o ganho mais interessante talvez não seja o tempo. É a qualidade. Com o rascunho automatizado como ponto de partida, o controller pode investir mais tempo em análise crítica, em entender o "por que" por trás dos números, em vez de gastar energia traduzindo tabelas em texto.

O que fazer agora: ações práticas

1. Comece pelo variance commentary. Escolha um relatório mensal recorrente e teste gerar os comentários de variação com um LLM. Compare com o que seu time produziria manualmente. Avalie precisão, tom e tempo economizado.
2. Defina templates de narrativa. O LLM funciona muito melhor com exemplos. Crie 3-5 templates de como sua empresa escreve comentários financeiros e use-os como referência no prompt.
3. Implemente revisão cruzada obrigatória. Nenhuma narrativa gerada por IA deve ser publicada sem que um humano valide os números citados contra a fonte original. Automatize essa validação sempre que possível.
4. Documente a origem do texto. Adote uma política interna que identifique quais trechos foram gerados com assistência de IA. Isso protege a empresa regulatoriamente e cria um histórico útil para auditoria.
5. Monitore o tom é a consistência. Configure alertas para detectar quando o texto gerado soa excessivamente otimista ou quando foge do padrão linguístico da empresa.