Pesquisa acadêmica: IA generativa reduz significativamente DSO e CCC em manufatura

Empresas de manufatura que adotaram IA generativa registraram um DSO médio de 56,77 dias, contra 64,82 dias de empresas que não adotaram — uma diferença de 8 dias, ou 12,4% de melhoria. Esse não é um dado de marketing de fornecedor de software. É o resultado de um estudo acadêmico publicado em 2025 no All Finance Journal, com o título "Harnessing Generative AI for Working Capital Optimization: Evidence from Indian Manufacturing Firms". A pesquisa oferece evidência empírica de que a adoção de GenAI é um preditor estatisticamente significativo de eficiência em capital de giro e lucratividade.

Neste post, vamos dissecar a metodologia, os resultados e as implicações práticas dessa pesquisa para empresas que estão avaliando investimentos em IA.

Contexto e motivação do estudo

A pesquisa parte de uma observação importante: apesar do crescente investimento em IA nas empresas, existe um "paradoxo de produtividade da IA" — a dificuldade de demonstrar, com dados empíricos rigorosos, que a adoção de IA se traduz em métricas financeiras mensuráveis.

A maior parte da literatura sobre IA em finanças corporativas é baseada em:

• Estudos de caso anedóticos (empresa X implementou IA e melhorou Y%)
• Projeções de consultorias (McKinsey estima que IA vai gerar Z trilhões em valor)
• Pesquisas de intenção (X% dos CFOs planejam implementar IA)

O que faltava era um estudo quantitativo robusto que comparasse, controlando por variáveis confusas, o desempenho de empresas adotantes versus não adotantes de GenAI em métricas específicas de capital de giro.

Metodologia

O estudo analisou empresas de manufatura indianas — um mercado emergente com características estruturais semelhantes ao Brasil em muitos aspectos (complexidade tributária, cadeias de suprimento fragmentadas, diversidade de porte empresarial, desafios de infraestrutura).

A pesquisa utilizou análise de regressão para testar a relação entre adoção de GenAI e três variáveis dependentes:

1. Days Sales Outstanding (DSO): eficiência na cobrança de recebíveis
2. Cash Conversion Cycle (CCC): eficiência geral do ciclo de conversão de caixa
3. Lucratividade: medida por indicadores de rentabilidade

As variáveis de controle incluíram porte da empresa, setor industrial específico, alavancagem financeira e outros fatores que poderiam influenciar os resultados independentemente da adoção de IA.

Os resultados em detalhe

DSO: recebíveis mais rápidos

O achado mais direto: empresas que adotaram GenAI tiveram DSO de 56,77 dias contra 64,82 dias das não adotantes. A diferença de 8,05 dias é estatisticamente significativa e economicamente relevante.

Para colocar em perspectiva: se uma empresa de manufatura brasileira com receita anual de R$ 300 milhões reduz seu DSO em 8 dias, libera aproximadamente R$ 6,6 milhões em caixa. Isso sem contar os efeitos secundários: menor necessidade de capital de giro externo, redução de custos financeiros e menor exposição ao risco de inadimplência.

CCC: ciclo de caixa mais curto

O estudo encontrou que a adoção de GenAI tem um efeito negativo significativo no CCC — ou seja, reduz o tempo total do ciclo de conversão de caixa. A análise de regressão confirma que a GenAI é um preditor forte de eficiência em capital de giro, mesmo quando se controlam outros fatores.

Isso significa que o impacto da GenAI não se limita à cobrança — ele se espalha pelo ciclo operacional, possivelmente através de:

• Melhor previsão de demanda (reduzindo DIO)
• Otimização de termos de pagamento (ajustando DPO)
• Automatização de processos que reduzem atritos entre departamentos

Lucratividade: resultado final

A pesquisa também encontrou correlação positiva entre adoção de GenAI e lucratividade. Embora a causalidade direta seja mais difícil de estabelecer (empresas mais lucrativas podem ter mais recursos para investir em IA), a análise controlada sugere que o caminho causal opera em ambas as direções.

A interpretação dos autores é que a GenAI contribui para a lucratividade através de dois canais principais:

1. Eficiência operacional: processos automatizados custam menos e liberam recursos humanos para atividades de maior valor
2. Decisão mais rápida e informada: a capacidade de processar e interpretar dados financeiros em tempo real melhora a qualidade das decisões de crédito, cobrança e pagamento

Como GenAI atua na prática: os mecanismos

O estudo identifica três mecanismos principais pelos quais a IA generativa impacta o capital de giro.

Automação inteligente

GenAI vai além da automação por regras (RPA). Enquanto um bot RPA segue instruções fixas ("envie lembrete de cobrança no dia X"), um sistema baseado em GenAI pode:

• Redigir comunicações de cobrança personalizadas por cliente, adaptando tom e conteúdo ao perfil e histórico
• Interpretar respostas de clientes (inclusive e-mails em linguagem natural) e classificar por urgência e tipo (disputa, promessa de pagamento, pedido de informação)
• Gerar relatórios narrativos sobre a posição de capital de giro, contextualizando números com análise de tendências

Analytics preditivo avançado

Modelos de linguagem combinados com modelos de ML tradicionais podem processar dados estruturados (transações, faturas, pagamentos) e não estruturados (e-mails, contratos, notícias sobre clientes) para gerar previsões mais completas. Um exemplo concreto:

Um modelo que incorpora notícias públicas sobre a saúde financeira de um cliente pode antecipar problemas de pagamento semanas antes que apareçam nos dados transacionais. Se o maior cliente da empresa anuncia uma reestruturação, o sistema automaticamente reclassifica o risco daquele recebível.

Suporte à decisão em tempo real

A GenAI permite que gestores financeiros façam perguntas em linguagem natural sobre a posição de capital de giro e recebam respostas contextualizadas. Em vez de navegar dashboards complexos, o gestor pergunta: "Quais clientes com mais de R$ 500 mil em aberto têm maior risco de atrasar este mês?" e recebe uma resposta acionável com prioridades recomendadas.

Limitações e cuidados interpretativos

Como toda pesquisa acadêmica, o estudo tem limitações que precisam ser consideradas.

Contexto geográfico. Os dados são de empresas indianas. Embora o mercado indiano tenha semelhanças estruturais com o brasileiro, a transposição direta dos números requer cautela. Diferenças em regime tributário, cultura de pagamento, custo de capital e maturidade tecnológica podem amplificar ou atenuar os efeitos observados.

Causalidade versus correlação. O estudo encontra associação estatística significativa, mas o design não é um experimento controlado randomizado. Empresas que adotam GenAI podem ser diferentes de empresas que não adotam em dimensões não capturadas pelas variáveis de controle (por exemplo, qualidade da gestão, cultura de inovação).

Definição de "adoção." O estudo classifica empresas como adotantes ou não adotantes de GenAI, mas o espectro de adoção é amplo. Uma empresa que usa ChatGPT para redigir e-mails de cobrança é diferente de uma que implementou agentes autônomos de AR.

Período de análise. Os dados refletem um período relativamente recente de adoção de GenAI (pós-ChatGPT). Os efeitos de longo prazo — positivos ou negativos — ainda não são capturados.

Implicações para o mercado brasileiro

O Brasil está em uma posição privilegiada para capturar valor com GenAI em capital de giro. Temos:

• Custo de capital alto: cada dia de redução no CCC vale mais em termos absolutos do que em economias com juros baixos
• Complexidade operacional: a cadeia de suprimento brasileira, com sua carga tributária complexa e logística desafiadora, gera mais atrito e mais oportunidade de otimização
• Base tecnológica crescente: o Visa Working Capital Index mostra que 62% das empresas de médio porte latinas já usam IA para capital de giro
• Pool de talento em IA: o Brasil tem uma comunidade crescente de cientistas de dados e engenheiros de ML

O desafio é passar do uso pontual (usar ChatGPT para tarefas isoladas) para a implementação sistêmica (integrar GenAI nos processos de AR, AP e gestão de estoque).

Conexão com outros dados do mercado

O estudo acadêmico não existe no vácuo. Ele converge com outros dados recentes:

• A PYMNTS Intelligence reporta que empresas com IA em recebíveis alcançam reduções de 3 a 5 dias no DSO e 30% menos custos de cobrança
• A Hackett Group mostra que o gap entre top performers e mediana em DSO é de 18 dias — sugerindo que a adoção de tecnologia (incluindo IA) é um diferenciador crescente
• Dados de Billtrust indicam que 99% das empresas que implementaram IA em AR reduziram o DSO

O estudo do All Finance Journal adiciona rigor acadêmico a essas observações de mercado, confirmando que não se trata apenas de viés de sobrevivência (só ouvimos de quem deu certo) — a relação entre GenAI e eficiência em capital de giro é robusta estatisticamente.

Ações práticas para esta semana

1. Leia o estudo original. O paper está disponível gratuitamente no All Finance Journal. Mesmo que você não tenha background em estatística, as conclusões e tabelas de resultados são acessíveis.
2. Calcule quanto vale 8 dias de DSO para sua empresa. Divida sua receita anual por 365 e multiplique por 8. Esse é o valor aproximado que poderia ser liberado com a melhoria observada no estudo.
3. Identifique três processos de AR que poderiam usar GenAI. Comece pelo mais simples: geração de lembretes de cobrança personalizados, classificação de respostas de clientes por e-mail ou análise de padrões de pagamento.
4. Monte um piloto controlado. Selecione um grupo de clientes ou uma carteira de recebíveis e implemente GenAI apenas nesse grupo. Compare os resultados com um grupo de controle que mantém o processo atual. Isso replica, em escala menor, a lógica do estudo acadêmico.
5. Documente e comunique. CFOs precisam de evidências para justificar investimentos em IA. Registre os resultados do piloto com a mesma disciplina do estudo acadêmico: métricas antes e depois, grupo de controle, variáveis controladas. Isso transforma um experimento em um business case.