A IA está a reformular as competências das equipas financeiras

Christian Wattig é o fundador da Inside FP&A, uma plataforma de cursos online que ensina as equipas financeiras a tomar melhores decisões empresariais. Formou líderes em empresas como a Google, a Merck, a Lowe’s e a Discover, e também desempenhou funções financeiras na Procter & Gamble, na Unilever e na Squarespace.

Falámos com ele para compreender as competências necessárias aos líderes financeiros, agora que a IA consegue tratar de uma parte tão significativa do trabalho. Foi isto que nos disse.

Liderar FP&A

Sou um especialista em FP&A, criador de cursos online e formador empresarial. Os meus programas presenciais prepararam equipas financeiras da Google, da Merck, da Lowe’s, da Discover e de muitas outras empresas para tomarem melhores decisões empresariais. Também dirijo o programa de certificação em FP&A na Wharton School da Universidade da Pensilvânia e partilho ideias no LinkedIn e na minha newsletter semanal.

Antes de fundar a minha plataforma de cursos online, a Inside FP&A, passei mais de uma década na Procter & Gamble e na Unilever, liderando equipas de FP&A e contabilidade em mercados globais. E, antes disso, juntei-me a empresas tecnológicas em rápido crescimento, incluindo a participação na entrada da Squarespace em bolsa e na preparação da primeira apresentação financeira da empresa para analistas de Wall Street.

Como deve ser utilizada a IA em FP&A

Christian partilha

Já não precisa de uma equipa de ciência de dados nem de software dispendioso para criar uma previsão algorítmica. O ChatGPT, o Claude e o Gemini são excelentes na criação de previsões estatísticas.

A IA deve ser utilizada para a primeira versão da sua análise e da criação dos seus modelos.

“Primeira versão” é o termo fundamental. As pessoas dizem-me que pensavam que a IA assumiria 95% das suas tarefas de modelização, mas criar modelos financeiros sólidos exige mais tempo a rever os resultados, o que elimina grande parte da poupança de tempo.

Também é útil para fazer previsões com base em análises de séries temporais. Já não precisa de uma equipa de ciência de dados nem de software dispendioso para criar uma previsão algorítmica. O ChatGPT, o Claude e o Gemini são excelentes na criação de previsões estatísticas. Tudo o que tem de fazer é fornecer-lhes dados históricos e pedir-lhes que criem código Python para executar um modelo ARIMA no Excel.

Eis outras formas como utilizo a IA em FP&A todos os dias:

• Análise de desvios: criar árvores de fatores que expliquem os desvios.
• Preparação com parceiros de negócio: entrar nas reuniões preparado para recolher as informações certas junto dos parceiros.
• Revisões orçamentais: identificar riscos e oportunidades no orçamento de um parceiro de negócio sem prejudicar a relação.
• Melhoria dos relatórios: contar a história por detrás dos números
• Apresentações ao conselho de administração: antecipar perguntas difíceis antes de serem colocadas

Para ver exemplos de instruções para cada um destes casos de utilização, aceda aqui.

Algumas tarefas, no entanto, devem continuar a ser realizadas por pessoas:

• Análise aprofundada
• Parceria com as áreas de negócio
• Capacidade de influenciar
• Avaliação de compromissos

Porque é que os desvios nas previsões com IA são determinados pelos dados de entrada

Há alguns anos, quando liderava uma equipa de FP&A numa grande empresa de bens de consumo, era responsável pela previsão do fundo de maneio. Era uma previsão extremamente complexa, com dezenas de subprevisões para rubricas e divisões que se agregavam até chegar ao valor total da empresa. Por ser tão complexa e demorada, escolhemos esta previsão para testar, pela primeira vez, uma abordagem de aprendizagem automática.

Subcontratámos o desenvolvimento do modelo de IA a uma entidade externa. Quando recebemos os primeiros resultados do novo modelo e, um mês mais tarde, os comparámos com os valores reais, ficámos entusiasmados. A precisão da previsão era significativamente superior à dos nossos resultados anteriores. Tinha a certeza de que este projeto seria um enorme sucesso, até que a equipa de liderança quis uma explicação para o desvio restante entre as previsões do modelo de aprendizagem automática e os resultados reais.

Não fazia ideia de como responder àquela pergunta, porque não tinha estado envolvido na criação do modelo. Contactei o cientista de dados responsável pelo modelo na empresa terceira. Abordei a questão da mesma forma que analisaria uma variação num modelo tradicional de previsão em Excel: pedi-lhe que explicasse como funcionava o modelo, para poder identificar o que poderia causar a variação. Ele disse: "Utilizamos um conjunto de diferentes algoritmos de aprendizagem automática. Estes competem entre si todos os meses, e o modelo com melhor desempenho faz a previsão. Especificamente, utilizamos algoritmos de aprendizagem automática como o DeepAR, da Amazon, o Temporal Fusion Transformer, da Google, e algoritmos tradicionais como os modelos de Holt-Winters e de Média Móvel Integrada Autorregressiva. No total, o conjunto inclui 12 algoritmos diferentes que competem entre si. Fazemos um retroteste de cada um e depois escolhemos aquele que apresenta a maior precisão.”

Não compreendi mais de metade do que ele disse, por isso perguntei: “Está bem, porque é que acha que continua a existir uma variação tão significativa entre os resultados reais e as previsões do modelo?" Ele respondeu que não fazia ideia, porque não compreendia o nosso negócio.

A situação era a seguinte: eu não compreendia como funcionava o modelo de aprendizagem automática e o cientista de dados não compreendia como funcionava o negócio. Como poderíamos explicar uma variação neste caso? Pensei em diferentes soluções para este problema. Deveríamos convidar o cientista de dados para o nosso escritório, para lhe explicarmos como funciona o negócio? Deveríamos pedir a alguém da nossa equipa que frequentasse um curso de aprendizagem automática e ciência de dados? Seria sequer possível aprender isto sem obter um diploma em Matemática ou Ciências Informáticas?

Demorou algum tempo, mas finalmente percebi que estava a analisar o problema de forma completamente errada. Na verdade, estava a tentar resolver o problema errado. Com a aprendizagem automática, não explicamos as variações apontando para falhas no próprio modelo. Os algoritmos mais avançados são chamados “modelos de caixa negra” por uma razão — por vezes, nem os cientistas que os criaram compreendem as conclusões a que chegam. Percebi que tudo depende dos dados de entrada. Se entram dados errados, saem resultados errados.

Para explicar as variações com a aprendizagem automática, temos de investigar se os pontos de dados que fornecemos ao modelo são corretos e suficientes. A melhor forma de o fazer é combinar a experimentação com uma abordagem chamada “retroteste”. Com modelos de IA, podemos fingir que o último ano ainda não aconteceu e pedir ao modelo que crie uma previsão. Por exemplo, se estivermos em maio de 2026, posso pedir ao modelo de IA que preveja 2025, fornecendo-lhe dados históricos de 2020 a 2024. Depois, podemos comparar imediatamente a proximidade da previsão com os resultados reais, ajustar os pontos de dados e voltar a testá-lo.

No final, percebemos que a precisão das previsões melhorava significativamente quando fornecíamos ao modelo dados adicionais dos nossos sistemas de inventário — pontos de dados que nunca tínhamos considerado, porque fazê-lo tornaria os nossos modelos tradicionais baseados em folhas de cálculo ainda mais complexos.

Porque é que os CFO têm de uniformizar os processos antes de implementar a IA

A IA não corrige processos financeiros deficientes. Amplia-os.

Já acompanhei equipas financeiras suficientes a adotar novas tecnologias para saber como isto funciona. As ferramentas amplificam aquilo que já existe, seja bom ou mau.

Se os seus comentários sobre variações são hoje uma confusão, por exemplo, se cada analista os redige de forma diferente, não existem limiares acordados e não há uma estrutura consistente — a IA irá produzir a mesma confusão em todos os centros de custo, de forma fluente e rápida. Se o seu modelo não tem documentação nem normas de nomenclatura, a IA ajudá-lo-á a piorá-lo com maior confiança. Se a sua previsão varia 20% de um mês para o outro sem uma explicação clara dos fatores determinantes, a IA continuará a fazê-la variar, apenas com uma melhor formatação.

As equipas financeiras que vejo obterem valor efetivo destas ferramentas não são as que têm a configuração mais sofisticada. São as que já sabiam como era um bom resultado. Tinham modelos. Tinham uma definição funcional de algo “útil”. Tinham realizado o trabalho pouco glamoroso de uniformização antes de alguma vez pedirem à IA que fizesse alguma coisa.

Porque é que as equipas financeiras têm de utilizar o método de criação de instruções de Greg Brockman

Muitas equipas financeiras têm dificuldade em obter bons resultados das suas ferramentas de IA porque as suas instruções são demasiado curtas ou não são suficientemente específicas. Tratam a IA como se fosse uma pesquisa no Google.

Sugiro sempre o método de Greg Brockman para criar prompts para modelos de raciocínio:

1. Objetivo
2. Formato de saída
3. Avisos
4. Contexto

Com esta abordagem, as equipas obtêm invariavelmente melhores resultados.

Como os CFO devem reformular o recrutamento para a era da IA

Christian partilha

Esteja atento ao excesso de confiança, à mentalidade de colocar as ferramentas em primeiro lugar, à comunicação deficiente e à ausência de compromissos. Estes três exercícios ajudarão a avaliar as características que mencionei acima.

Os CFO têm de reformular os seus processos de seleção de candidatos. A era da IA exige competências diferentes.

Tradicionalmente, os líderes concentram-se na rapidez com folhas de cálculo, na proficiência em Excel e na qualidade da redação de relatórios. Mas a IA está a automatizar todas estas tarefas. Em vez disso, procure o seguinte:

• Capacidade de decisão em situações de incerteza
• Comunicação empresarial
• Pensamento sistémico
• Rapidez de aprendizagem
• Literacia de dados

Quando estiver a entrevistar candidatos para qualquer função, experimente o seguinte:

• Apresente aos candidatos uma explicação curta e plausível, gerada por IA, sobre uma variação ou um resumo de desempenho. Pergunte-lhes o que é questionável e o que precisa de ser verificado. Depois, peça-lhes que o reescrevam em alguns tópicos para um executivo.
• Peça ao candidato que indique as cinco primeiras perguntas que faria se precisasse de explicar por que motivo a previsão de receitas estava errada — e porquê.
• Diga ao candidato que espera pressão sobre as margens e incerteza na procura no próximo trimestre. Peça-lhe que defina três cenários, identifique os principais fatores determinantes e recomende o que fazer agora.

Esteja atento ao excesso de confiança, à mentalidade de colocar as ferramentas em primeiro lugar, à comunicação deficiente e à ausência de compromissos. Estes três exercícios ajudarão a avaliar as características que mencionei acima.

Porque são as competências estratégicas e a análise aprofundada que importam agora

As equipas financeiras precisam de saber para que estão a otimizar.

Depois de libertarem todo esse tempo com a IA, os líderes seniores esperarão que acrescentem valor de forma diferente — tornando-se parceiros estratégicos e fornecendo análises aprofundadas. Esperar-se-á que estabeleçam ligações entre as métricas operacionais e os resultados financeiros, de modo a fazer recomendações concretas sobre como a empresa deve aproveitar oportunidades ou mitigar riscos.

Por outras palavras, precisam de desenvolver competências de finanças estratégicas de nível superior que a IA não consegue abordar. Essa é a única forma de conquistar um lugar à mesa num futuro possibilitado pela IA.

Acompanhe

Acompanhe o trabalho de Christian Wattig no LinkedIn. Aprenda também com ele no seu YouTube ou consulte a sua plataforma de cursos online, Inside FP&A.

Em breve, mais entrevistas com especialistas no The CFO Club!