IA na gestão de tesouraria: liquidez, câmbio e pagamentos

Por Jane Ha · Atualizado em 11 de outubro de 2026

A IA na gestão de tesouraria é o uso de aprendizado de máquina e modelos de linguagem para prever caixa e liquidez, quantificar a exposição cambial, examinar pagamentos em busca de fraude e apertar o capital de giro, enquanto a equipe de tesouraria mantém a autoridade sobre o financiamento, o hedge (proteção) e a liberação do dinheiro. A tesouraria é um bom lugar para a IA porque os dados são numéricos e têm data e hora. É também o lugar em que uma resposta errada é mais difícil de desfazer, porque o dinheiro que saiu do banco se foi.

Este guia é para tesoureiros, CFOs, controllers e diretores financeiros que estão decidindo onde a IA entra na função de tesouraria e quais controles precisam acompanhá-la. Para a visão de toda a função, comece por IA em finanças e contabilidade e pelo hub de planejamento, IA em FP&A. Para a mecânica da previsão, leia IA na previsão de fluxo de caixa.

Fatos Principais

• Na AFP Payments Fraud and Control Survey de 2026 (465 profissionais de tesouraria, realizada em janeiro de 2026), 76% das organizações dos EUA sofreram tentativas ou casos reais de fraude de pagamento em 2025, 74% foram afetadas por comprometimento de e-mail corporativo (BEC) e os cheques foram o método mais visado, com 58%, seguidos por débitos ACH (30%) e transferências eletrônicas (25%) (AFP).
• Na mesma pesquisa da AFP, apenas 17% das organizações usavam IA para combater a fraude de pagamento (AFP).
• O Internet Crime Report de 2025 do FBI registrou 24.768 queixas de comprometimento de e-mail corporativo, com perdas reportadas de $3.046.598.558, acima de $2.770.151.146 em 2024 (FBI IC3).
• Na Treasury Benchmarking Survey de 2026 da AFP (425 respostas, realizada em maio de 2026), a previsão de caixa e liquidez foi ao mesmo tempo a principal prioridade da tesouraria (63%) e a atividade mais desafiadora (49%) (AFP).
• Nessa mesma pesquisa, as políticas de IA e de tecnologias emergentes receberam nota 2,9 de 5, a mais baixa entre todas as áreas de política medidas, e 38% apontaram a gestão das oportunidades e dos riscos da IA como um desafio significativo (AFP).
• A negociação global de câmbio chegou a $9,6 trilhões por dia em abril de 2025, alta de 28% em relação a 2022, com o dólar americano em um dos lados de 89% das operações (BIS).

O que a IA faz na tesouraria

A tesouraria tem quatro tarefas em que a IA pode atuar: saber quanto caixa você terá, saber que risco de moeda e de taxa você carrega, enviar pagamentos com segurança e não imobilizar mais capital de giro do que o necessário. A IA contribui de três maneiras. Ela projeta a partir do histórico (análise preditiva sobre dados bancários e contábeis). Sinaliza o que parece errado (detecção de anomalias em pagamentos e saldos). E redige ou resume (um modelo de linguagem que transforma um relatório de posição em um resumo matinal).

O que ela não deve fazer, ao menos sem supervisão, é movimentar dinheiro ou comprometer a empresa com um hedge. Os números da AFP mostram por que o ponto de partida importa: as equipes de tesouraria avaliam a maturidade da própria política de IA como a mais fraca entre as suas áreas de política, enquanto as tentativas de fraude atingem três em cada quatro organizações. A ferramenta chega mais rápido do que as regras ao redor dela.

Onde a IA ajuda, por função de tesouraria

Exemplos reais por função

Previsão de liquidez. Um tesoureiro que administra 14 contas bancárias em cinco países refaz à mão, toda segunda-feira, uma previsão de 13 semanas a partir de planilhas enviadas pelas equipes financeiras regionais. Um modelo de previsão ingere os saldos bancários diários mais as contas a receber e a pagar em aberto, produz uma linha de base e uma faixa e mostra quais regiões erram mais. O tesoureiro passa a segunda-feira nos erros, não coletando arquivos. IA na previsão de fluxo de caixa trata em profundidade das escolhas de modelo e da medição da precisão. A previsão de caixa é a área que os próprios líderes de tesouraria chamam de mais difícil, então é o primeiro alvo natural.

Exposição cambial. Uma empresa fatura em euros, paga fornecedores em ienes e financia uma subsidiária em dólares de Singapura. Os dados para calcular a exposição líquida estão em três sistemas. Uma camada de IA lê faturas e pedidos de compra em aberto, associa-os a moedas e datas de liquidação e atualiza todos os dias um relatório de exposição líquida. As decisões de hedge ficam com o tesoureiro e com a política de hedge. Para ter uma noção de escala, o papel do dólar importa: ele esteve em um dos lados de 89% das operações globais de câmbio em abril de 2025, então a exposição ao dólar raramente pode ser evitada, apenas administrada.

Triagem de fraude em pagamentos. O comprometimento de e-mail corporativo funciona convencendo alguém a enviar um pagamento para uma conta bancária alterada. Os dados de queixas do FBI para 2025 contam 24.768 casos desse tipo e mais de $3 bilhões em perdas reportadas. Um modelo que pontua cada pagamento de saída em relação ao histórico do fornecedor (número de conta novo, valor incomum, horário estranho) pode reter a pequena parcela que merece um telefonema. Ele não pegará tudo e deve ficar ao lado da ligação de verificação feita por uma pessoa para um número conhecido, não substituí-la. Apenas 17% dos respondentes da AFP usavam IA contra a fraude de pagamento, então a maioria das empresas ainda depende da revisão manual.

Capital de giro. Um modelo de IA que lê o histórico de pagamentos prevê quais clientes pagarão com atraso e quais pagamentos a fornecedores podem se mover alguns dias sem quebrar os prazos. Os ganhos aparecem no capital de giro: menos faltas de caixa surpresa e melhor aproveitamento de descontos por pagamento antecipado. Os dados vêm de contas a receber e de contas a pagar, e é por isso que a tesouraria deve estar à mesa quando esses processos são automatizados.

Requisitos de controle: o que precisa ser verdade antes de a IA tocar no caixa

Os controles clássicos da tesouraria existem porque uma pessoa com acesso ao dinheiro é um risco. A IA acrescenta um novo tipo de agente que também pode errar ou ser manipulado. Mantenha estes controles.

Segregação de funções. A pessoa ou o sistema que prepara um pagamento não pode ser quem o aprova, e nenhum dos dois deve poder alterar sozinho os dados bancários de um fornecedor. Um agente de IA que redige lotes de pagamentos é um preparador. Não dê a ele direitos de aprovação e não deixe uma mesma conta de serviço criar e liberar.

Aprovações de liberação de pagamentos. Todo pagamento acima do seu limite precisa de um aprovador humano com as informações para dizer não: o valor, o beneficiário, o histórico de alterações da conta e a pontuação de risco da IA com seus motivos. Um aprovador que vê apenas um sinal verde aprende a clicar nele. Esse é um controle de human-in-the-loop (pessoa no circuito), e só funciona quando a pessoa tem tempo e autoridade de verdade.

Alterações de dados bancários. Trate qualquer alteração da conta de um beneficiário como de alto risco. Exija verificação independente usando os dados de contato que já estão em arquivo, nunca os que constam do pedido. Essa é a defesa contra o comprometimento de e-mail corporativo, e a IA torna os e-mails fraudulentos mais convincentes, então o controle importa mais.

Supervisão dos modelos. Dê a cada modelo um responsável, uma finalidade documentada, os dados que ele usa, os resultados de testes e um registro de mudanças. Faça o backtest (teste retrospectivo) das previsões contra o caixa realizado em uma periodicidade definida e defina uma tolerância que dispare uma revisão. Registre o que o modelo recomendou e o que a pessoa fez.

Acesso e limites de dados. Um modelo precisa de acesso de leitura a saldos e transações. Raramente precisa de acesso de escrita a um portal bancário. Mantenha as credenciais de API de iniciação de pagamentos fora de qualquer ferramenta que também leia e-mails ou documentos e mantenha dados bancários sensíveis fora de chatbots públicos não aprovados.

Plano de contingência. Saiba como a tesouraria opera se a ferramenta errar ou ficar indisponível: uma previsão manual, um checklist de triagem manual, uma pessoa identificada que possa pausar a automação.

Como implantar a IA na tesouraria, passo a passo

1. Comece com trabalho somente de leitura. Previsão, relatório de exposição e resumos diários de posição não movimentam dinheiro. Eles constroem confiança e expõem problemas de dados a baixo custo.
2. Mapeie os dados. Liste os feeds bancários, os módulos do ERP, os dados do TMS e as planilhas. Corrija primeiro códigos de conta divergentes, contrapartes duplicadas e cadastros de fornecedores desatualizados; prontidão dos dados financeiros detalha o que verificar.
3. Estabeleça a linha de base da precisão de hoje. Registre o quanto a sua previsão atual erra por horizonte (próxima semana, próximo mês, próximo trimestre). Sem uma linha de base, você não sabe se o modelo ajuda.
4. Rode em paralelo. Deixe o modelo prever ao lado do processo existente por pelo menos dois ou três ciclos e compare linha a linha.
5. Adicione a triagem como sinalizador, não como bloqueio. Deixe o modelo de fraude levantar retenções para revisão antes de permitir que ele retenha algo automaticamente. Acompanhe os falsos positivos, porque uma equipe inundada de alertas para de lê-los.
6. Escreva as regras de aprovação. Quem aprova o quê, em qual limite, com quais informações na tela. Peça à auditoria interna que as leia antes do lançamento.
7. Faça o piloto em uma entidade ou uma região. Meça o erro de previsão, os alertas levantados, as fraudes confirmadas que foram interceptadas, as horas economizadas e os incidentes.
8. Revise a cada trimestre. Faça o backtest, reconfira os direitos de acesso e confirme que as pessoas ainda estão fazendo a revisão.

Erros comuns

• Tratar uma previsão como um fato. Um modelo dá uma estimativa central e uma faixa. Planeje o financiamento para a faixa.
• Dados bancários ruins na entrada. O caixa classificado de forma errada no razão geral produz previsões que erram de forma consistente na mesma direção.
• Entregar as chaves ao agente. Direitos de iniciação de pagamentos em uma conta de serviço de IA reduzem a segregação de funções a uma única credencial.
• Fadiga de alertas. Uma triagem que sinaliza uma grande parcela dos pagamentos acaba ignorada. Ajuste os limites com os revisores.
• Nenhuma política. O benchmark da AFP encontrou a política de IA como a área menos madura da tesouraria. Escreva as regras antes do piloto, não depois do primeiro incidente.
• Pular o monitoramento do modelo. O comportamento de pagamento dos clientes muda depois de um movimento de juros ou de um choque de mercado, e um modelo treinado em meses calmos sofre deriva do modelo. Execute o backtest de novo em uma periodicidade definida.
• Narrativas alucinadas. Um modelo de linguagem que resume a posição de caixa pode afirmar um número errado com fluência. Alimente-o com os números e faça-o citá-los, em vez de pedir que se lembre deles.

O que medir

• Qualidade da previsão: erro por horizonte, viés (consistentemente alto ou baixo) e a parcela de semanas dentro da tolerância.
• Resultados de liquidez: saldos de caixa ociosos, uso de linhas de crédito e custo de empréstimos de curto prazo.
• Fraude e controle: pagamentos retidos, perdas evitadas confirmadas, taxa de falsos positivos e tempo para resolver uma retenção.
• Processo: horas gastas para montar a posição de caixa e a parcela de exceções encerradas no mesmo dia.

Próximos passos

Se você fizer uma única coisa neste trimestre, estabeleça a linha de base da precisão da sua previsão de caixa atual e coloque um modelo ao lado dela em modo somente de leitura. Depois leia IA na previsão de fluxo de caixa para a construção, IA em FP&A para conectar a tesouraria ao planejamento e a visão geral de IA em finanças para o quadro mais amplo de governança. Escreva as regras de aprovação e de alteração bancária antes que qualquer ferramenta chegue perto de um lote de pagamentos.