Conciliação bancária com IA: o que automatizar e o que conferir

Conciliação bancária com IA: o que automatizar e o que conferir

A conciliação bancária com IA funciona melhor quando é dividida em duas partes. Regras determinísticas resolvem os lançamentos claros, em que valor, data e identificador batem. A IA entra só nos casos ambíguos, sugerindo uma correspondência que uma pessoa aprova ou rejeita. Baixar títulos, ajustar saldos e lançar diferenças continuam sendo decisões com trilha de auditoria, não ações livres do modelo.

Principais pontos

• Comece pelas regras: a maior parte do volume costuma ser resolvida sem nenhum modelo de linguagem, e isso é mais barato, previsível e fácil de auditar.
• Use a IA para sugerir, não para decidir: ela propõe a correspondência com uma justificativa, e uma pessoa aprova antes de qualquer baixa.
• Separe leitura de escrita: o agente pode ler extratos e o contas a pagar e a receber, mas lançar e baixar deve exigir aprovação.
• Registre cada sugestão, cada aprovação e cada rejeição, porque esse histórico é o que permite medir e melhorar o processo.
• Pilote em uma conta e um tipo de lançamento antes de expandir, com um critério de sucesso combinado de antemão.

O que é conciliação bancária e onde ela costuma travar?

Conciliar é confrontar o que o banco registrou (o extrato) com o que a empresa registrou (o ERP, a planilha ou o sistema financeiro) e explicar toda diferença. Em tese é uma tarefa mecânica. Na prática, ela trava em lugares previsíveis.

O primeiro é o lançamento agrupado: um depósito do adquirente que reúne várias vendas de cartão, já descontadas as taxas. O segundo é o pagamento parcial ou combinado: um cliente paga duas faturas em um único Pix, ou paga uma fatura em duas vezes. O terceiro é a descrição pobre do extrato, em que o nome do pagador vem abreviado, truncado ou em nome de outra pessoa (o sócio, o contador, a empresa do grupo). O quarto são as diferenças pequenas e recorrentes: tarifas, juros, arredondamentos e atrasos de compensação.

O ponto central é que esses casos não têm o mesmo grau de dificuldade. Tratar tudo como problema de IA é um erro tão comum quanto tratar tudo como problema de planilha.

O que automatizar com regras determinísticas?

Regra determinística é aquela em que, dadas as mesmas entradas, o resultado é sempre o mesmo e pode ser explicado em uma frase. Para a conciliação, isso cobre uma parte grande do trabalho.

Bons candidatos a regra fixa:

• Correspondência exata de valor e data, com identificador único presente nos dois lados (por exemplo, o identificador de transação Pix, o nosso número do boleto ou o código de autorização).
• Correspondência por valor e data dentro de uma janela de tolerância definida, quando só existe um candidato possível.
• Lançamentos recorrentes conhecidos, como tarifa bancária mensal, pacote de serviços e débito de um fornecedor com valor fixo.
• Estornos e devoluções com referência explícita ao lançamento original.
• Transferências entre contas da própria empresa, que aparecem como saída em um lado e entrada no outro.

A vantagem de manter essas regras fora do modelo é dupla. Primeiro, o custo e a latência são baixos e o comportamento é estável. Segundo, quando algo dá errado, é possível apontar exatamente qual regra causou o problema. Esse princípio vale para qualquer sistema com IA: usar a solução mais simples que resolve e só aumentar a complexidade quando necessário, como descreve a Anthropic em Building effective agents.

Um cuidado prático: regras precisam de dono e de versão. Se alguém altera a tolerância de data de dois para cinco dias, isso deve ficar registrado, porque muda quais lançamentos são resolvidos automaticamente.

Onde a IA ajuda: os casos ambíguos

Depois que as regras rodam, sobra um resíduo de lançamentos sem correspondência clara. É aí que um modelo de linguagem pode ajudar, porque o problema deixa de ser exatidão e passa a ser interpretação.

Exemplos de uso legítimo:

• Interpretar descrições textuais do extrato e associar a um cliente ou fornecedor cadastrado, mesmo com abreviações ou nomes parecidos.
• Sugerir que um único crédito corresponde à soma de duas ou três faturas em aberto do mesmo cliente.
• Propor que um depósito de adquirente corresponde a um conjunto de vendas, mostrando a conta que fecha o valor.
• Classificar lançamentos sem contrapartida (tarifas, juros, taxas) em categorias contábeis sugeridas.
• Resumir, para quem revisa, por que a sugestão foi feita e qual evidência a sustenta.

Em todos esses casos a saída da IA é uma proposta estruturada: lançamento do extrato, lançamento sugerido no sistema, grau de confiança e justificativa curta. Ela não executa nada. Quem aprova é uma pessoa, e a aprovação é o que aciona a baixa.

Vale também limitar o que o modelo enxerga. Ele precisa do extrato do período e das pendências abertas, não de toda a base de clientes, nem de dados pessoais além do necessário. Isso reduz risco com a LGPD e melhora a qualidade, já que menos contexto irrelevante significa menos chance de correspondências inventadas.

O que uma pessoa precisa conferir sempre?

A pergunta útil não é se a IA acertou na maioria das vezes, e sim quais erros são aceitáveis. Um erro de classificação contábil de um lançamento pequeno é diferente de baixar a fatura errada de um cliente, que gera cobrança indevida ou deixa uma dívida real sem cobrança.

Um guia de decisão simples, em formato de lista:

• Correspondência por regra exata: não precisa de aprovação individual, mas entra em amostragem periódica e em relatório de exceções.
• Sugestão da IA com valor pequeno e cliente identificado de forma inequívoca: aprovação rápida, em lote, com a evidência visível.
• Sugestão da IA que agrupa várias faturas ou usa um pagador diferente do cadastrado: aprovação individual.
• Qualquer diferença de valor a ser lançada como perda, desconto ou ajuste: aprovação de quem tem alçada financeira, nunca automática.
• Lançamentos de valor alto, de partes relacionadas ou sem documento de suporte: revisão obrigatória, com registro do motivo.
• Fechamento do mês: conferência humana do saldo final entre extrato e razão, independentemente do que foi automatizado.

Há ainda uma razão de governança para manter a pessoa no circuito. Se uma decisão automatizada afeta um titular de dados, como a cobrança de um cliente pessoa física, o direito de revisão importa. Vale ler Decisões automatizadas na LGPD: art. 20 e o direito de revisão para entender como isso se aplica ao seu caso. E para delimitar o que nunca deve ir para o modelo, O que não delegar para inteligência artificial na empresa ajuda a desenhar a fronteira.

Como montar o fluxo, passo a passo

Um fluxo enxuto e auditável pode seguir esta ordem:

• Importar o extrato em formato estruturado (OFX, CNAB ou a API do banco ou do agregador, conforme o que a empresa usa) e as pendências do contas a pagar e a receber.
• Normalizar os dados: datas, valores, sinais, nomes e identificadores, antes de qualquer comparação.
• Rodar as regras determinísticas em ordem, da mais restritiva para a mais flexível, marcando cada lançamento resolvido com a regra aplicada.
• Separar o resíduo: tudo que não foi resolvido ou que teve mais de um candidato.
• Enviar o resíduo ao modelo com contexto mínimo, pedindo uma sugestão estruturada com justificativa e grau de confiança.
• Validar a saída por código: o valor sugerido fecha com a soma? O título existe e está em aberto? A conta é a esperada? Sugestões que falham na validação voltam para a fila manual.
• Apresentar as sugestões a quem revisa, com a evidência ao lado, e permitir aprovar, rejeitar ou corrigir.
• Somente após a aprovação, executar a baixa no sistema, com registro de quem aprovou, quando e com base em quê.
• Gerar um relatório de exceções e de pendências antigas para o fechamento.

O passo de validação por código é o que mais se esquece e o que mais protege. É uma aplicação direta da ideia de guardrails de saída, que você encontra em Guardrails para agentes de IA: entrada, saída e ação na prática. Se o seu financeiro está em Bling, Omie ou Tiny, o caminho de integração e os riscos de escrita estão em Integrar IA ao Bling, Omie ou Tiny: caminhos via API e riscos.

Cenário ilustrativo

Imagine uma distribuidora pequena (cenário ilustrativo, não é um caso real). No extrato aparece um crédito por Pix de um remetente com o nome de uma pessoa física, sem identificador de fatura. No contas a receber há duas faturas em aberto de um cliente pessoa jurídica cujo sócio tem esse mesmo nome.

A regra exata não resolve, porque o valor não bate com uma única fatura. A regra por tolerância também não, pois não há candidato único. O lançamento vai para o resíduo. O modelo recebe o crédito e as pendências relevantes e sugere: este Pix corresponde à soma das duas faturas do cliente, o remetente é sócio cadastrado, e a soma fecha o valor exato. O código confere que as faturas existem, estão em aberto e que a soma é a informada.

A sugestão chega à pessoa do financeiro com a evidência lado a lado. Como o pagador é diferente do cadastrado e há duas faturas agrupadas, a regra de decisão pede aprovação individual. Ela confirma, a baixa é feita e o registro guarda a sugestão, a aprovação e a justificativa. Se ela rejeitasse, o motivo também ficaria registrado e serviria para ajustar o processo.

Como medir se está funcionando e quais riscos controlar

Sem medição, a conciliação com IA vira uma percepção de que está melhor. Antes de ligar qualquer coisa, registre a linha de base: quanto tempo a equipe leva no fechamento, quantos lançamentos ficam pendentes e quantas diferenças são encontradas tarde demais. Depois, no piloto, acompanhe indicadores simples:

• Proporção de lançamentos resolvidos por regra, por sugestão aprovada e por trabalho manual.
• Sugestões rejeitadas ou corrigidas, com o motivo.
• Baixas revertidas depois da aprovação, que sinalizam falha de revisão ou de regra.
• Tempo entre o lançamento no extrato e a conciliação.

Para estruturar critérios e pontos de decisão, o artigo Como medir um piloto de automação com IA: métricas e gates de decisão traz um modelo útil. Para construir um conjunto de casos de teste com exemplos reais anonimizados e verificar o comportamento antes de ampliar, a Anthropic descreve a lógica em Demystifying evals for AI agents. E, como referência geral de gestão de risco, o NIST AI Risk Management Framework ajuda a organizar quem responde por quê.

Os riscos principais são concretos. Dados financeiros e pessoais exigem acesso mínimo, segredos protegidos e logs sem excesso de informação. O modelo pode sugerir com segurança uma correspondência errada, por isso a validação por código e a aprovação existem. E mudanças no formato do extrato ou nas regras do banco podem quebrar a normalização sem aviso, então o fluxo precisa de alerta para volumes ou formatos incomuns.

No método que aplicamos, o caminho segue quatro movimentos. Mapear o processo atual e a linha de base. Limitar dados e ações, deixando a IA apenas com leitura e sugestão. Pilotar um fluxo real, como uma conta e um tipo de lançamento, com logs e um critério de sucesso combinado. E transferir a operação, decidindo com base nos registros se é hora de expandir, ajustar ou parar.

Perguntas frequentes

A IA pode fazer a conciliação bancária inteira sozinha? Tecnicamente pode propor uma correspondência para quase tudo, mas isso não significa que deva executar. O que é exato deve ser resolvido por regras, e o que é ambíguo deve ser aprovado por uma pessoa. A baixa de títulos e o lançamento de diferenças são ações com efeito financeiro e merecem trilha de auditoria.

Preciso trocar meu ERP ou sistema financeiro para usar IA na conciliação? Em geral não. O mais comum é trabalhar com a exportação do extrato e das pendências, ou com a API do sistema que você já usa, começando só com leitura. A escrita no sistema vem depois, restrita e com aprovação, quando o piloto mostrar que as sugestões são confiáveis.

Os dados do extrato podem ir para um modelo de IA com segurança? Depende do desenho. Envie apenas o necessário, evite dados pessoais desnecessários, defina onde os dados são processados e guardados e registre o acesso. Para dados de pessoas físicas, vale alinhar com a LGPD e consultar as orientações da ANPD, e fazer uma avaliação formal quando o risco justificar.

Como sei se a conciliação com IA está dando certo? Compare com a linha de base registrada antes do piloto: tempo de fechamento, pendências antigas e diferenças descobertas tarde. Acompanhe também as sugestões rejeitadas e as baixas revertidas. Se a taxa de correção está alta ou o time não confia na fila de sugestões, o ajuste é nas regras e no contexto, não em dar mais autonomia ao modelo.

Fontes

• Anthropic: Building effective agents
• Anthropic: Demystifying evals for AI agents
• NIST AI Risk Management Framework
• ANPD: Autoridade Nacional de Proteção de Dados