Relatório gerencial mensal com IA: dados, texto e conferência

Relatório gerencial mensal com IA: dados, texto e conferência

Para fazer um relatório gerencial mensal com IA, divida o trabalho em três partes: os números saem direto da fonte (ERP, CRM, planilha ou banco de dados), a IA só redige a narrativa sobre esses números, e o gestor confere cada afirmação antes de enviar. A IA não deve calcular, buscar nem estimar dados por conta própria. Ela escreve sobre o que você entregou, e a responsabilidade pelo conteúdo continua com quem assina o relatório.

Principais pontos

• Os números vêm da fonte, calculados por consulta ou fórmula, nunca pelo modelo de linguagem.
• A IA recebe uma tabela fechada e instruções claras, e devolve um texto em que toda frase pode ser rastreada até uma linha dessa tabela.
• O gestor confere afirmação por afirmação, com um checklist, e só então o relatório sai.
• Comparações, causas e recomendações são o ponto mais frágil: a IA deve marcá-las como hipótese, e quem conhece o negócio decide se entram.
• Um piloto de poucos ciclos mensais, com registro do que foi corrigido a cada vez, mostra se o processo merece continuar.

Por que o relatório mensal costuma dar errado com IA

O erro mais comum é colar uma planilha inteira em um chat e pedir um resumo. O modelo devolve um texto fluente, com tom profissional, e é justamente a fluência que esconde os problemas. Uma soma errada, um mês comparado com o período errado ou uma causa inventada para uma queda parecem tão confiáveis quanto o resto do parágrafo.

Há três falhas recorrentes. A primeira é pedir à IA que faça contas: modelos de linguagem escrevem bem, mas aritmética sobre muitas linhas é um ponto de risco. A segunda é entregar dados sem contexto, como colunas sem definição, e deixar o modelo adivinhar o que significa margem, ticket ou cancelamento na sua empresa. A terceira é tratar o texto como pronto, sem uma etapa explícita de conferência.

O OWASP lista, entre os riscos de aplicações com modelos de linguagem, o excesso de confiança na saída do modelo e a geração de informação incorreta. O relatório mensal é um caso típico: o texto vai para sócios, bancos ou equipes, e vira base de decisão. Por isso o desenho do processo importa mais do que a escolha da ferramenta.

Qual é a divisão de trabalho entre dados, IA e gestor?

Pense em três camadas, cada uma com uma responsabilidade diferente.

• Camada de dados: consultas, fórmulas ou rotinas determinísticas que geram a tabela do mês. O resultado é o mesmo toda vez que você roda com a mesma base. Se alguém perguntar de onde veio um número, a resposta é uma consulta, não um modelo.
• Camada de redação: a IA recebe a tabela, as definições dos indicadores, o relatório do mês anterior como referência de formato e regras de escrita. Ela produz o rascunho da narrativa: o que subiu, o que caiu, o que merece atenção.
• Camada de conferência: o gestor compara o rascunho com a tabela, corrige, remove o que não se sustenta e acrescenta o que só ele sabe, como uma mudança de fornecedor ou uma campanha que alterou o mês.

Essa separação segue a lógica de fluxos previsíveis combinados com IA onde há julgamento, descrita na documentação da Anthropic sobre construção de agentes eficazes. A parte que pode ser determinística fica determinística. A IA entra onde o texto precisa de leitura e síntese. Se você quiser aprofundar a ideia de validar a saída do modelo antes que ela siga adiante, vale ler sobre guardrails em agentes de IA.

Como preparar os números antes de chamar a IA

A qualidade do relatório é decidida antes do primeiro prompt. Um bom pacote de entrada tem estes elementos:

• Uma tabela única por assunto (receita, custos, atendimento, produção), com período explícito em cada linha e a comparação já calculada na fonte: mês atual, mês anterior e mesmo mês do ano anterior, quando fizer sentido.
• Um dicionário curto de indicadores, com a definição de cada um em uma frase. Por exemplo: o que entra e o que não entra em cancelamento, qual data vale como data de venda.
• Uma lista de fatos do mês que não estão nos dados: feriados, mudanças de processo, indisponibilidades, campanhas. Isso evita que a IA invente explicações.
• Os limites do que a IA não deve afirmar: previsões, causas sem evidência, comparações com mercado.

Se parte dos números chega em PDF, como extratos, faturas ou relatórios de terceiros, extraia os campos com regras e conferência antes de alimentar a tabela. O artigo sobre extrair dados de PDF com IA detalha esse passo. O princípio é o mesmo: o dado só entra na narrativa depois de validado.

Um cuidado de privacidade: antes de enviar dados a qualquer modelo, decida o que pode sair da empresa. Relatórios gerenciais costumam ter informação comercial sensível e, às vezes, dados pessoais de clientes ou funcionários. Agregue o que for possível e remova identificadores que o texto não precisa. Se o provedor processa dados fora do Brasil, veja o que a LGPD exige em transferência internacional de dados com IA e consulte as orientações da ANPD.

Como instruir a IA para escrever sem inventar

O prompt do relatório mensal é um documento de trabalho, não uma frase solta. Mantenha-o versionado e ajuste a cada ciclo. Um bom conjunto de instruções inclui:

• Papel e público: você redige o relatório mensal para a diretoria, em português do Brasil, tom direto e calmo.
• Regra de fonte: use apenas os números da tabela fornecida. Não calcule novos valores. Se precisar de um número que não está na tabela, escreva que o dado não foi informado.
• Regra de causa: nunca afirme a causa de uma variação. Quando houver uma explicação nos fatos do mês, cite-a. Caso contrário, escreva que a causa precisa ser verificada.
• Formato: resumo de poucas linhas, depois seções por área, cada uma com o que mudou, o que merece atenção e perguntas em aberto.
• Rastreabilidade: ao lado de cada afirmação numérica, indique entre colchetes a linha ou o indicador da tabela de onde ela veio.

A última regra é a mais útil para a conferência. Quando cada frase aponta para uma origem, o gestor não precisa descobrir de onde saiu o número, só confirmar. A documentação da Anthropic sobre engenharia de contexto reforça que o modelo trabalha melhor com informação relevante, organizada e enxuta do que com tudo despejado de uma vez. Isso vale também para o tamanho da janela de contexto: tabelas enormes e sem curadoria pioram o resultado.

Sobre instruções embutidas nos dados: se alguma coluna de texto livre vier de clientes ou de terceiros (comentários, observações), trate-a como conteúdo não confiável. O OWASP descreve como textos externos podem tentar alterar o comportamento do modelo. Para o relatório, o simples hábito de não enviar campos livres que a narrativa não precisa já reduz o risco.

Como o gestor confere cada afirmação?

A conferência é a etapa que torna o processo seguro, então ela precisa de um roteiro. Use este checklist a cada ciclo:

• Cada número do texto aparece na tabela do mês, com o mesmo valor, a mesma unidade e o mesmo período.
• Cada comparação (maior, menor, estável) corresponde ao sinal real da diferença na tabela.
• Nenhuma causa foi afirmada sem apoio nos fatos do mês informados por você.
• Nenhuma previsão, meta ou recomendação entrou sem que você a tenha aprovado.
• Nomes de pessoas, clientes e fornecedores estão corretos e são necessários no relatório.
• Termos dos indicadores batem com o dicionário (a IA não trocou cancelamento por inadimplência, por exemplo).
• O que ficou de fora é intencional: nada relevante da tabela foi omitido por esquecimento do modelo.
• O tom é adequado ao público e não promete nada que a empresa não possa cumprir.

O gestor também precisa decidir o que fazer ao encontrar um erro. Duas regras ajudam. Primeira: se o erro estiver em um número, corrija na fonte ou na tabela e gere o texto de novo, em vez de apenas remendar o parágrafo. Segunda: se o erro for de interpretação (uma causa inventada, por exemplo), registre-o e ajuste a instrução do próximo mês. Assim a conferência alimenta a melhoria do processo.

Vale lembrar que alguns trechos não devem ser delegados. Avaliações sobre pessoas, decisões de desligamento e posicionamentos jurídicos ficam com quem responde por eles. O artigo sobre o que não delegar à inteligência artificial na empresa ajuda a traçar essa linha.

Cenário ilustrativo: relatório mensal de uma operação de serviços

Imagine, como cenário ilustrativo, uma empresa de serviços com atendimento por WhatsApp e agenda de visitas técnicas. Todo mês a gestora de operações consolida chamados abertos, chamados resolvidos, visitas realizadas, reagendamentos e avaliações recebidas. Hoje ela leva boa parte de uma tarde copiando números de três sistemas e escrevendo o texto.

No novo processo, uma consulta salva em cada sistema gera a tabela do mês, já com a comparação com o mês anterior. A gestora escreve em poucas linhas os fatos que os dados não mostram, como uma troca de equipe de campo. A IA recebe tudo isso mais o dicionário de indicadores e produz o rascunho, com a origem de cada número entre colchetes.

Na conferência, a gestora percebe duas coisas. O rascunho atribui o aumento de reagendamentos a falta de peças, mas essa causa não está nos fatos informados: ela remove a frase e escreve que a causa será apurada. E o texto chama de resolvidos os chamados encerrados, enquanto o dicionário define resolvido como encerrado sem reabertura. Ela corrige o termo e anota o ajuste para o prompt do mês seguinte. O relatório sai com os números da fonte, a narrativa da IA e a responsabilidade de quem conferiu.

Nenhum valor numérico aparece aqui de propósito: o ponto do cenário é o desenho do processo, não um resultado a ser esperado.

Como aplicar o método em um piloto

O método que usamos para projetos de IA em empresas segue quatro movimentos: mapear, limitar, pilotar e transferir. Aplicado ao relatório mensal, fica assim.

• Mapear: descreva como o relatório é feito hoje. Quem junta os dados, de quais sistemas, quanto tempo leva, onde costumam aparecer erros e quem lê o resultado. Esse é o ponto de partida para saber se algo melhorou.
• Limitar: defina quais dados a IA pode receber, quais ficam de fora e quais afirmações ela está proibida de fazer. Decida também quem confere e quem aprova o envio.
• Pilotar: rode o processo em alguns ciclos mensais, em paralelo ao método antigo no primeiro deles. Registre o que o gestor corrigiu a cada vez, o tempo gasto e se o relatório gerou menos perguntas posteriores. Combine antes qual métrica define sucesso. Para organizar essa avaliação, veja como medir um piloto de automação com IA.
• Transferir: documente consulta, prompt, checklist e responsáveis, para que o processo funcione sem depender de quem o montou. Depois decida se expande para outros relatórios, ajusta ou encerra.

O NIST, em seu framework de gestão de riscos de IA, trata exatamente dessa ideia de mapear, medir e gerenciar riscos com responsáveis definidos. Para um relatório interno o rigor pode ser proporcional, mas o raciocínio é o mesmo.

Se a ideia for acompanhar o desempenho da equipe a partir desses relatórios, cuide para que os indicadores não virem vigilância individual. O texto sobre medir produtividade com IA sem virar vigilância trata desse equilíbrio.

Perguntas frequentes

A IA pode calcular os indicadores do relatório? O mais seguro é que não. Calcule por consulta, fórmula ou rotina determinística e entregue o resultado pronto ao modelo. Assim, qualquer número pode ser auditado até a fonte, e a IA fica responsável apenas por escrever sobre ele.

Preciso conferir o texto todo mês, mesmo depois de o processo estabilizar? Sim. A cada ciclo os dados mudam, e o modelo pode introduzir um erro novo mesmo com um prompt que funcionou antes. A conferência pode ficar mais rápida com o checklist e a rastreabilidade das origens, mas não deve ser removida enquanto o relatório for base de decisão.

Posso usar um modelo que rode dentro da minha empresa para proteger os dados? É uma possibilidade quando os dados são muito sensíveis, com a ressalva de que a qualidade do texto e o esforço de manutenção mudam. Avalie com um teste real do seu relatório, e consulte o artigo sobre Ollama na empresa e modelos locais para entender o que isso exige.

O que fazer se a IA afirmar algo que não está nos dados? Remova a afirmação, registre o tipo de erro e reforce a regra correspondente no prompt, por exemplo proibindo explicação de causas sem evidência. Se o problema se repetir mesmo assim, reduza o que o modelo precisa escrever e passe esse trecho para o gestor redigir.

Fontes

• NIST: AI Risk Management Framework
• OWASP: Top 10 for LLM Applications
• Anthropic: Building effective agents
• Anthropic: Effective context engineering for AI agents