Contas a pagar
Por que a FinBits
Nos últimos dois conteúdos do blog levamos você para descobrir o universo da Inteligência Artificial dentro das Finanças Corporativas. Além de entender mais sobre a tecnologia em si você viu como ela beneficia o mundo corporativo, além de conhecer mais sobre os tipos de IA que já estão mudando a forma com que as equipes financeiras se estruturam.
Na terceira e última parte desta série especial convidamos Douglas Luan, Senior Machine Learning Engineer que está liderando as evoluções dessa tecnologia na FinBits. Luan tem bacharelado e mestrado em Engenharia de Computação pela Escola Politécnica da Universidade de São Paulo e acumula vasta experiência na liderança de projetos de desenvolvimento de software, com ênfase em Inteligência Artificial e análise de dados.
Convidamos vocês em nosso Instagram para mandarem perguntas sobre IA nas Finanças Corporativas e chegou a hora responder tudo nesta entrevista!
A maneira como as IAs funcionam atualmente é se alimentando de dados para conseguir realizar os 'diversos' milagres que temos presenciado, através do processamento desses dados. Uma frase muito popular entre profissionais desse ramo é o "trash in, trash out", ou seja, se entra lixo sai lixo. Então, a recomendação principal é que tenham dados confiáveis.
Segundo Monica Rogati, referência em ciência de dados, há uma hierarquia de necessidades para a aplicação de técnicas de IA. A imagem abaixo ilustra isso, mostrando que primeiro se deve ter a infraestrutura para coletar dados, então um pipeline de dados e assim em diante. Por fim, no topo temos as aplicações de IA.
Então, para que sua empresa esteja preparada para usar os benefícios da IA, você deve primeiro cuidar da base da pirâmide. Considerando o departamento financeiro, a maneira mais ágil de se realizar isso é tendo uma plataforma de gestão de tesouraria. Caso contrário, você deve construir toda essa infraestrutura dentro da empresa para conseguir gerar valor a partir dos seus dados.
Ferramentas de IA oferecem grande eficiência na realização de previsões com base em dados históricos. Um exemplo prático é o uso dessas tecnologias pela Amazon Web Services (AWS), que utiliza IA para estimar os custos de infraestrutura ao final do mês e emitir alertas caso as previsões excedam um limite orçamentário previamente definido.
Da mesma forma, gestores financeiros podem se beneficiar de soluções semelhantes para se antecipar a despesas futuras, permitindo uma gestão proativa. Isso inclui o planejamento de resgates, a avaliação de oportunidades de financiamento ou a negociação de condições mais vantajosas com instituições financeiras. Além disso, os mesmos princípios podem ser aplicados para otimizar a gestão de caixa, contribuindo para uma administração financeira mais eficiente e estratégica.
Além disso, ferramentas de IA são excelentes em realizar tarefas repetitivas e determinísticas. Isso significa que perguntas como "para onde está indo o dinheiro da empresa", "quais são nossos principais fornecedores" ou "qual foi o nosso lucro bruto e o lucro líquido no mês anterior" podem ser respondidas em minutos ou até segundos usando IA. Para isso, pode-se usar modelos de análise atreladas a um pipeline de dados e um dashboard ou usando ferramentas mais novas como IA Generativa. Em contraste, se poderia gastar dias organizando dados no Excel para responder a essas mesmas perguntas.
A IA tem potencial para ajudar em muitas das dores presentes hoje em dia no Contas a Pagar, desde trazer soluções inteligentes para as diversas atividades operacionais e repetitivas do analista financeiro, aumentando a eficiência e assertividade do time financeiro - e auxiliando nas análises financeiras mais estratégicas da empresa, compartilhando dados da empresa de forma customizada a necessidade de cada organização, assim como dados comparativos com outras empresas do mesmo setor.
Dores:
Inteligência Artificial tem a capacidade de lidar e processar diversas fontes de dados. Pensando em integrações, pode ser que em algum caso a empresa precise correlacionar dados financeiros com dados de negócio ou produto, por exemplo. Uma vez que a IA tenha acesso a todos esses dados, mesmo sendo de diferentes sistemas, ela pode consolidar e entregas respostas muito mais assertivas considerando uma massa de dados muito maior, agregando mais ainda na tomada de decisão.
Pensando estritamente em integrações, IA pode ajudar bastante na forma de conexão e envio dos dados de um lado para o outro. Uma grande complexidade em integração, são que as informações não se correlacionam e em muitas vezes possuem formatos diferentes, sendo uma das tarefas da integração, lidar com todos esses dados e “transformá-los” em uma forma única para um sistema alimentar o outro. IA pode ajudar nessa tarefa de interpretar e transformar os dados para que essa integração aconteça de forma mais rápida, usando para isso os contratos das APIs ou mesmo realizando uma varredura prévia.
Por fim, ferramentas de co-desenvolvimento como o Github Copilot e o Codeium são aliadas na exploração e integração de APIs, assim como em outros processos conhecidos de desenvolvimento.
Com a Inteligência Artificial temos uma grande oportunidade de transformar como é feito a gestão de fluxo de caixa e previsibilidade das empresas. IA ajudará muito o analista ou gestor financeiro a ter uma melhor interpretação dos seus dados, de forma rápida, segura e pró-ativa, sem precisar ficar horas debruçados em dados e planilhas para entender o que pode acontecer.
Um papel importante para IA no futuro, será de entregar para o time financeiro possibilidades, produtos e caminhos a serem seguidos para a empresa ter o melhor ambiente financeiro que possa ter. Por exemplo, IA pode identificar que em poucos meses o fluxo de caixa de uma empresa ficará negativo e podendo neste momento sugerir aos responsáveis financeiros a contratação de algum produto de crédito, ou sinalizar algum cliente mais apto a antecipar o pagamento, ou então algum fornecedor mais propenso a renegociar o contrato. Ou seja, a conexão entre dados financeiros, programações financeiras, conhecimento de fornecedores, clientes e produtos financeiros disponíveis no mercado, podem transformar muito o como uma empresa entende da sua área financeira e até mesmo riscos que elas possam vir a passar.
Outro ponto que pode ajudar muito é responder perguntas bem específicas que pessoas de diferentes áreas possam ter relacionadas a assuntos financeiros, fazendo com que analistas demore algumas horas para entender as necessidades, analisar os dados e entregar as respostas. Com IA isso se torna muito mais ágil e fluido.
Seguimos os padrões de segurança consagrados no mercado, como autenticação, autorização, criptografia de dados ponta-a-ponta , além de conformidade com a Lei Geral de Proteção de Dados realizando processos como tokenização e anonimização. Um dos pontos cruciais é que o usuário esteja ciente e de acordo com a disponibilização dos seus dados para tratamento pela empresa e por terceiros, caso seja necessário.
Entre fontes como o Gartner e a Febraban Tech, vemos tendências como IA Generativa, IA causal, simulações com IA e Hiperpersonalização.
A IA generativa já se encontra relativamente madura, encontrando aplicações diversas usando ferramentas como ChatGPT da OpenAI, Gemini da Google, Claude da Anthropic e Llama da Meta. Essas ferramentas podem auxiliar em análises e prescrições diversas usando linguagem natural.
IA causal é o nome para um conjunto de técnicas que usam IA para realizar inferência causal, i.e., encontrar relações entre causa e efeito. Isso pode ser usado, por exemplo, para responder com alto grau de acurácia a uma pergunta do tipo “Qual foi o ROI da ação de marketing X que fizemos?”.
Simulações usando IA podem levar as simulações de cenários complexos a outro patamar. Ferramentas do tipo poderiam ser utilizadas no auxílio de decisões complexas de estratégia financeira, levando em consideração fatores diversos como contratações, vendas, cenários de mercado como taxas de juros, regulação entre outros.
Por fim, a hiper personalização é a evolução da personalização, onde se buscar entregar uma personalização realmente única para cada cliente, não apenas para grupos. O Nubank já investiu fortemente nessa tecnologia, com a aquisição da Hyperplane.
Em relação a automação de pagamentos e previsibilidade, é algo que instituições financeiras estão buscando trazer, mas que deve ser realmente levado ao próximo nível por plataformas de gestão de pagamentos e recebíveis, com diversas aplicações de IA como OCR, algoritmos preditivos, algoritmos de detecção de anomalia e de reconhecimento de padrões diversos no fluxo financeiro da empresa.
Em relação a pontos de atenção, eu diria que há 2 pontos principais para ficar atento - Qualidade de dados e Transparência.
Qualidade dos dados: Como dito anteriormente, IAs são altamente dependentes de dados precisos e atualizados para gerar previsões, análises e prescrições confiáveis. Sendo assim, os gestores financeiros precisam se certificar que utilizem dados consistentes e relevantes para os objetivos da área, evitando que a IA os aponte para decisões errôneas, baseadas em informações distorcidas ou incompletas.
Transparência e confiança nas previsões: Embora a IA possa fornecer insights valiosos, os gestores e usuários de modo geral devem ser cautelosos ao confiar cegamente nas previsões geradas por algoritmos. A interpretação crítica dos resultados, associada ao julgamento humano, ainda é fundamental. Sempre que possível, deve-se optar por modelos interpretáveis ou que sejam capazes de prover explicações sobre o seu processamento.
Visto o que eu disse acima, é importante acompanhar as evoluções da tecnologia e os novos casos de uso. Isso porque a IA tem enorme potencial de auxiliar o negócio em diversas tarefas repetitivas e periódicas. Em alguns casos também pode reduzir erros humanos no processo e permitir que os analistas focalizem em atividades mais importantes para o negócio.
Um possível uso de IA para facilitar a parceria entre as diferentes áreas da empresa com diferentes OKRs é na integração de dados, com reconhecimento de padrões, fortalecendo as melhores práticas e buscando alinhamento com o planejamento estratégico da empresa. Para ser mais específico, pode-se realizar o fine-tuning de um LLM para especializá-lo em OKRs, então alimentá-lo com documentos definindo a estratégia da empresa e usar esse modelo para auxiliar na criação e acompanhamento de objetivos e resultados-chave. Para outras ideias, veja um texto de Batuhan Elersu e outro de Jeff Gothelf falando de ideias para criar, refinar e acompanhar OKRs usando o auxílio de IA.
Finanças
27/2/24
Maximize a eficiência da tesouraria com software especializado e impulsione o crescimento da sua empresa.
Finanças
27/2/24
Explore o futuro da gestão financeira com soluções inovadoras e tecnologia de ponta.
Finanças
27/2/24
O Pix é um sistema de pagamentos instantâneos que revolucionou o mercado financeiro brasileiro. Apesar de sua praticidade, a segurança...
