Coreografia: achar a anomalia antes que ela estoure
A IA varre um volume de lançamentos que o seu olho nunca varreria e acende os suspeitos fora da curva. Você continua sendo quem investiga, separa erro de exceção legítima e decide a ação.
Quarta-feira de manhã, fechamento de despesas do mês. No meio de onze mil lançamentos, um deles é um reembolso de viagem de quatro mil e duzentos reais, lançado num centro de custo que não tem ninguém viajando. Pode ser fraude. Pode ser um lançamento jogado na conta errada com pressa. Pode ser uma exceção perfeitamente legítima que você simplesmente não lembra. O ponto incômodo é: você nunca ia achar essa linha no olho, porque ninguém lê onze mil linhas. A pergunta desta aula é: quem varre esse volume por você, e quem decide o que fazer com o que aparecer?
Ciclo de avaliação de desempenho encerrado, oitocentas notas pra revisar. A IA varre o lote inteiro e acende dois pontos fora da curva: um gestor deu nota máxima pro time inteiro, outro deu a pior nota do ciclo a alguém que sempre entregou bem. Pode ser favorecimento, pode ser um gestor que não calibra, pode ser uma queda de performance real que você não acompanhou de perto. Você nunca acharia esses dois casos lendo oitocentas avaliações linha a linha; a IA só te deu a lista curta pra investigar. Antes de marcar qualquer um dos dois como problema no Gupy ou no sistema de RH, você confere o contexto, porque tratar o apito como veredito é o jeito mais rápido de punir um gestor que não fez nada de errado.
Fim do trimestre, hora de olhar as métricas do produto no dashboard. No meio de centenas de eventos e funis, a IA acende uma feature cuja ativação despencou pela metade numa semana, sem nenhuma mudança anunciada. Pode ser um bug que ninguém reportou, pode ser sazonalidade, pode ser um experimento de outro time mexendo no fluxo sem avisar. Você nunca acharia essa queda vasculhando todos os funis à mão; a IA só te entregou onde cavar, não o motivo. Antes de escalar isso como incidente na PRD do trimestre, você confere a coorte de perto, porque uma queda real vira prioridade e uma queda de medição errada vira só ruído.
Sexta-feira, revisão do pipeline antes do forecast, seiscentas oportunidades no CRM. A IA acende uma de duzentos mil reais marcada como "fechamento provável", mas sem nenhuma interação registrada há quarenta dias. Pode ser um deal morto que o vendedor não quer admitir, pode ser negociação andando por fora do CRM, pode ser uma conta grande que vai fechar e só está mal atualizada. Você nunca acharia essa linha revisando seiscentas oportunidades uma a uma; a IA só te deu a lista curta de onde olhar. Antes de tirar esse valor do forecast que vai pro diretor comercial, você liga pro vendedor e confirma, porque cortar um deal real do número por causa de um CRM desatualizado custa caro.
Começo da semana, leitura do painel de SLA, milhares de pedidos processados. A IA acende um lote inteiro de uma transportadora que saiu com prazo de entrega três vezes maior que a média da rota. Pode ser um gargalo novo no centro de distribuição, pode ser erro de cadastro no sistema, pode ser uma exceção legítima, uma região em obra que sempre atrasa naquele período. Você nunca acharia esse lote lendo milhares de pedidos linha a linha; a IA só acendeu onde investigar. Antes de cobrar a transportadora ou mudar o processo no Zendesk, você confere o motivo real, porque agir sobre uma exceção legítima como se fosse falha quebra uma relação que funcionava.
Auditoria interna do trimestre, revisão de acessos e tratamentos de dados sob a LGPD. A IA acende um registro de log de um colaborador exportando uma base com dados pessoais num domingo de madrugada. Pode ser vazamento, pode ser uma rotina técnica agendada que ninguém documentou, pode ser um acesso legítimo dentro de um projeto que você desconhece. Você nunca acharia esse registro lendo milhares de logs linha a linha; a IA só te entregou o suspeito. Antes de levar isso ao comitê de risco como incidente, você investiga com o time técnico, porque abrir um caso de vazamento sobre uma rotina agendada normal custa credibilidade que compliance não recupera fácil.
Segunda de manhã, revisão dos deploys do fim de semana, centenas de commits e métricas de produção. A IA acende um serviço que passou a consumir o triplo de memória depois de um deploy de sexta à noite. Pode ser vazamento de memória que vai derrubar tudo, pode ser pico de tráfego sazonal sem relação com o código, pode ser mudança esperada que o time não comunicou. Você nunca acharia esse serviço lendo todos os painéis de todos os serviços toda manhã; a IA só apontou onde olhar primeiro. Antes de abrir um incidente ou fazer rollback, você confere o log de perto, porque reverter um deploy correto por causa de um pico sazonal custa uma noite de trabalho por nada.
Rodada de análise da jornada depois de um lançamento, milhares de sessões gravadas. A IA acende uma tela de cadastro com taxa de abandono muito acima de todas as outras do fluxo no Figma. Pode ser um campo confuso que trava o usuário, pode ser bug de validação que só aparece em certos aparelhos, pode ser comportamento esperado, gente só dando uma olhada sem intenção de seguir. Você nunca acharia essa tela assistindo milhares de sessões uma a uma; a IA só te deu onde investigar. Antes de redesenhar o campo ou abrir chamado pro time técnico, você revê algumas sessões de perto, porque mexer num campo que não é o problema real só adia a correção do que trava o usuário de verdade.
Revisão trimestral do painel competitivo, com duzentas menções de mercado monitoradas essa semana. No meio delas, a IA acende um concorrente pequeno lançando um produto quase idêntico ao que você vai anunciar ao board na sexta. Pode ser vazamento real da sua estratégia, pode ser coincidência de posicionamento, pode ser um movimento independente que só parece igual de longe. Você nunca acharia essa menção lendo duzentas atualizações à mão; o que a IA fez foi acender o suspeito, não concluir nada. Antes de levar isso ao board como sinal de vazamento, você investiga a fonte, e só depois de confirmar é que vira alerta real, não um falso positivo que ia gerar pânico interno à toa.
Deixa eu te falar de um trabalho que sempre foi meio impossível na controladoria. Você é responsável por garantir que os números fechem e que nada estranho passe batido. Só que o "nada estranho" mora dentro de milhares de linhas que ninguém tem tempo de ler. Então, na prática, você amostra: olha o que é grande, o que chama atenção, o que alguém reclamou. O resto passa no escuro. Pensa comigo: e se desse pra varrer o resto todo, e ainda assim você só precisar olhar a lista curta do que parece torto? É exatamente essa a coreografia desta aula.
A ideia central desta aula. A IA não é um auditor que conclui no seu lugar. Ela é um detector de metais: passa por cima de um terreno gigante que você nunca cobriria no braço, e apita onde tem algo enterrado. O apito não é o tesouro nem o lixo, é só o sinal de "cava aqui". Quem cava, quem decide se é erro, fraude ou exceção legítima, e quem toma a ação, continua sendo você. A IA te dá alcance; o julgamento continua seu.
01O que a IA faz bem: varrer o que o olho não varre
Vamos chamar o boi pelo nome. O gargalo da controladoria nunca foi inteligência, foi volume. Você sabe exatamente o que é um lançamento suspeito, mas não tem como passar o olho em todas as linhas, todo mês, em toda conta. Então sobra amostragem, e amostragem deixa buraco.
A IA inverte isso. Ela não se cansa, não pula linha, não dá uma de "isso aqui parece ok". Você aponta ela pra base inteira e pede pra ela acender o que está fora do padrão:
- Despesas fora da curva. Um valor muito acima da média daquela categoria, daquele fornecedor, daquele mês.
- Lançamentos estranhos. Centro de custo que não bate, conta que não costuma receber aquele tipo de gasto, data esquisita (um lançamento no feriado, no fim de semana, no último minuto do fechamento).
- Duplicidade. A mesma nota, o mesmo valor, o mesmo fornecedor batendo duas vezes com um diazinho de diferença.
- Quebra de padrão. O fornecedor que sempre cobra um valor redondo e nesse mês veio quebrado, a despesa recorrente que sumiu, a que apareceu do nada.
O ganho real aqui é de alcance. Você sai de "olhei os dez maiores" pra "passei por todos, e tenho uma lista de quarenta pra investigar". Beleza?
Como a varredura funciona, na prática:
02O que continua sendo seu: investigar, separar e decidir
Aqui está a parte que a IA não faz, e que é justamente o coração da controladoria. A IA acendeu quarenta suspeitos. E agora? Agora começa o seu trabalho, e ele é todo de julgamento.
- Investigar o suspeito. A IA apontou, ela não explicou. Aquele reembolso no centro de custo errado: foi rateio mal lançado, foi alguém aproveitando, foi um acordo que você esqueceu? Isso é puxar o documento, perguntar pra pessoa, olhar o histórico. A IA não faz isso por você.
- Separar erro de exceção legítima. Esse é o ponto fino. Nem tudo que está fora do padrão está errado. O bônus de fim de ano sempre quebra a curva, e está certo. O fornecedor novo sempre parece estranho, e é só novo. Distinguir "está torto" de "está certo e só é incomum" é leitura de contexto, e contexto é seu.
- Decidir a ação. Achou um erro? Estorna, corrige, escala, abre um processo, conversa. A IA não cobra ninguém, não bloqueia pagamento, não toma decisão que tem consequência. Quem assina a ação, e responde por ela, é uma pessoa. Sempre.
Repara no desenho: a IA estreita o seu campo de busca, ela não substitui o seu olho treinado. Ela transforma "vasculhar tudo" em "olhar o que importa". O trabalho de pensar continua inteiro com você, só que aplicado no lugar certo.
03O custo a nomear: o falso positivo
Agora a parte que eu não posso deixar você esquecer, porque é onde essa coreografia dá errado se mal feita. A IA acende suspeitos, e nem todo suspeito é culpado. Isso tem nome: falso positivo. A IA aponta uma coisa como anomalia e, quando você investiga, não era nada.
E aqui mora um risco humano, não técnico. Se você tratar a lista da IA como veredito, você vai cobrar gente errada, vai estornar lançamento certo, vai criar atrito interno por causa de um apito que era só o detector reagindo a uma moeda velha no bolso de alguém. O custo do falso positivo não é da máquina, é seu, na forma de tempo perdido e de credibilidade gasta cobrando o inocente.
Por isso a regra desta coreografia, que conversa com a regra de ouro da trilha: o humano filtra antes de qualquer ação. A IA acende, você investiga, e só depois de confirmar é que vira cobrança, estorno ou escalada. Nenhum apito vira acusação sem você cavar primeiro.
04A coreografia, passo a passo
Junta tudo e vira um sistema simples, que você roda toda virada de mês. Quatro passos, papéis bem separados.
- A IA varre. Você joga a base de lançamentos do período e pede pra ela acender o que está fora do padrão, por categoria de anomalia: valor fora da curva, centro de custo incoerente, duplicidade, data atípica. Saída: a lista curta de suspeitos, com o motivo de cada um.
- Você investiga. Pega a lista e cava cada linha: documento, contexto, histórico. Aqui você não está mais varrendo onze mil, está olhando quarenta com atenção de verdade.
- Você classifica. Cada suspeito vira uma de três coisas: erro (precisa corrigir), exceção legítima (está certo, só é incomum) ou fraude/risco (precisa escalar). Os falsos positivos morrem aqui.
- Você decide e age. Só o que sobrou confirmado vira ação: estorno, correção, processo, conversa. E você fecha o ciclo registrando o que era recorrente, pra ajustar a varredura do mês seguinte.
Repara que a IA aparece num passo só, no começo. Ela não está no lugar do controlador, ela está na entrada, ampliando o alcance dele. É o detector de metais antes da escavação, não o juiz depois dela. Vamos?
05Onde isso se encaixa no resto do curso
Essa coreografia não vive sozinha. Ela é um sensor dentro de um sistema maior, e vale ligar dois pontos.
Lá na aula 6.1, você viu CI/CD rodado por agentes: processos que têm uma etapa de checagem automática antes de algo passar adiante. A varredura de anomalias é exatamente isso aplicado ao financeiro. Em vez de checar código antes do deploy, você checa lançamentos antes do fechamento virar verdade. Mesma lógica: uma camada de verificação automática na frente, decisão humana atrás.
E no mapa "A Engenharia do Harness", a peça de sensores e observabilidade é a ideia de instrumentar o seu sistema pra ele te avisar quando algo sai do esperado. Aqui, a IA varrendo lançamentos é o seu sensor de controladoria: ela observa o volume e dispara o alerta. Você não troca o controle pela IA, você instrumenta o controle pra ele enxergar mais longe. Beleza?
Faça agora
Pegue uma base de lançamentos que você já tem à mão, a sua tarefa real ou as despesas do último fechamento. Não precisa ser tudo, pegue um período.
Peça pra IA fazer uma primeira varredura, sendo específico no que é "fora do padrão":
- Liste os lançamentos cujo valor está muito acima da média da própria categoria.
- Aponte possíveis duplicidades (mesmo valor, fornecedor e data próxima).
- Sinalize lançamentos em centros de custo ou contas incomuns para aquele tipo de gasto.
- Para cada suspeito, diga em uma linha o motivo do alerta.
Agora faça a sua parte, que é a que importa: pegue os cinco primeiros suspeitos e classifique cada um em erro, exceção legítima ou falso positivo. Conte quantos eram falso positivo. Esse número é a sua calibragem: ele te mostra quanto a IA acende a mais, e por que o filtro humano não é opcional.
Pratique
1. Na coreografia de controladoria com IA, qual é o papel correto da IA?
2. A IA acendeu um lançamento como anomalia, mas ao investigar você descobre que era um bônus de fim de ano, perfeitamente legítimo. O que isso é?
3. Por que a varredura de anomalias com IA se parece com o CI/CD rodado por agentes da aula 6.1?
Para o quadro
Sobre o alcanceamostragem deixa o resto passar no escuro. A força da IA é varrer todas as linhas, não ler melhor que você.
Sobre o falso positivonem todo suspeito é culpado. Ele é o custo previsível da varredura, e o filtro humano existe para não virar cobrança injusta.
Sobre o paraleloé o mesmo desenho do CI: verificação automática na entrada, julgamento humano na saída. Só que em lançamento, não em código.
Valeu pelo feedback. Isso ajuda a afiar a próxima aula.