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

Auditorias tradicionais dependem de amostragem. Com milhares ou milhões de transações para analisar, auditores selecionam uma fração -- e torcem para que essa fração seja representativa. A Thomson Reuters lançou 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 seleção e documentação. Não é um ganho marginal: é uma mudança estrutural na forma como auditorias são conduzidas.

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

O problema com a amostragem tradicional

O método clássico de auditoria funciona assim: o auditor recebe um universo de transações (digamos, todas as faturas de um trimestre), define critérios de amostragem e seleciona um subconjunto para teste. O subconjunto precisa ser grande o suficiente para dar confiança estatística, mas pequeno o suficiente para ser viável.

O resultado é um equilibrio frágil:

• 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 opinião limpa sobre demonstrações que contém distorções relevantes.
• Seleção aleatória: a amostragem probabilística trata todas as transações como iguais, quando na realidade elas têm perfis de risco muito diferentes.

Na prática, 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, módulo central da suite, usa uma combinação de IA generativa e modelos clássicos de machine learning para segmentar populações de teste com base no nível de risco. Em vez de tratar todas as transações como iguais, o sistema classifica cada item em faixas de risco e direciona o esforço do auditor para onde ele realmente importa.

O fluxo de trabalho:

1. Ingestão de dados: através de uma parceria estratégica com a Validis, uma provedora de dados contábeis on-demand, os dados do cliente (balancete, razão geral, subledgers) são importados diretamente para dentro da plataforma. Isso elimina o vai-e-vem de planilhas entre auditor e cliente.
2. Segmentação por risco: o modelo de ML analisa cada transação e atribui um nível de risco com base em múltiplas variáveis: valor, natureza da conta, histórico de erros, padrões de comportamento e anomalias estatísticas.
3. Detecção de anomalias: além da segmentação, o sistema identifica itens incomuns que frequentemente passam despercebidos por humanos -- transações fora de padrão, lançamentos em horários atípicos, valores que fogem da distribuição esperada.
4. Otimização de amostras: com a população 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 automática: o sistema gera automaticamente toda a documentação de auditoria necessária -- uma tarefa que normalmente consome horas de trabalho manual.

Os números: o que a redução de 50% significa na prática

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

Para uma auditoria típica de empresa de médio 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: está na seleção (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 seleção de amostras e documentação.

Para firmas de auditoria:

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

Para empresas auditadas:

• Menos solicitações de documentos e informações adicionais por parte dos auditores.
• Processo de auditoria mais rápido e menos disruptivo.
• A ingestão automática de dados via Validis reduz o trabalho da equipe financeira na preparação de informações.

A parceria Thomson Reuters + Validis: por que importa

Um dos gargalos históricos da auditoria é a obtenção de dados do cliente. Auditores pedem extratos, relatórios, 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 contábeis do cliente são extraidos diretamente do ERP e disponibilizados na plataforma Audit Intelligence, já no formato necessário. Os passos automatizados incluem:

• Importação e codificação de balancete, razão geral e subledgers.
• Análise de risco para otimização da seleção de amostras.
• Teste de detalhes integrado ao fluxo de trabalho do auditor.

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

Implicações para equipes financeiras

Mesmo que você não seja auditor, o Audit Intelligence têm implicações diretas para equipes financeiras:

Se você é 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 aleatória, auditores virão com perguntas específicas sobre transações que o modelo sinalizou como anômalas.
• Isso é positivo: significa que o foco está nos itens que realmente importam.

Se você faz auditoria interna:

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

Se você é CFO ou controller:

• A tendência é clara: auditorias baseadas em IA serão o padrão. Empresas que facilitam o acesso a dados e mantém registros limpos terão auditorias mais rápidas e menos custosas.
• Investir em qualidade de dados contábeis não é só boa prática -- é preparação para um mundo onde algoritmos vão analisar cada transação.

Limitações e pontos de atenção

Nem tudo e perfeito. Alguns pontos que merecem cautela:

• Disponibilidade geográfica: o Audit Intelligence Analyze foi lançado nos EUA no outono de 2024, com expansão para o Reino Unido em 2025. A disponibilidade para América Latina ainda não foi formalmente anunciada.
• Dependência de dados de qualidade: o modelo é tão bom quanto os dados que recebe. Empresas com dados contábeis desorganizados ou sistemas legados difíceis de integrar podem não extrair todo o benefício.
• Padrão de auditoria: a redução de amostras precisa ser justificada dentro dos padrões de auditoria vigentes (ISAs, NBCTAs). O auditor continua responsável por garantir que a amostra é adequada.
• Supervisão 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 você é auditado, pergunte ao seu auditor se ele já está usando ferramentas de segmentação por risco baseadas em IA -- e como isso pode agilizar o processo.
2. Se você faz auditoria interna, aplique o princípio de segmentação por risco antes de definir amostras: classifique transações por nível de risco e concentre esforços nos itens de maior risco.
3. Invista em qualidade de dados contábeis: dados limpos e bem estruturados são pré-requisito para qualquer ferramenta de auditoria baseada em IA.
4. Acompanhe a evolução dessas ferramentas: o Audit Intelligence é apenas o começo. A tendência de auditorias orientadas por IA vai se acelerar nos próximos anos.