Especialista em finanças nativo de IA partilha os seus fluxos de trabalho — e como os torna auditáveis

Sergei Mochtchenkov trabalha há mais de 20 anos na área financeira, incluindo em funções de CFO. Atualmente, é um CFO fracionário que já prestou aconselhamento a mais de 300 clientes numa vasta gama de setores.

Sentámo-nos com Sergei para saber mais sobre os fluxos de trabalho e as ferramentas que utiliza nas organizações financeiras. Eis o que nos disse.

Um CFO nativo de IA

Sou Sergei Mochtchenkov, CFA. Sou um CFO fracionário sediado em Kyiv e trabalho com empresas na América do Norte, na Europa e noutras regiões. Trabalho há mais de 20 anos na área financeira: modelação financeira, avaliação, análise de investimentos e visualização de dados (Excel, Power BI, SQL). Ao longo do percurso, prestei aconselhamento a mais de 300 clientes, apoiei transações de dívida e capital próprio superiores a mil milhões de dólares e várias IPO do setor tecnológico, e desempenhei funções de CFO ou analista principal em empresas que vão desde uma plataforma de marketing de influenciadores baseada em IA até um fundo imobiliário da Califórnia.

A estrutura é enxuta por conceção. Estou no topo, como CFO e analista principal; uma pequena equipa trata da contabilidade, das reconciliações e dos relatórios; e os agentes de IA trabalham entre estes pontos — analisando extratos bancários, categorizando transações, auditando modelos e preparando versões preliminares de relatórios. A complexidade advém menos do número de colaboradores do que da variedade: estruturas com várias entidades, contas entre empresas do mesmo grupo, distribuições de retorno a investidores, SAFEs e tabelas de capitalização, e uma combinação de plataformas contabilísticas (QuickBooks, Xero, Odoo, Shopify e Amazon Seller Central).

O meu caminho até à IA foi prático, não teórico. O trabalho fracionário implica servir muitos clientes em simultâneo, e o estrangulamento era sempre o mesmo: horas passadas a limpar dados, reconstruir modelos e auditar folhas de cálculo antes de ser possível começar qualquer análise real. Quando a IA se tornou suficientemente fiável para ler um razão geral, analisar extratos bancários ou rastrear uma cadeia de fórmulas danificada, reconstruí a minha prática em torno dela.

Atualmente, posiciono-me como um CFO fracionário nativo de IA: a IA trata do trabalho pesado relacionado com os dados e das primeiras versões, enquanto eu dedico o meu tempo ao discernimento — ao significado dos números e ao que o proprietário deve fazer a seguir.

Como a IA simplifica a preparação de dados nas operações financeiras

Eis a maior mudança que fiz com a IA: deixei de tratar a preparação de dados em bruto como trabalho humano.

Cada novo projeto começava com dias de trabalho rotineiro — descarregar extratos bancários em PDF de vários bancos, convertê-los de forma semimanual e, em seguida, categorizar milhares de transações linha a linha antes de poder iniciar qualquer análise. Os erros iam surgindo, e a pessoa mais dispendiosa do projeto passava tempo na tarefa de menor valor.

Por isso, criei um fluxo de trabalho assistido por IA. O Claude escreve e executa Python (com pdfplumber), que analisa os extratos de diferentes bancos e os converte em ficheiros Excel limpos, e cada resultado é validado através de uma reconciliação completa dos saldos — o saldo inicial mais as transações tem de ser igual ao saldo final, período a período — para que nada seja aceite com base na confiança. As transações são depois inseridas numa base de dados Supabase, onde a IA as categoriza de acordo com regras de mapeamento que defino e aprovo, e tudo o que seja ambíguo é encaminhado para mim. Num projeto recente, isto abrangeu quatro entidades em quatro bancos muito diferentes — norte-americanos e sauditas, bancos digitais e tradicionais.

Como resultado, o tempo de execução da fase de dados diminuiu significativamente, a precisão aumentou porque a validação é sistemática em vez de se basear em verificações pontuais, e o meu tempo passou da introdução de dados para o discernimento — a análise de exceções, fluxos entre empresas do mesmo grupo e itens relacionados com partes relacionadas, que é onde se encontram as verdadeiras conclusões.

Como a IA potencia as auditorias de modelos

Faço frequentemente auditorias e reconstruções de modelos financeiros. Eis como o faço:

• Passo 1 — Definir as regras: Criar um projeto Claude com instruções escritas: convenções de nomenclatura, entregáveis exclusivamente em inglês, fórmulas como texto simples e ficheiros incluídos e excluídos do âmbito.
• Passo 2 — Inventário e mapa de dependências: O Claude, utilizando Python (openpyxl), cataloga cada folha, intervalo nomeado, ligação externa, número introduzido manualmente e padrão de fórmula, e depois cria um mapa do que alimenta o quê. Não alteramos nenhuma célula até compreender a estrutura do modelo.
• Passo 3 — Procurar erros: A IA rastreia as cadeias de cálculo de acordo com a lógica pretendida do modelo — cascatas, TIR, mapas de dívida, fluxo de caixa — e produz uma lista de erros, detalhando as localizações das células, a gravidade e o impacto em dólares. Antes de classificarmos algo como um erro que vale a pena corrigir, verificamos se alguma parte a jusante lê essa célula.
• Passo 4 — Execução em duas conversas: Utilizo uma conversa principal para definir o âmbito e fazer a revisão, e uma conversa de execução separada. A conversa de execução recebe um resumo escrito de cada tarefa, executa-o e verifica de forma independente o raciocínio da conversa principal. Quando as duas análises da IA divergem, sou alertado para investigar mais.
• Passo 5 — Verificação: Faço recálculos completos, verificações para garantir a ausência de erros, reconciliações com os documentos de origem e testes de esforço em cenários fundamentais. Depois, revejo pessoalmente as alterações e a lógica.

Porque é que a IA trata dos dados e os humanos tratam do discernimento

Quanto a onde utilizar a IA e onde utilizar pessoas, a minha regra é simples: a IA prepara, testa e redige; uma pessoa decide e assina.

Recorro à IA para:

• Ingestão e reconciliação de dados: análise de extratos, categorização de transações, análise de contas a receber e contas a pagar.
• Auditoria de modelos: rastreio de cadeias de fórmulas, identificação de ligações quebradas, substituições introduzidas manualmente e erros latentes nos modelos dos clientes. A IA lê milhares de fórmulas sem se cansar.
• Previsões: Para clientes de comércio eletrónico, criei sistemas de previsão da procura que limpam os dados, normalizam os efeitos da sazonalidade e do investimento publicitário e produzem intervalos de vendas com bandas de confiança de 95% que alimentam um plano de compras.
• Análise de desvios
• Primeira versão dos comentários
• Execução de cenários
• Pesquisa, como referências comparativas da concorrência e dados de mercado

O que permanece explicitamente sob responsabilidade humana:

• Pressupostos: Um modelo só é tão bom quanto o pressuposto de taxa de crescimento, taxa de capitalização ou rotatividade que lhe está subjacente, e estes exigem compreender o negócio e as pessoas que o dirigem.
• Alocação de capital, conclusões de avaliação e tudo o que seja enviado a um investidor, credor ou conselho de administração em meu nome: enquanto titular da certificação CFA, sou responsável pela conclusão, e a responsabilidade não pode ser delegada a um modelo.
• Decisões sobre pessoas e relações: reduções de custos que afetam funções, negociações e a conversa com um fundador cujo plano não funciona.

Os dois principais benefícios da IA nas finanças

A escala da verificação tem sido um grande benefício da IA. Verifica exaustivamente trabalhos que anteriormente eram sujeitos a amostragem. Exemplos recentes incluem: um livro de verificação de métricas com 134 itens para a apresentação a investidores de uma produção cinematográfica, no qual rastreámos cada valor da apresentação até aos documentos de origem; uma ferramenta de orçamentação para um cliente com 126 tarefas e cerca de 1 200 fórmulas, que apresentou zero erros de fórmulas; e uma conversão de extratos bancários de quatro entidades, em que todos os períodos passaram por uma reconciliação completa dos saldos.

O custo é outra vantagem. A IA permite às organizações automatizar tarefas e processos repetitivos. Também facilita a eliminação de licenças de software não utilizadas e do investimento de marketing em canais com baixo desempenho.

Lições aprendidas com as áreas em que a IA tem dificuldades

Os erros da IA são perigosos precisamente porque parecem profissionais. Já vi resultados bem apresentados com uma referência de intervalo errada ou um item de linha mal interpretado que passaria numa revisão superficial. Um exemplo pequeno, mas revelador: as fórmulas citadas num relatório incluíam um sinal de igual inicial, pelo que a folha de cálculo tentou avaliá-las, produzindo referências quebradas e avisos espúrios de referência circular. Agora, uma regra permanente determina que as fórmulas dos entregáveis sejam escritas como texto simples.

A IA também corrigirá alegremente coisas que não são importantes. Antes de decidir se devo recuperar ou corrigir um valor, verifico primeiro se alguma parte a jusante o lê efetivamente. Esta simples disciplina poupa muito esforço desperdiçado.

Eis também alguns casos específicos em que a IA não produz resultados:

• Modelos Excel antigos e complexos: esperava que a IA os «compreendesse simplesmente» e corrigisse um modelo com 30 separadores. Não é isso que acontece. Livros de cálculo grandes com ligações externas, folhas ocultas, VBA antigo ou controlos ActiveX, e anos de alterações acumuladas, ultrapassam-na — perde o fio condutor entre separadores e propõe correções que quebram algo noutro local. Abordagens mais lentas e disciplinadas funcionam melhor: primeiro, criar um inventário e um mapa de dependências do modelo; depois, deixar a IA executar uma tarefa delimitada de cada vez, com uma verificação separada do resultado. A IA é uma excelente analista, mas ainda não é uma arquiteta.
• Previsões em períodos de mudança de regime: as previsões estatísticas e de aprendizagem automática são excelentes quando o futuro se assemelha ao passado — a procura sazonal do comércio eletrónico, por exemplo. Vivendo e trabalhando na Ucrânia, vejo frequentemente como os modelos baseados no histórico lidam mal com a guerra, as sanções, os choques cambiais e a inflação súbita dos custos. Nestes ambientes, a IA produz números confiantes sem uma base real; pensar em cenários e o discernimento humano são muito mais importantes.

E um ponto menor: a categorização das transações atinge um patamar. A IA trata bem da maior parte, mas o remanescente ambíguo — transferências entre partes relacionadas, despesas dos proprietários, fluxos intragrupo — é precisamente onde reside o risco contabilístico, e isso continua a exigir um manual de regras definido por humanos.

Como a IA introduz riscos de custos ocultos nas finanças

Os CFO têm de acompanhar o custo computacional como uma variável de custo dos produtos vendidos que pode estar oculta.

Muitos líderes continuam a encarar a IA como software — uma subscrição fixa. No caso dos produtos nativos de IA, não é assim. Cada ação do utilizador pode desencadear chamadas ao modelo, e o custo de inferência aumenta com a utilização, o comprimento dos comandos e a escolha do modelo. Isto transforma o que parece ser uma empresa SaaS com margens elevadas em algo com custos variáveis reais e voláteis. Vejo regularmente empresas emergentes de IA cujas margens brutas se deterioram silenciosamente à medida que crescem, porque o desenho do modelo de negócio pressupunha margens semelhantes às do software e ninguém acompanhava o custo por cliente, por funcionalidade ou por transação.

A solução consiste em aplicar uma disciplina financeira básica a uma nova rubrica de custos: medir a economia unitária ao nível da chamada à IA, incluir o custo computacional nos custos dos produtos vendidos, onde pertence, definir orçamentos e alertas, adequar a dimensão do modelo à tarefa e definir o preço do produto tendo em conta o custo computacional. O controlo do custo computacional é agora uma responsabilidade central do CFO em qualquer empresa com utilização intensiva de IA — não um pormenor de engenharia.

Como gerir a IA

A IA precisa de gestão, não apenas de comandos. No início, tratei-a como uma ferramenta muito rápida, mas comporta-se muito mais como uma nova contratação brilhante, sem memória do dia anterior e com uma forte vontade de ser útil. Eis três coisas que diria ao meu eu de então, se pudesse:

• Escreva as regras uma vez. Todas as empresas têm convenções não escritas — a forma como as percentagens são apresentadas, quais as contas que aparecem em cada relatório, como as fórmulas são documentadas e em que idioma são os documentos finais. Se existirem apenas na sua cabeça, a IA fará algo diferente de cada vez, de forma «razoável».
• Separe as perguntas das alterações. Pergunte à IA por que razão um número parece estranho e, muitas vezes, ela irá «corrigi-lo». A minha regra permanente é agora a seguinte: quando faço uma pergunta, a IA responde primeiro e aguarda aprovação antes de alterar qualquer coisa. No início, isto teria evitado várias alterações silenciosas que tive de desfazer.
• Mantenha as tarefas pequenas e o original intacto. Nas minhas primeiras tentativas, dei demasiado de uma só vez à IA — «reveja todo este modelo e corrija-o». Os resultados pareciam impressionantes e eram difíceis de verificar. Instruções de tarefas delimitadas, uma alteração de cada vez, uma cópia limpa do original e um registo de alterações tornam cada passo verificável.

Estas três coisas ter-me-iam poupado horas de retrabalho, alguns momentos embaraçosos quase problemáticos detetados na revisão e a falsa convicção, durante algum tempo, de que o principal valor da IA é a velocidade. O principal valor é permitir verificar tudo — mas apenas se conceber o processo para esse efeito.

Como pode ser utilizada a IA no fundo de maneio

A maioria das equipas financeiras continua a gerir as contas a receber, as contas a pagar e os inventários com relatórios mensais e intuição, apesar de ser aqui que o dinheiro é gerado ou fica retido. Mas a IA é particularmente forte neste domínio porque os dados de entrada são abundantes, repetitivos e contêm padrões que os humanos não têm tempo para detetar.

Há duas áreas que reformulei:

• Planeamento de inventário e compras para comércio eletrónico: Para marcas de vestuário desportivo, fatos de banho, brinquedos e barras proteicas, substituímos a abordagem de «repor o que vendeu na época passada» por um sistema de previsão que já mencionei brevemente. Limpamos o histórico de vendas, normalizamos os dados em função da sazonalidade e do investimento publicitário, prevemos a procura com intervalos de 95% e, em seguida, elaboramos um plano de compras que estabelece explicitamente um equilíbrio entre os custos de armazenamento, a margem bruta, o retorno sobre o capital próprio, os descontos por volume e o prazo de entrega do fornecedor. O resultado é uma decisão de compra baseada num conjunto de resultados possíveis, com o custo de errar em qualquer direção visível desde o início — em vez de uma única estimativa.
• Valores a receber, valores a pagar e comunicações: Desenvolvo análises baseadas no Claude sobre contas a receber, contas a pagar e as próprias comunicações da empresa, para que a área financeira veja não apenas que uma fatura está atrasada, mas também porquê — uma disputa, um problema de entrega, um cliente sob pressão — e possa agir mais cedo. A mesma abordagem deteta pagamentos duplicados ou invulgares e condições de fornecedores que se alteraram silenciosamente.

Porque é que o Claude Code e o Cowork são revolucionários na área financeira

O Claude é revolucionário — especificamente na sua forma orientada para agentes (Claude Code e Cowork), em que não se limita a conversar, mas trabalha com ficheiros, escreve e executa Python, lê e cria modelos de Excel e liga-se a bases de dados e aplicações empresariais.

Com ele, posso analisar extratos bancários, auditar um modelo com 30 separadores, criar um sistema de previsão, redigir um memorando para investidores e criar um conjunto de dados pronto para o Power BI — e, sobretudo, ele escreve código que posso manter, voltar a executar e auditar, em vez de me dar apenas respostas. As instruções ao nível do projeto permitem-me codificar uma vez as regras de cada cliente, para que o trabalho se mantenha consistente entre sessões.

Mas o Excel continua a ser indispensável. Continua a ser a linguagem que investidores, credores e conselhos de administração leem, e os melhores fluxos de trabalho de IA que utilizo terminam numa folha de cálculo limpa e transparente, que uma pessoa pode verificar linha a linha.

Como a IA está a mudar as equipas e os percursos de formação

A pirâmide transformou-se num diamante. Tradicionalmente, uma equipa financeira precisa de muitas pessoas juniores a introduzir dados, efetuar reconciliações e criar os primeiros rascunhos dos modelos, de algumas pessoas seniores para os reverem e de um sócio no topo. Atualmente, a IA trata da maior parte dessa camada de base.

Por conseguinte, alterou-se a combinação de competências que procuro. Menos valor na rapidez do processamento de dados; muito mais em três aspetos: compreender como uma empresa gera receitas, ter capacidade para redigir um briefing preciso e testar o resultado, e ter confiança para dizer a um fundador que um número ou um plano está errado.

A questão em aberto para a profissão é o percurso de formação. Os profissionais juniores costumavam aprender realizando o trabalho mais básico. Se a IA o fizer, temos de ensinar deliberadamente a capacidade de julgamento — fazendo com que as pessoas revejam, questionem e expliquem os resultados da IA, em vez de os produzirem de raiz.

Cinco conselhos para CFOs

Eis os meus conselhos para os CFOs:

• Utilize a IA pessoalmente, esta semana, em trabalho real. Não delegue a IA a um comité de inovação nem espere pela implementação empresarial perfeita. Escolha um processo penoso e repetitivo — uma reconciliação, uma auditoria a um modelo, um primeiro rascunho de um dossier para o conselho de administração — e faça-o pessoalmente com IA. Não pode liderar uma transformação que não vivenciou.
• Defina os controlos antes de expandir. Todos os fluxos de trabalho de IA precisam de uma verificação integrada que não dependa de confiar na IA: uma análise dos movimentos do saldo, uma reconciliação com o razão geral, uma segunda revisão independente. A IA comete erros mais rapidamente e de forma mais convincente do que um analista júnior, pelo que a conceção dos seus controlos tem de ser melhor do que antes.
• Mantenha o discernimento e a responsabilidade nas mãos das pessoas. Deixe a IA preparar, testar e redigir; mantenha os pressupostos, a afetação de capital e tudo o que for assinado em seu nome sob responsabilidade das pessoas. Registe esse limite para que a sua equipa saiba onde ele se encontra.
• Reconstrua a equipa, não apenas as ferramentas. A equipa financeira do futuro será mais pequena, mais sénior e mais analítica. Invista em pessoas capazes de formular perguntas, questionar números e falar com o negócio — essas competências acumulam valor com a IA; o simples processamento de dados não.
• Mensure o valor, não a atividade. Relatórios mais rápidos são úteis, mas a verdadeira questão é saber se está a encontrar mais valor: margem que não tinha identificado, dinheiro imobilizado no local errado, um negócio com um preço incorreto. Se a IA libertar tempo da equipa financeira e esse tempo não for aplicado em decisões, limitou-se a automatizar o trabalho antigo.

Acompanhe

Pode acompanhar o trabalho de Sergei Mochtchenkov no LinkedIn. Ou visite aistartupcfo.com e financialmodeling.net.

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