PetroChina: como a gigante do petróleo migrou 70% do trabalho financeiro para IA

A PetroChina, subsidiária listada da CNPC (China National Petroleum Corporation), é uma das maiores empresas do mundo, com receita anual superior a US$ 400 bilhões e mais de 400 mil funcionários. Quando uma organização dessa escala decide transformar suas operações financeiras com IA, o impacto é proporcional: a empresa migrou aproximadamente 70% do trabalho financeiro operacional para sistemas automatizados e inteligentes em seus centros de serviços compartilhados (CSCs). Esse é um dos maiores casos de transformação financeira digital no mundo, e ele oferece lições relevantes para qualquer empresa que opere centros de serviços financeiros.

Neste post, vamos analisar como a PetroChina construiu essa transformação, quais tecnologias foram combinadas e o que diferencia a abordagem chinesa de automação financeira.

O desafio: escala continental

Para entender a magnitude do problema, considere os números. A CNPC opera em mais de 30 províncias chinesas e em dezenas de países. O volume de transações financeiras diárias -- reembolsos de despesas, processamento de faturas (fapiao), reconciliações bancárias, lançamentos contábeis, pagamentos a fornecedores -- é astronômico.

Antes da transformação digital, a PetroChina já havia consolidado operações financeiras em centros de serviços compartilhados, um modelo que na China é chamado de "Financial Sharing Center" (caizheng gongxiang zhongxin). A empresa classifica suas transações de contas a pagar em três categorias: públicas (entre unidades da empresa), privadas (reembolsos de funcionários) e externas (fornecedores terceiros). Cada categoria tem regras, fluxos de aprovação e requisitos de documentação distintos.

O problema era que, mesmo com centralização, o volume de trabalho manual permanecia massivo. Cada reembolso de despesa exigia verificação de comprovantes, checagem de políticas internas, aprovações em cadeia e lançamento contábil. Cada fatura de fornecedor demandava conferência contra ordem de compra, verificação fiscal (o sistema de fapiao chinês é complexo) e reconciliação com contratos.

A arquitetura da solução: três camadas de IA

A transformação da PetroChina não foi baseada em uma única tecnologia, mas em uma arquitetura de múltiplas camadas de IA que trabalham em conjunto.

Camada 1: OCR e extração inteligente de documentos. O primeiro passo foi eliminar a entrada manual de dados. Sistemas de OCR (Optical Character Recognition) de alta precisão foram implementados para extrair automaticamente dados de faturas fiscais (fapiao), recibos, notas de despesas e documentos de transporte. No contexto chinês, isso é particularmente relevante porque o sistema fiscal opera com faturas eletrônicas padronizadas (e-fapiao) que podem ser verificadas automaticamente contra os registros do Golden Tax System do governo.

A precisão do OCR para documentos financeiros chineses -- que incluem caracteres em mandarim, valores numéricos e códigos QR fiscais -- evoluiu significativamente com modelos de deep learning treinados especificamente para documentos financeiros. Taxas de precisão acima de 95% são reportadas para documentos padrão.

Camada 2: Grafos de conhecimento financeiro. A PetroChina, em colaboração com a Huawei, desenvolveu uma plataforma de computação cognitiva chamada E8, que utiliza grafos de conhecimento, processamento de linguagem natural e machine learning para construir, calcular e aplicar sistemas de conhecimento.

No contexto financeiro, grafos de conhecimento são usados para mapear relações entre entidades: fornecedores, contratos, centros de custo, contas contábeis, políticas internas e regras fiscais. Quando um reembolso de despesa é submetido, o sistema não apenas verifica se os valores estão corretos -- ele consulta o grafo de conhecimento para verificar se a despesa é compatível com a política da unidade, se o fornecedor está aprovado, se o centro de custo tem orçamento disponível e se a classificação contábil está correta.

A vantagem dos grafos de conhecimento sobre regras estáticas é a capacidade de capturar relações complexas e contextuais. Uma regra estática pode dizer "limite de refeição é RMB 200". Um grafo de conhecimento pode adicionar contexto: "limite de refeição é RMB 200 para funcionários de nível 1 a 3 na região Nordeste, RMB 300 para nível 4+ ou qualquer funcionário em viagem a Beijing, exceto durante o período de austeridade fiscal que reduz todos os limites em 20%".

Camada 3: Auditoria automatizada com machine learning. Com dados extraídos por OCR e contexto fornecido pelo grafo de conhecimento, modelos de machine learning executam auditoria automatizada de cada transação. O sistema classifica cada item como aprovado, rejeitado ou encaminhado para revisão humana.

O treinamento dos modelos foi feito com milhões de transações históricas que haviam sido auditadas manualmente, permitindo que o sistema aprendesse padrões de aprovação e rejeição. Anomalias que historicamente passavam despercebidas -- como padrões de reembolso atípicos ou concentração de despesas em determinados fornecedores -- passaram a ser sinalizadas automaticamente.

A transformação na prática: de manual para inteligente

A implementação seguiu a estratégia gradual que é característica das grandes transformações digitais na China: começar com pilotos, validar resultados e expandir progressivamente.

Reembolso inteligente de despesas. O processo de reembolso foi completamente redesenhado. O funcionário fotografa ou carrega recibos pelo aplicativo móvel. O OCR extrai dados automaticamente. O grafo de conhecimento verifica compliance com políticas. O modelo de ML aprova ou rejeita. O lançamento contábil é gerado automaticamente. O pagamento é processado. Todo o fluxo que antes levava dias e envolvia múltiplas pessoas passou a ser executado em horas, com intervenção humana apenas em casos de exceção.

Processamento de faturas de fornecedores. Faturas são recebidas eletronicamente (e-fapiao) ou digitalizadas via OCR. O sistema verifica automaticamente contra ordens de compra e contratos, identifica divergências de preço ou quantidade, valida a autenticidade fiscal da fatura contra o sistema governamental e gera o lançamento contábil para aprovação. O matching automatizado entre fatura, ordem de compra e recebimento (three-way matching) foi elevado a níveis superiores a 85%.

Reconciliação bancária automatizada. Com centenas de contas bancárias em dezenas de bancos, a reconciliação bancária era uma operação que consumia equipes inteiras. Sistemas de matching automatizado com IA reduziram o esforço manual drasticamente, tratando automaticamente a grande maioria das transações e encaminhando apenas exceções para revisão humana.

O resultado: 70% do trabalho migrado para IA

A consolidação dessas três camadas permitiu que a PetroChina migrasse aproximadamente 70% do trabalho financeiro operacional de seus centros de serviços compartilhados para processamento automatizado. Isso não significa que 70% das pessoas foram substituídas -- significa que 70% das tarefas que antes exigiam trabalho manual humano são agora executadas por sistemas inteligentes.

O impacto em escala é impressionante. Se estimarmos conservadoramente que os CSCs financeiros da PetroChina empregavam dezenas de milhares de pessoas em funções operacionais, a automação de 70% do trabalho representa uma capacidade de processamento equivalente a milhares de FTEs sendo liberada para atividades de maior valor: análise financeira, gestão de risco, planejamento estratégico e auditoria de exceções.

A precisão também melhorou. Sistemas automatizados não sofrem de fadiga, não cometem erros de digitação e aplicam regras de forma consistente. A taxa de erros em lançamentos contábeis, classificações de despesas e reconciliações caiu significativamente em relação ao processamento manual.

O ecossistema chinês como acelerador

A transformação da PetroChina não aconteceu no vácuo. O ecossistema digital chinês oferece aceleradores que não existem na mesma intensidade em outros mercados.

Golden Tax System (fase IV). O sistema fiscal chinês já opera com faturas eletrônicas verificáveis em tempo real. Isso elimina um dos maiores gargalos da automação de AP em outros países: a verificação de autenticidade de documentos fiscais. Na China, uma fatura pode ser validada instantaneamente contra os registros governamentais.

Infraestrutura de pagamento digital. Com o domínio de plataformas como Alipay e WeChat Pay, até mesmo reembolsos de despesas podem ser processados digitalmente de ponta a ponta, sem cheques ou transferências bancárias manuais.

Investimento governamental em IA. O governo chinês tem investido pesadamente em capacitação de IA através de programas como o "New Generation Artificial Intelligence Development Plan". Empresas estatais como a CNPC são frequentemente pioneiras na adoção dessas tecnologias.

Parceria com gigantes de tecnologia. A colaboração com a Huawei para a plataforma E8 ilustra como empresas de energia e tecnologia chinesas trabalham juntas em projetos de transformação digital de grande escala.

Lições para empresas brasileiras

O caso da PetroChina oferece lições que transcendem as diferenças de escala e contexto.

Centros de serviços compartilhados são a base. A automação com IA funciona melhor quando os processos já estão centralizados e padronizados. Empresas que ainda operam com processos financeiros descentralizados e heterogêneos precisam primeiro consolidar para depois automatizar.

A combinação de tecnologias é mais poderosa que qualquer tecnologia isolada. OCR sozinho digitaliza documentos, mas não entende contexto. Grafos de conhecimento sozinhos representam regras, mas não processam documentos. Machine learning sozinho encontra padrões, mas não tem estrutura de conhecimento. A combinação das três camadas é o que gera os 70% de automação.

O fapiao eletrônico chinês é análogo à nota fiscal eletrônica brasileira. O Brasil tem uma vantagem similar à China nesse aspecto: a NF-e e o sistema SPED já fornecem dados fiscais estruturados que podem ser processados automaticamente. Empresas brasileiras que ainda verificam notas fiscais manualmente estão subutilizando uma infraestrutura que já existe.

O que fazer a partir deste caso

1. Mapeie o percentual de trabalho manual nos seus processos financeiros. Quanto do tempo da sua equipe de AP, AR e contabilidade é gasto em tarefas que seguem regras previsíveis? Esse é o seu potencial de automação.
2. Avalie a maturidade do seu CSC. Se você já opera um centro de serviços compartilhados, identifique quais processos têm maior volume e menor complexidade. Esses são os candidatos prioritários para automação com IA.
3. Comece pelo OCR e extração de dados. A primeira camada -- digitalização e extração automática de dados de documentos -- é a mais madura e a mais acessível. Soluções como ABBYY, Rossum, Kofax e até modelos de linguagem com capacidade de visão podem ser implementadas em semanas.
4. Construa sua base de conhecimento gradualmente. Você não precisa de um grafo de conhecimento completo no primeiro dia. Comece documentando as regras de negócio mais frequentes em formato estruturado e use-as para validação automatizada. O grafo cresce organicamente com o tempo.
5. Meça a taxa de straight-through processing. Defina como meta a porcentagem de transações processadas sem intervenção humana e acompanhe a evolução mês a mês. Se a PetroChina chegou a 70%, comece mirando 30% e escale a partir dos aprendizados.