Diretor sénior dos Sistemas do CFO da LinkedIn afirma que a IA está a transformar as finanças, passando de uma função de elaboração de relatórios para um sistema operativo

Pankaj Prasoon é Diretor Sénior de Sistemas e Tecnologia Financeira na LinkedIn. Tem duas décadas de experiência em organizações prestigiadas como a Microsoft e a Infosys.

Entrevistámos Pankaj para saber como está a redesenhar as finanças de raiz. Partilhou o que está a funcionar com as finanças alimentadas por IA — e o que não está.

Transformar as finanças de uma função de reporte num sistema operativo

Dediquei quase duas décadas à interseção entre finanças, sistemas empresariais e pensamento de produto — em organizações como a Microsoft, a Infosys e, agora, a LinkedIn, onde estou a ajudar a moldar o futuro da tecnologia financeira.

A minha jornada não começou com a IA. Começou com frustração. A frustração de estar sentado em salas onde dois sistemas apresentavam dois números diferentes. A frustração de ver as equipas financeiras passarem mais tempo a reconciliar o passado do que a moldar o futuro. A frustração de ver líderes financeiros incrivelmente competentes limitados por sistemas fragmentados e informações obtidas com atraso.

A IA é um fator de pressão. Está a expor tudo o que já estava avariado:

• Processos rígidos
• Informações obtidas com atraso
• Dependência excessiva do julgamento manual
• Sistemas concebidos para o controlo, não para a inteligência

O que me entusiasma neste momento não é a automatização — é a amplificação. Pela primeira vez, os líderes financeiros podem passar da visão retrospetiva para a visão prospetiva, do reporte para a influência e da eficiência para a eficácia.

Atualmente, o meu foco está na criação do que designo por modelo de Estratégia e Plataformas de Tecnologia Financeira — onde a arquitetura, o pensamento de produto e a IA se juntam para criar um sistema que não se limita a acompanhar o negócio, mas que o molda ativamente. Porque o futuro das finanças não consiste em fechar os livros mais rapidamente. Consiste em ajudar a empresa a tomar melhores decisões antes de os números estarem sequer registados.

Pankaj partilha

A IA é um fator de pressão. Está a expor tudo o que já estava avariado.

Liderar a organização financeira da LinkedIn

Lidero a área de Tecnologia e Plataformas Financeiras na organização financeira da LinkedIn — uma empresa global de milhares de milhões de dólares, que opera em grande escala entre geografias, produtos e ambientes regulatórios.

A complexidade é a que seria de esperar nesta fase:

• Múltiplos fluxos de receita nas áreas de Soluções de Talento, Marketing e Premium
• Uma presença global com modelos de conformidade, fiscais e operacionais específicos de cada região
• Integração profunda entre os sistemas financeiros, de vendas, de recursos humanos e de produtos

Mas o verdadeiro desafio não é a escala. É a interligação.

Atualmente, as finanças estão no centro de todas as decisões críticas:

• Planeamento e previsão ao longo de ciclos empresariais dinâmicos
• Gestão da afetação de capital com uma precisão cada vez maior
• Apoio ao crescimento, mantendo simultaneamente a disciplina e os controlos

Operamos menos como uma equipa tradicional de tecnologia financeira e mais como uma organização de produto integrada nas finanças — responsável não apenas pelos sistemas, mas também pelos resultados. Porque, a esta escala, as finanças não se resumem à gestão de números. Consistem em moldar a forma como a empresa toma decisões rapidamente, com clareza e confiança.

Onde os CFO têm de começar com a IA

A maioria dos CFO começa a sua jornada de IA a pensar em casos de utilização, ferramentas, fornecedores e ROI. Mas a IA não funciona isoladamente. Assenta nos seus dados, nos seus processos, no seu modelo operacional e na sua disciplina de decisão.

Se estes elementos estiverem fragmentados, a IA não os simplifica; amplifica a fragmentação. Não obtém respostas melhores. Obtém respostas erradas mais rapidamente.

Por isso, antes de perguntar: “Onde podemos aplicar a IA?”, pergunte: “O nosso sistema financeiro foi concebido para produzir dados consistentes e prontos para a tomada de decisões?” Porque a IA não é uma estratégia. É um acelerador do sistema que já tem.

Concentre-se em:

• Uma fonte de verdade clara (definições, métricas, governação)
• Processos normalizados em todos os domínios financeiros
• Uma base sólida de dados e arquitetura
• Uma cultura que valoriza questionar os resultados, em vez de os aceitar

Como a integração da IA melhora os fluxos de trabalho financeiros

Eis as melhorias que observei com a IA nas finanças:

• Redução do tempo de ciclo (30–60%): a análise de desvios, que costumava demorar 2–3 dias, é agora realizada em poucas horas, e as atividades de apoio ao fecho mensal (análise, apoio às reconciliações) foram significativamente reduzidas. É aqui que a IA produz resultados imediatos — velocidade.
• Precisão das previsões (melhoria de 5–15% nos horizontes de curto prazo): as previsões de curto prazo (4–8 semanas) melhoraram significativamente; a IA identificou indicadores avançados que os humanos estavam a ignorar (tendências de utilização, sinais comportamentais). Mas há uma nuance importante: a precisão melhorou mais em ambientes estáveis e menos em ambientes voláteis.
• Aumento da produtividade (20–40% da capacidade dos analistas libertada): os analistas passam menos tempo a recolher dados e mais tempo a interpretá-los. Um analista consegue agora cobrir o trabalho que anteriormente exigia 1,5–2 equivalentes a tempo inteiro. Isto nem sempre se traduz numa redução de custos — traduz-se numa melhor afetação do talento.
• Deteção antecipada de riscos (dias → quase em tempo real): os riscos de fluxo de caixa, as anomalias e os valores atípicos são identificados mais rapidamente; o “fator surpresa” nas análises do negócio é reduzido. É algo subtil, mas poderoso — menos escaladas de última hora.

Eis o que não melhorou (ou piorou):

• Excesso de confiança nos resultados: as narrativas geradas pela IA parecem corretas mesmo quando estão erradas. Numa fase inicial, as equipas começaram a confiar nos resultados sem os questionar, o que é mais perigoso do que os erros manuais.
• Falsa precisão: a IA cria uma ilusão de certeza: “A previsão indica 97,2% de confiança”. Mas as decisões financeiras não são apenas exercícios probabilísticos — envolvem estratégia, timing e contexto.
• A dependência dos dados expôs bases fracas: a IA não resolveu os problemas dos dados. Amplificou-os: hierarquias inconsistentes, dados principais de fraca qualidade e sistemas fragmentados. Entra lixo, sai lixo amplificado.
• Impacto limitado no planeamento a longo prazo: a IA teve dificuldades no planeamento anual, nos cenários estratégicos e nas decisões de afetação de capital. Porque estes não são problemas de padrões — são problemas de discernimento.

A verdade desconfortável é que a IA não reduziu os custos financeiros tanto quanto as pessoas esperavam. Transferiu o custo do trabalho para a computação, do esforço manual para a governação dos modelos e dos analistas para os engenheiros e a infraestrutura de dados.

Porque é que a IA informa as decisões financeiras, mas os humanos lideram o discernimento

Eis a forma mais simples de encarar a divisão entre as tarefas da IA e as tarefas humanas: a IA deve informar sobre padrões; os humanos devem assumir compromissos.

Recorro à IA em áreas nas quais a escala, a velocidade e o reconhecimento de padrões são mais importantes do que o discernimento:

• Previsão (de curto prazo e contínua): a IA é excelente a assimilar múltiplos sinais — dados históricos, sazonalidade, dados do pipeline e indicadores externos — e a atualizar continuamente as previsões. Elimina o enviesamento do planeamento estático orientado pelo calendário.
• Análise de desvios: a IA consegue decompor instantaneamente os desvios em milhares de dimensões: o que mudou, onde mudou e o que provavelmente o causou. Isto costumava demorar dias. Agora é quase em tempo real.
• Modelação dos padrões de fluxo de caixa: não se trata de tomada de decisões, mas de deteção de sinais: tendências no comportamento de pagamento, riscos de cobrança e padrões de liquidez. A IA ajuda a identificar os riscos mais cedo do que os relatórios tradicionais.
• Deteção de riscos (operacionais e financeiros): a IA é muito eficaz na identificação de anomalias: transações invulgares, desvios aos controlos e comportamentos atípicos. Não “compreende o risco”, mas assinala onde procurar.

Mas mantenho explicitamente humanas as áreas nas quais o contexto, os compromissos e a responsabilização são importantes:

• Alocação de capital: Nenhum modelo compreende a estratégia, o momento certo ou o posicionamento competitivo como a liderança. A IA pode informar cenários — mas não pode decidir onde apostar.
• Planeamento e orçamentação a longo prazo: Os orçamentos não são previsões — são compromissos. Refletem a intenção, as prioridades e as cedências em toda a organização.
• Decisões finais sobre o risco: A IA pode destacar anomalias, mas qual é o nível de risco aceitável? Que cedência vale a pena assumir? Essas são decisões da liderança, não resultados de modelos.
• Parceria e influência no negócio: As finanças não dizem respeito apenas a números — dizem respeito a influenciar decisões: questionar pressupostos, interpretar o ambiente e compreender a intenção por detrás dos pedidos. A IA não tem contexto para a dinâmica humana.

Se a IA está a tomar as suas decisões, foi longe demais. Se a IA não está a informar as suas decisões, não a está a utilizar o suficiente.

Porque é que a IA não automatizou totalmente as finanças

A narrativa era: “A IA vai automatizar as finanças.”

Isso não aconteceu. Automatizou partes dos fluxos de trabalho, mas introduziu novas camadas:

• Validação de modelos
• Tratamento de exceções
• Requisitos de governação e auditoria

A realidade é que não se elimina o envolvimento humano — as pessoas passam a desempenhar funções de supervisão.

Como a adoção da IA é um problema comportamental

Falando de pessoas, a adoção da IA não é um problema tecnológico — é um problema comportamental.

Inicialmente, parti do princípio de que, se criássemos os modelos certos, as pessoas utilizá-los-iam → os conhecimentos seriam obtidos mais rapidamente → as decisões melhorariam → os conhecimentos seriam obtidos ainda mais rapidamente → a precisão melhoraria → e a confiança surgiria naturalmente.

Tudo lógico. Tudo incompleto. Criámos algo tecnicamente sólido: melhor deteção de variações, conhecimentos mais rápidos e narrativas mais claras. E, no entanto, a adoção foi desigual.

Porque as equipas financeiras não tinham dificuldades devido à falta de conhecimentos. Tinham dificuldades em abdicar da forma como sempre fizeram as coisas.

Os analistas continuavam a reconstruir modelos no Excel "apenas para validar". Os líderes confiavam naquilo que compreendiam, não naquilo que o modelo sugeria. As revisões continuavam ancoradas em formatos antigos, não em novos conhecimentos.

O sistema mudou. O comportamento não — pelo menos não imediatamente.

Se pudesse voltar atrás, teria feito o seguinte:

• Começar pelo modelo operativo, não pela precisão do modelo: Definir como as decisões vão mudar, como serão as reuniões e o que será eliminado, não apenas acrescentado. Em vez de perguntar: “O modelo está correto?” Perguntar: “Isto vai substituir algo que as pessoas fazem atualmente?”
• Conceber para gerar confiança, não apenas inteligência: A confiança não resulta de métricas de precisão ou de sofisticação técnica. Resulta de transparência, explicabilidade e consistência ao longo do tempo. Teria investido mais cedo em tornar os resultados passíveis de contestação, e não apenas impressionantes.
• Dar uma importância acrescida à gestão da mudança: Tratámo-la como a implementação de um sistema. Não era. Era uma mudança de mentalidade: de criar análises para rever conhecimentos, de controlo para colaboração com a IA e de certeza para pensamento probabilístico.
• Corrigir primeiro os dados e as definições (mais do que fizemos): Sabíamos que os dados eram importantes. Subestimámos o quanto. A IA não tolera ambiguidades.

Poderia ter evitado:

• Ciclos de retrabalho em que as equipas reconstruíam aquilo que a IA já tinha produzido
• Modelos excessivamente complexos que não alteravam as decisões
• Ceticismo inicial que era, na realidade, falta de confiança, não falta de precisão
• A falsa convicção de que melhores resultados = adoção automática

Porque é que a IA reformula os pressupostos do controlo financeiro

Nas finanças, somos treinados para pensar: mais controlos = mais precisão; mais aprovações = menos risco; mais estrutura = melhores resultados. Por isso, criámos sistemas rígidos, sequenciais e concebidos para evitar erros.

Estávamos a otimizar para a previsibilidade, não para a capacidade de resposta; para a auditabilidade, nem sempre para a qualidade das decisões.

Funcionava — mas tinha um custo: rapidez, adaptabilidade e, por vezes, até clareza.

A IA não funciona bem em ambientes rígidos. Desenvolve-se com: fluxos contínuos de dados, entradas dinâmicas e sinais em tempo real. Mostrou-me que o controlo não resulta da restrição — resulta da visibilidade.

Tive de passar de:

• Prevenir erros antecipadamente → Detetá-los e corrigi-los rapidamente
• Análises periódicas (mensais/trimestrais) → Monitorização contínua
• Pontos de controlo humanos em todo o lado → Intervenção baseada em exceções

Eis onde isto se manifestou:

• Previsões: passámos de previsões estáticas, orientadas pelo calendário → para previsões continuamente atualizadas e orientadas por sinais
• Controlos financeiros: reduzimos as pré-aprovações pesadas → aumentámos a deteção de anomalias em tempo real e a validação pós-evento
• Alocação de capital: passámos da certeza → para um pensamento probabilístico e baseado em cenários

A mudança é simples, mas difícil. É necessário passar do controlo através da restrição para o controlo através da inteligência e da visibilidade. E, quando percebemos isso, já não podemos voltar atrás. Porque o objetivo da função financeira não é prevenir todos os erros. É permitir decisões melhores, mais rapidamente — com controlo suficiente, não com o máximo controlo.

Porque devem os CFO reformular as previsões

A maioria das organizações financeiras ainda faz previsões como se estivéssemos em 2005: ciclos mensais, pressupostos estáticos, consolidação manual pesada e análises retrospetivas.

A IA não se enquadra nesse modelo.

Passámos de previsões orientadas pelo calendário, atualizações mensais, análises de desvios após o fecho, análises retrospetivas e trabalho preparatório pesado para previsões orientadas por sinais:

• Camada de previsão contínua: sinais em tempo real e previsões continuamente atualizadas
• Deteção de desvios com prioridade à IA: o sistema assinala alterações e a área financeira analisa as exceções
• Análises orientadas para a decisão: passar de “O que aconteceu?” para “O que vai acontecer?”

Eis os resultados:

• Tempo até obter informação ↓ ~50%
• Relevância das previsões ↑ significativamente
• O papel da área financeira passou a ser o de parceiro de decisão.
• Produtividade dos analistas ↑ 30–40%

Reformule as previsões num sistema contínuo e orientado por sinais. Porque, quando isso muda, a área financeira torna-se um agente ativo da gestão do negócio.

Como a IA melhora as previsões e a análise de desvios

Ainda estou numa fase inicial na LinkedIn, por isso apresento um exemplo de uma transformação anterior, na qual incorporámos diretamente a IA no processo de previsão e análise de desvios.

As equipas financeiras passavam uma quantidade desproporcionada de tempo a explicar o que tinha acontecido:

• Análise manual de desvios em centenas de centros de custo
• Previsões estáticas atualizadas mensal ou trimestralmente.
• Forte dependência de modelos Excel e do reconhecimento humano de padrões
• Quando os conhecimentos estavam prontos, o negócio já tinha avançado.

Tínhamos dados — mas não tínhamos uma forma escalável de os interpretar. Por isso, introduzimos uma camada baseada em IA sobre os dados de planeamento e os dados reais, capaz de:

• detetar automaticamente anomalias e fatores dos desvios em várias dimensões (região, produto, categoria de custo)
• Gerar narrativas de primeiro nível que explicavam “porquê” — e não apenas “o quê”.
• Atualizar continuamente as previsões com base em indicadores avançados, e não apenas em tendências históricas.

Mas a verdadeira mudança não foi o modelo — foi o modelo operacional:

• A área financeira passou de elaborar análises para analisar e questionar os conhecimentos obtidos.
• As previsões tornaram-se mais contínuas e menos orientadas pelo calendário
• As análises do negócio passaram de “o que aconteceu no mês passado” para “o que vai acontecer a seguir”.

As melhorias foram claras. O tempo de ciclo da análise de desvios diminuiu de dias para horas. A precisão das previsões melhorou porque incorporámos sinais em tempo real, em vez de dados desfasados. E, mais importante ainda, a área financeira passou a ter um lugar mais cedo no processo de tomada de decisões, e não apenas depois de estas terem sido tomadas.

A maior aprendizagem? A IA não substituiu o discernimento da área financeira — obrigou-nos a utilizá-lo onde realmente importa. Porque o valor da área financeira não está em explicar melhor o passado. Está em ajudar a empresa a agir mais cedo sobre o futuro.

Porque é que a IA tem dificuldades com as narrativas de análise de desvios

Uma área em que identificámos limitações claras foi a das narrativas de análise de desvios geradas por IA e associadas ao relato financeiro.

Os números estavam corretos. Mas a narrativa nem sempre estava. Por exemplo, o modelo atribuiu o aumento das despesas operacionais a “um aumento das contratações em regiões-chave” — plausível, mas errado. O verdadeiro fator foi uma reclassificação contabilística pontual e uma alteração no momento do reconhecimento dos acréscimos. O modelo identificou padrões, não a realidade.

Assim, o resultado era impreciso, não permitia rastreabilidade e corroía a confiança na equipa. Eis como resolvemos a situação:

• A IA gera sinais e hipóteses, não narrativas finais.
• Todas as conclusões têm de ser rastreáveis.
• Introduzimos camadas de “confiança + evidência”

A validação humana passou a ser explícita, e não presumida.

Como os CFO podem liderar a transformação financeira orientada por IA

Eis o meu conselho: não persiga a IA. Corrija a área financeira — a IA seguirá.

• Comece pelo sistema, não pela ferramenta.
• Reconceba o trabalho, não se limite a automatizá-lo.
• Separe o sinal do discernimento.
• Invista na confiança antes de apostar na escala.
• Aceite que os custos irão mudar, não desaparecer.
• Lidere pessoalmente a mudança de comportamentos.
• Crie um “sistema operativo da área financeira”, não projetos-piloto isolados.

A IA não fará de si um CFO melhor. Mas revelará se a sua função financeira foi concebida, desde o início, para ampliar a inteligência.

Pankaj partilha

Não persiga a IA. Corrija a área financeira — a IA seguirá.

Acompanhe

Acompanhe Pankaj Prasoon enquanto continua a moldar o futuro da área financeira no LinkedIn. E consulte o seu site pessoal.

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