IA em FP&A: Por Que 53% Ainda Não Usaram e O Que Isso Revela

O tema de IA em FP&A vem crescendo de forma acelerada.Há cada vez mais profissionais buscando como aplicar a tecnologia, mais ferramentas sendo lançadas, mais lideranças cobrando implementação. O interesse não é mais uma tendência emergente. É uma pressão real sobre os times financeiros.

E então aparece um dado que contradiz tudo isso.

O FP&A Trends Survey 2025, um dos levantamentos anuais mais abrangentes sobre a função financeira, identificou que 53% das organizações ainda não usaram IA em nenhum processo de FP&A. Apenas 10% usam IA para forecasting ou análise de dados.

Não é um dado sobre empresas pequenas ou mercados periféricos. É sobre organizações globais, com times estruturados, num momento em que o tema é tratado como urgência estratégica.

O gap entre intenção e realidade

O Hackett Group publicou em março de 2026 os resultados do seu Finance Key Issues Study, pesquisa anual com líderes financeiros globais. Um número específico captura o estado atual melhor do que qualquer análise qualitativa: IA subiu da 16ª para a 4ª prioridade em finanças num único ano.

Essa mudança de posição não tem precedente na história recente do setor. Em 2025, IA era uma prioridade periférica. Em 2026, é urgência declarada.

E mesmo assim, 19% das organizações estão escalando IA para planejamento e forecast. 22% estão em fase piloto. O restante ainda não começou.

O gap entre o que os líderes financeiros declaram como prioridade e o que as organizações estão de fato implementando é a informação mais relevante desse cenário. Não é um gap de vontade. É um gap de base.

O que a pressão por IA está ignorando

O mesmo Hackett Group identificou que os times financeiros vão enfrentar em 2026 um crescimento de 3,2% na carga de trabalho enquanto o headcount cai 2,1% e os orçamentos encolhem 1,7%. Isso cria um gap de produtividade de 5,3% que as organizações estão tentando fechar com tecnologia.

A lógica é direta: mais trabalho com menos gente e menos orçamento. IA resolve.

O problema é que a IA gera ganhos de eficiência principalmente em processos que já funcionam de forma estruturada. Quando o modelo operacional tem inconsistências, dados de qualidade duvidosa e fluxos manuais que dependem do conhecimento individual de quem os executa, implementar IA não resolve essas inconsistências. Amplifica elas com mais velocidade.

O próprio Hackett Group aponta os principais obstáculos à implementação bem-sucedida de IA em finanças: qualidade de dados, complexidade de processo e resistência organizacional à mudança. Esses três obstáculos existem independentemente da ferramenta de IA escolhida. Eles precisam ser resolvidos antes, não durante a implementação.

O que acontece quando IA chega antes da base estar pronta

Existe uma situação que começa a aparecer com frequência em times financeiros que aceleraram a adoção de IA sem resolver a base operacional antes.

O modelo de forecast automatizado aprende o padrão dos dados históricos que recebe. Se esses dados têm inconsistências que o time corrigia manualmente, o modelo vai aprender e reproduzir essas inconsistências. A automação remove a etapa manual de correção sem remover a causa do erro. O resultado aparece quando o forecast automatizado entrega um número que ninguém consegue explicar porque foi produzido por um sistema que internalizou uma estrutura falha.

O modelo de forecast automatizado aprende o padrão dos dados históricos que recebe. Se esses dados têm inconsistências que o time corrigia manualmente, o modelo vai aprender e reproduzir essas inconsistências. A automação remove a etapa manual de correção sem remover a causa do erro. O resultado aparece quando o forecast automatizado entrega um número que ninguém consegue explicar porque foi produzido por um sistema que internalizou uma estrutura falha.

A McKinsey identificou que apenas 20% dos CFOs usam IA ativamente em processos financeiros, e quase metade ainda está em fase piloto. A razão mais frequente para a estagnação não é tecnológica. É a ausência de dado limpo, arquitetura estruturada e governança clara que permita que o modelo aprenda o que deveria aprender.

Por onde o ciclo orçamentário entra nessa equação

Junho é o mês em que muitas organizações começam o ciclo orçamentário para 2027. É também o momento em que a pressão para usar IA no orçamento se torna mais concreta, porque o processo vai começar agora e a liderança quer ver tecnologia sendo aplicada.

A pergunta que vale fazer antes de escolher qualquer ferramenta é mais simples do que parece. Se o orçamento do ano passado foi construído com dados que precisaram de reconciliação manual entre áreas, com versões de arquivo sem controle de qual era a mais atual, e com premissas que foram ajustadas durante o processo sem registro estruturado, uma ferramenta de IA vai ter acesso a quê?

O que o modelo vai aprender é a forma de trabalho atual, não a forma que deveria existir. E vai executar esse processo com mais velocidade e menos visibilidade do que o time humano conseguia.

IA no orçamento é uma evolução real e possível. Mas a sequência importa mais do que a ferramenta.

O que na estrutura orçamentária atual do seu time precisaria estar resolvido para que uma ferramenta de IA pudesse aprender algo útil com os dados históricos?

Referências

FP&A Trends Survey 2025, dados sobre adoção de IA em processos de FP&A (53% sem uso, 10% usando para forecasting): fpa-trends.com — First Steps into AI in FP&A

Hackett Group 2026 Finance Key Issues Study, IA como 4a prioridade em finanças (subiu da 16a posição), gap de produtividade de 5,3% e dados de adoção por processo: finance.yahoo.com — Hackett Group Study

Infosys BPM, análise sobre adoção de IA em FP&A e principais barreiras de implementação: infosysbpm.com — AI-driven FP&A Forecasting

McKinsey, dados sobre uso ativo de IA por CFOs (20% usando ativamente, metade ainda em piloto): cubesoftware.com — AI for FP&A