Thomson Reuters Audit Intelligence: como reduzir amostras de auditoria em 50% com IA

Auditorias tradicionais dependem de amostragem. Com milhares ou milhoes de transações para analisar, auditores selecionam uma fracao -- e torcem para que essa fracao seja representativa. A Thomson Reuters lancou em 2024 o Audit Intelligence, uma suite de ferramentas baseada em IA que promete cortar o tamanho das amostras pela metade e economizar entre 30 minutos e 2 horas por ciclo de selecao e documentação. Não e um ganho marginal: e uma mudanca estrutural na forma como auditorias são conduzidas.

Neste post, analisamos como a ferramenta funciona, quais resultados esta entregando e o que isso significa para equipes financeiras que são auditadas ou que conduzem auditorias internas.

O problema com a amostragem tradicional

O metodo classico de auditoria funciona assim: o auditor recebe um universo de transações (digamos, todas as faturas de um trimestre), define criterios de amostragem e seleciona um subconjunto para teste. O subconjunto precisa ser grande o suficiente para dar confianca estatistica, mas pequeno o suficiente para ser viavel.

O resultado e um equilibrio fragil:

• Amostras grandes demais: o custo da auditoria dispara. Auditores gastam horas testando transações de baixo risco que raramente revelam problemas.
• Amostras pequenas demais: o risco de não detectar erros materiais aumenta. O auditor pode dar uma opiniao limpa sobre demonstracoes que contem distorcoes relevantes.
• Selecao aleatoria: a amostragem probabilistica trata todas as transações como iguais, quando na realidade elas tem perfis de risco muito diferentes.

Na pratica, muitos auditores compensam a incerteza aumentando o tamanho da amostra -- o que eleva custos para a firma de auditoria e para o cliente, sem necessariamente melhorar a qualidade.

Como o Audit Intelligence Analyze funciona

O Audit Intelligence Analyze, modulo central da suite, usa uma combinacao de IA generativa e modelos classicos de machine learning para segmentar populacoes de teste com base no nivel de risco. Em vez de tratar todas as transações como iguais, o sistema classifica cada item em faixas de risco e direciona o esforco do auditor para onde ele realmente importa.

O fluxo de trabalho:

1. Ingestão de dados: atraves de uma parceria estrategica com a Validis, uma provedora de dados contabeis on-demand, os dados do cliente (balancete, razao geral, subledgers) são importados diretamente para dentro da plataforma. Isso elimina o vai-e-vem de planilhas entre auditor e cliente.
2. Segmentacao por risco: o modelo de ML analisa cada transacao e atribui um nivel de risco com base em multiplas variaveis: valor, natureza da conta, historico de erros, padroes de comportamento e anomalias estatisticas.
3. Detecção de anomalias: além da segmentacao, o sistema identifica itens incomuns que frequentemente passam despercebidos por humanos -- transações fora de padrao, lançamentos em horarios atipicos, valores que fogem da distribuicao esperada.
4. Otimização de amostras: com a populacao segmentada por risco, o auditor pode reduzir significativamente a amostra de itens de baixo risco e concentrar o teste nos itens de alto risco. O resultado: amostras até 50% menores com cobertura de risco igual ou superior.
5. Documentação automatica: o sistema gera automaticamente toda a documentação de auditoria necessaria -- uma tarefa que normalmente consome horas de trabalho manual.

Os numeros: o que a redução de 50% significa na pratica

Quando a Thomson Reuters diz que o Audit Intelligence pode cortar amostras pela metade, vale traduzir isso em impacto real:

Para uma auditoria tipica de empresa de medio porte:

• Se o auditor selecionava 200 transações para teste de detalhes em contas a receber, agora pode selecionar 100 -- desde que os itens de alto risco estejam adequadamente cobertos.
• A economia de tempo não esta só na redução da amostra: esta na selecao (que antes era manual) e na documentação (que antes era feita linha por linha).
• A Thomson Reuters reporta economia de 30 minutos a 2 horas por ciclo, apenas na selecao de amostras e documentação.

Para firmas de auditoria:

• Menos horas por engajamento significa maior margem ou precos mais competitivos.
• Auditores podem realocar tempo para areas de julgamento e risco alto, onde a expertise humana realmente faz diferenca.
• A qualidade da auditoria tende a melhorar porque o foco esta nos itens certos, não em itens aleatorios.

Para empresas auditadas:

• Menos solicitacoes de documentos e informacoes adicionais por parte dos auditores.
• Processo de auditoria mais rapido e menos disruptivo.
• A ingestão automatica de dados via Validis reduz o trabalho da equipe financeira na preparacao de informacoes.

A parceria Thomson Reuters + Validis: por que importa

Um dos gargalos historicos da auditoria e a obtencao de dados do cliente. Auditores pedem extratos, relatarios, planilhas. Clientes compilam, exportam, enviam. Auditores importam, formam, reconciliam. Esse processo pode levar dias.

A integração com a Validis resolve isso de forma direta: os dados contabeis do cliente são extraidos diretamente do ERP e disponibilizados na plataforma Audit Intelligence, já no formato necessario. Os passos automatizados incluem:

• Importacao e codificacao de balancete, razao geral e subledgers.
• Analise de risco para otimização da selecao de amostras.
• Teste de detalhes integrado ao fluxo de trabalho do auditor.

Em dezembro de 2025, a Thomson Reuters anunciou a expansao do ecossistema Audit Intelligence com novas parcerias para trazer automação adicional baseada em IA agentiva (agentic AI) aos workflows de auditoria -- sinalizando que essa e uma plataforma em rapida evolucao, não um produto estatico.

Implicacoes para equipes financeiras

Mesmo que voce não seja auditor, o Audit Intelligence tem implicacoes diretas para equipes financeiras:

Se voce e auditado:

• Espere que seus auditores passem a pedir dados de formas diferentes -- possivelmente com integração direta ao seu ERP.
• Prepare-se para perguntas mais direcionadas: em vez de revisar uma amostra aleatoria, auditores virao com perguntas especificas sobre transações que o modelo sinalizou como anomalas.
• Isso e positivo: significa que o foco esta nos itens que realmente importam.

Se voce faz auditoria interna:

• Considere adotar abordagens similares de segmentacao por risco nas suas revisoes internas.
• Mesmo sem o Audit Intelligence especificamente, os principios são aplicaveis: use dados para classificar transações por risco antes de definir amostras.
• Ferramentas de analytics e ML podem ser implementadas internamente para replicar parte dessa logica.

Se voce e CFO ou controller:

• A tendencia e clara: auditorias baseadas em IA serão o padrao. Empresas que facilitam o acesso a dados e mantem registros limpos terão auditorias mais rapidas e menos custosas.
• Investir em qualidade de dados contabeis não e só boa pratica -- e preparacao para um mundo onde algoritmos vão analisar cada transacao.

Limitacoes e pontos de atencao

Nem tudo e perfeito. Alguns pontos que merecem cautela:

• Disponibilidade geografica: o Audit Intelligence Analyze foi lancado nos EUA no outono de 2024, com expansao para o Reino Unido em 2025. A disponibilidade para America Latina ainda não foi formalmente anunciada.
• Dependencia de dados de qualidade: o modelo e tao bom quanto os dados que recebe. Empresas com dados contabeis desorganizados ou sistemas legados dificeis de integrar podem não extrair todo o beneficio.
• Padrao de auditoria: a redução de amostras precisa ser justificada dentro dos padroes de auditoria vigentes (ISAs, NBCTAs). O auditor continua responsavel por garantir que a amostra e adequada.
• Supervisao humana: a IA segmenta e sugere, mas o julgamento profissional do auditor continua essencial na avaliação dos resultados.

O que levar deste post

1. Se voce e auditado, pergunte ao seu auditor se ele já esta usando ferramentas de segmentacao por risco baseadas em IA -- e como isso pode agilizar o processo.
2. Se voce faz auditoria interna, aplique o principio de segmentacao por risco antes de definir amostras: classifique transações por nivel de risco e concentre esforcos nos itens de maior risco.
3. Invista em qualidade de dados contabeis: dados limpos e bem estruturados são pré-requisito para qualquer ferramenta de auditoria baseada em IA.
4. Acompanhe a evolucao dessas ferramentas: o Audit Intelligence e apenas o comeco. A tendencia de auditorias orientadas por IA vai se acelerar nos próximos anos.