Cash flow forecast com IA: o que funciona e o que é hype

Previsão de fluxo de caixa com IA virou o feature mais vendido por qualquer vendor de software financeiro nos últimos dois anos. Todo pitch deck tem um gráfico bonito mostrando como o modelo previu o caixa com 98% de precisão.

O problema é que, na prática, a maioria das empresas brasileiras que tentou implementar previsão de caixa com IA teve resultados decepcionantes. Não porque a tecnologia não funciona, mas porque a implementação ignorou premissas básicas.

O que realmente funciona

Modelos de série temporal para recebimentos recorrentes. Se sua empresa tem receita previsível (assinaturas, contratos, parcelas), modelos como Prophet ou ARIMA conseguem prever o fluxo de entrada com boa precisão. A sazonalidade é capturada automaticamente e o modelo melhora com o tempo.

Classificação de clientes por risco de atraso. Em vez de prever o valor exato que vai entrar, prever quais clientes vão atrasar e por quantos dias. Isso é um problema de classificação, e modelos de machine learning são bons nisso. Com essa informação, o tesoureiro pode ajustar a projeção de caixa de forma mais realista.

Detecção de padrões sazonais que humanos não enxergam. O tesoureiro experiente conhece a sazonalidade macro (dezembro é fraco, janeiro é parado). Mas IA consegue captar micro-sazonalidades: semana do mês que concentra pagamentos, dias específicos com picos de recebimento, correlações com eventos externos.

Cenários automatizados. Em vez de fazer 3 cenários manualmente (otimista, base, pessimista), o modelo gera distribuições de probabilidade. O tesoureiro vê não só o valor esperado, mas a faixa de variação e a probabilidade de cada resultado.

O que é hype (pelo menos por enquanto)

"IA que prevê qualquer fluxo de caixa." Se a empresa tem receita irregular (projetos, vendas spot, licitações), nenhum modelo de IA vai prever com precisão. A variabilidade é alta demais. Nesses casos, o melhor que a IA pode fazer é identificar padrões históricos e alertar desvios, mas a projeção de caixa continua dependendo de input humano.

"Implementação em 2 semanas." Qualquer implementação séria de previsão de caixa com IA precisa de dados limpos. E na maioria das empresas, os dados financeiros estão espalhados em 3 ou 4 sistemas diferentes, com formatos inconsistentes. A fase de limpeza e integração de dados costuma levar mais tempo do que o modelo em si.

"Substitui o tesoureiro." IA não substitui o julgamento de quem conhece o negócio. O modelo não sabe que o maior cliente avisou informalmente que vai atrasar. Não sabe que a empresa está negociando uma aquisição que vai mudar o perfil de caixa. O tesoureiro continua sendo essencial. A IA dá ferramentas melhores pra ele trabalhar.

A melhor implementação de IA na tesouraria é aquela que faz sua equipe atual trabalhar melhor — não aquela que promete trabalhar no lugar dela.

Premissas pra funcionar de verdade

Se você está considerando implementar previsão de caixa com IA, esses são os pré-requisitos reais:

Dados históricos de pelo menos 12 meses. Menos que isso e o modelo não consegue captar sazonalidade. Ideal é 24 a 36 meses.

Dados em granularidade diária. Projeção de caixa mensal qualquer planilha faz. O valor da IA aparece quando você projeta diariamente, onde a variabilidade é maior e o impacto de erros é mais crítico.

Integração com ERP e bancos. Se o modelo depende de alguém exportar um CSV toda semana, ele morre em 2 meses. A alimentação de dados precisa ser automática.

Alguém que entenda o negócio revisando o modelo. Não precisa ser um cientista de dados. Precisa ser alguém da tesouraria que valide se as previsões fazem sentido e reporte quando não fizerem. O modelo aprende com esse feedback.

Quanto custa

Implementações básicas (Python + dados do ERP, rodando internamente) podem custar praticamente zero além do tempo da equipe. Plataformas especializadas de cash forecasting com IA custam entre R$ 3k e R$ 30k/mês dependendo do porte da empresa e volume de transações.

O ROI geralmente aparece na redução de custo de capital: ao prever melhor o caixa, a empresa mantém menos dinheiro parado em conta corrente e negocia menos linhas de crédito emergenciais. Para empresas com faturamento acima de R$ 50M/ano, a economia típica cobre o investimento em poucos meses.

Conclusão

Previsão de caixa com IA funciona, mas não é mágica. Funciona quando os dados são bons, quando o modelo é ajustado pra realidade da empresa, e quando tem um humano no loop validando e corrigindo.

Se o vendor promete resultado sem perguntar sobre a qualidade dos seus dados, desconfie. Se promete substituir sua equipe, desconfie mais ainda. A melhor implementação de IA na tesouraria é aquela que faz sua equipe atual trabalhar melhor, não aquela que promete trabalhar no lugar dela.

---