'O LLM não substitui o CFO, mas elimina a rotina': a visão de Andrew Lo, MIT Sloan

De acordo com a pesquisa CFO Signals da Deloitte (Q4 2024), 46% dos CFOs esperam aumentar os gastos ou a implantação de IA generativa na função financeira nos próximos 12 meses. Ao mesmo tempo, 61% deles reconhecem que o impacto real sobre o modelo de talentos de finanças ainda é mínimo ou inexistente. Esse paradoxo — entusiasmo alto, transformação lenta — é exatamente o ponto de partida de uma das vozes mais influentes da interseção entre finanças e tecnologia: Andrew W. Lo, professor do MIT Sloan e diretor do Laboratory for Financial Engineering.

Em entrevistas recentes, Lo resumiu a questão de forma direta: "LLMs can't replace the CFO by any means, but they can take a lot of the drudgery out of the role by providing first drafts of documents that summarize key issues and outline strategic priorities." Ou seja, o LLM não substitui o CFO — mas elimina a rotina que impede o CFO de ser, de fato, estratégico.

Quem é Andrew Lo e por que sua opinião importa

Andrew W. Lo ocupa a cátedra Charles E. and Susan T. Harris no MIT Sloan School of Management e dirige o MIT Laboratory for Financial Engineering. Sua pesquisa combina inteligência artificial, machine learning e mercados financeiros há mais de duas décadas. Ele é um dos criadores do conceito de "investimento quantamental" — a fusão entre análise fundamentalista e quantitativa — e defende que estamos em um "ponto de inflexão" na forma como a indústria financeira usa modelos de linguagem.

Lo não é um entusiasta ingênuo de IA. Pelo contrário: ele aponta os problemas de alucinação dos modelos, questiona a validade de backtests com LLMs e reconhece que a tecnologia ainda precisa amadurecer. Mas sua visão é pragmática — e é isso que a torna tão relevante para quem lidera finanças corporativas.

O que o CFO faz hoje (e não deveria fazer)

Antes de falar sobre o que os LLMs podem resolver, vale entender o problema. Pesquisas da McKinsey mostram que executivos financeiros gastam uma parcela desproporcional de seu tempo em tarefas operacionais e repetitivas:

• Consolidação de relatórios: reunir dados de diferentes fontes para montar reportes trimestrais.
• Rascunhos de comunicação: preparar cartas a investidores, notas explicativas, resumos para o conselho.
• Análise de variância: comparar orçado versus realizado, linha por linha, categoria por categoria.
• Due diligence documental: revisar contratos, termos e condições de fornecedores, cláusulas de compliance.
• Respostas a auditorias: compilar evidências e justificativas para pontos levantados por auditores internos e externos.

Essas tarefas são importantes, mas são exatamente o tipo de trabalho que consome horas sem exigir o julgamento estratégico que justifica o salário de um CFO. Andrew Lo chama isso de "drudgery" — a rotina pesada que impede o executivo de pensar no que realmente importa: alocação de capital, gestão de risco, estratégia de crescimento.

Como LLMs eliminam a rotina: a visão prática

A proposta de Lo não é abstrata. Ele descreve aplicações concretas onde LLMs já demonstram capacidade de gerar valor imediato para CFOs e suas equipes:

Primeiros rascunhos de documentos estratégicos

Um LLM pode receber dados financeiros estruturados — demonstrativos, KPIs, comparativos — e gerar um primeiro rascunho de relatório trimestral, carta ao investidor ou apresentação para o board. O CFO revisa, ajusta o tom, adiciona insights que só ele tem. Resultado: o que levava 8 a 12 horas de trabalho passa a tomar 2 a 3 horas.

Resumo de questões-chave

Em processos de M&A, por exemplo, um LLM pode processar centenas de páginas de documentos de due diligence e destacar os 5 a 10 pontos críticos que exigem atenção do CFO. Isso não elimina a necessidade de análise humana, mas direciona o foco para onde ele mais importa.

Análise de cenários e sensibilidade

Alimentado com premissas macroeconômicas e dados da empresa, um LLM pode gerar rapidamente cenários de stress test — o que acontece com o fluxo de caixa se a taxa de juros subir 200 bps, se o câmbio se desvalorizar 15%, se o principal cliente atrasar pagamentos em 30 dias. O CFO avalia os cenários; o LLM faz o trabalho braçal de montá-los.

Comunicação com investidores

Lo destaca que LLMs são especialmente úteis para gerar rascunhos de Q&A para earnings calls, antecipar perguntas de analistas com base em resultados publicados e preparar talking points para o CEO e o CFO.

O conceito de "investimento quantamental"

Uma das contribuições mais originais de Andrew Lo é o conceito de investimento quantamental — a ideia de que análise quantitativa (baseada em dados e algoritmos) e análise fundamentalista (baseada em julgamento humano e contexto) não são opostas, mas complementares.

Lo define assim: "Can quant and fundamental analysts live happily side by side and be able to be more productive than either by themselves? That's what I mean by 'quantamental' analysis."

Para o CFO corporativo, a analogia é direta. O LLM é o "quant" — processa dados em velocidade e escala que nenhum humano consegue. O CFO é o "fundamental" — entende o contexto, o relacionamento com stakeholders, as nuances políticas e estratégicas que nenhum modelo captura. Juntos, são mais produtivos do que qualquer um sozinho.

Os limites que Lo reconhece (e que todo CFO deve conhecer)

Lo é transparente sobre os riscos. Ele destaca dois problemas críticos:

Alucinações

LLMs podem gerar informações plausíveis mas incorretas. Em finanças, isso é particularmente perigoso: um número errado em um relatório ao investidor ou uma projeção sem base real pode ter consequências regulatórias e reputacionais graves. Lo recomenda que todo output de LLM passe por validação humana antes de ser usado em decisões ou comunicações oficiais.

Backtests contaminados

Em análise de investimentos, Lo aponta um problema sutil: "I can run a backtest now of ChatGPT using data from 10 years ago. But the problem is ChatGPT has all the information over the last 10 years." Ou seja, o modelo já "conhece" o futuro, tornando qualquer backtest inválido. Para CFOs que consideram usar LLMs em previsão de receita ou cenários de mercado, esse viés precisa ser controlado.

O que a pesquisa da McKinsey e da Deloitte confirma

Os dados de mercado corroboram a visão de Lo:

• 78% das organizações já usam IA em pelo menos uma função de negócios, segundo a McKinsey — um salto em relação aos 55% de 2023.
• 71% das organizações usam IA generativa regularmente em pelo menos uma função, contra 65% no início de 2024.
• 74% das empresas afirmam que iniciativas avançadas de IA atingem ou superam as expectativas de ROI.
• 66% das organizações relatam ganhos de produtividade e eficiência com IA.

No entanto, a adoção especificamente na função financeira ainda está aquém. A pesquisa CFO Signals da Deloitte mostra que, embora 46% dos CFOs planejem aumentar investimentos em IA generativa, a maioria ainda está em fase de experimentação — não de escala.

O ponto de inflexão: por que agora é o momento

Lo argumenta que estamos em um ponto de inflexão. Os modelos melhoraram dramaticamente nos últimos 18 meses — em capacidade de raciocínio, em redução de alucinações, em habilidade de processar dados estruturados. Ao mesmo tempo, o custo de uso caiu significativamente, e as interfaces se tornaram acessíveis a profissionais sem formação técnica.

Para o CFO que ainda está na fase de "vou esperar para ver", o risco não é adotar cedo demais. O risco é ficar para trás enquanto concorrentes usam LLMs para tomar decisões mais rápidas, comunicar-se melhor com investidores e operar com equipes mais enxutas e produtivas.

Ações práticas para começar

1. Identifique as 3 tarefas mais repetitivas do seu mês — consolidação de dados, rascunhos de relatórios, análise de variância — e teste um LLM (como ChatGPT, Claude ou Gemini) para gerar primeiros rascunhos. Meça o tempo economizado.
2. Estabeleça um protocolo de validação — nenhum output de LLM deve ir direto para stakeholders externos. Crie um fluxo de revisão que inclua pelo menos uma camada de verificação humana, especialmente para números e projeções.
3. Comece com comunicação, não com modelagem — a geração de rascunhos de cartas a investidores, talking points e Q&A para earnings calls é o caso de uso com melhor relação esforço/benefício. O risco é baixo (porque você revisa tudo) e o ganho de tempo é imediato.
4. Treine sua equipe em prompt engineering básico — a qualidade do output de um LLM depende diretamente da qualidade do input. Invista algumas horas ensinando analistas e controllers a formular prompts específicos, com contexto e formato esperado.
5. Acompanhe a evolução dos modelos — o que um LLM não conseguia fazer há 6 meses pode ser trivial hoje. Revise seus casos de uso a cada trimestre e expanda gradualmente o escopo de aplicação.