Por que o forecast de caixa de 13 semanas erra sistematicamente a partir da terceira semana e como estruturar previsão com IA sem terceirizar o julgamento do tesoureiro.
Todo tesoureiro tem a mesma planilha. Treze colunas, uma por semana, recebíveis em cima, pagamentos embaixo, saldo projetado na última linha. E toda segunda-feira ele refaz a mesma planilha, porque a realidade da semana anterior não bateu com o que estava lá.
O incômodo não é o erro em si. Previsão erra, isso é da natureza do exercício. O incômodo é o padrão: as duas primeiras semanas costumam fechar razoavelmente bem, e da terceira em diante a projeção vira ficção educada. Quem opera tesouraria sabe exatamente do que estou falando — e sabe também que a resposta política para isso é aumentar o colchão de segurança. Você carrega caixa a mais, paga o custo de oportunidade disso, e chama de prudência.
Não é prudência. É falta de informação.
Vale desmontar isso com precisão, porque a causa importa para a solução.
Semanas 1 e 2 são quase determinísticas. O que vai entrar já está faturado. O que vai sair já está aprovado, com boleto emitido ou pagamento agendado. Você não está prevendo, está lendo uma agenda. Por isso acerta.
A partir da semana 3, você entra em território probabilístico e continua tratando como se fosse agenda. Aqui moram quatro fontes de erro que se acumulam:
Comportamento de pagamento do cliente. A planilha assume que o cliente paga no vencimento. Na prática, cada cliente tem um padrão — uns pagam três dias antes por política interna, outros atrasam sete dias sistematicamente, outros pagam no dia certo exceto quando o vencimento cai depois do dia 20. Isso não é ruído aleatório. É um padrão estável por cliente, por faixa de valor e por canal de cobrança. E está inteiro na sua base de recebimentos dos últimos 24 meses, sem ninguém olhar.
Sazonalidade que não é mensal. Quase todo mundo modela sazonalidade por mês. Mas o caixa se move por ciclos que não respeitam o calendário contábil: semana de folha, semana de tributos, efeito de feriado que empurra compensação bancária, o comportamento diferente da primeira e da última semana do mês. Um modelo que só enxerga "março costuma ser forte" não captura nada disso.
Despesas variáveis tratadas como fixas. A linha de "despesas operacionais" na projeção costuma ser uma média dos últimos três meses dividida por quatro. Mas compras de insumo, frete e comissão se movem com a receita, com defasagem própria. Modelar isso como constante é injetar erro estrutural na projeção.
Eventos discretos que ninguém avisou a tesouraria. O contrato novo que comercial fechou, a antecipação de recebível que alguém combinou, o desembolso de capex que estava aprovado desde janeiro. Esse é o erro que mais dói e o único que a IA não resolve sozinha — volto nele no final.
Segundo a Gartner, 54% dos CFOs colocaram agentes de IA como prioridade para 2026. O problema é que prioridade declarada e capacidade instalada são coisas diferentes — e tesouraria costuma ser a última área a receber investimento de automação, porque o time é pequeno e o processo parece dominado.
Vamos ser específicos, porque esse tema atrai muita promessa vaga.
O que muda de verdade:
Previsão de data efetiva de pagamento por cliente. Em vez de assumir o vencimento, o modelo estima a data provável com base no histórico daquele sacado, do valor, do meio de pagamento e do contexto de calendário. Na prática, você deixa de ter uma data por título e passa a ter uma distribuição: 60% de chance de entrar entre o dia 8 e 12, 30% entre 13 e 20, 10% depois disso. Isso muda a natureza da sua projeção de saldo — ela deixa de ser uma linha e vira uma faixa com intervalo de confiança.
Decomposição de sazonalidade em múltiplos ciclos simultâneos. Modelos de série temporal separam tendência, sazonalidade anual, sazonalidade intramensal e efeito de dia útil sem que você precise codificar isso à mão. É trabalho que um analista faria em três semanas de Excel e que roda em minutos.
Detecção de anomalia no que já entrou. Um pagamento que veio com valor diferente do esperado, um cliente relevante que mudou de padrão nos últimos 45 dias, uma linha de despesa que subiu fora da correlação histórica com receita. São sinais que aparecem no dado antes de aparecerem no resultado, e que hoje ninguém vê porque ninguém tem tempo de olhar 4.000 lançamentos por mês.
Cenário rodado em escala. Em vez de três cenários (pessimista, base, otimista) feitos no feeling, você roda mil simulações variando as premissas dentro das distribuições observadas. O output não é "no cenário pessimista falta caixa na semana 9". É "em 12% das simulações o saldo fica abaixo do mínimo operacional entre as semanas 8 e 11". Isso é uma conversa completamente diferente com o board.
O que não muda:
A IA não sabe do contrato que ainda não foi assinado. Não sabe que o fornecedor aceitou renegociar prazo na conversa de ontem. Não sabe que o diretor comercial vai puxar uma campanha em setembro. Esse conhecimento está em cabeças e em e-mails, e vai continuar entrando no modelo pela mão do tesoureiro. Quem prometer o contrário está vendendo outra coisa.
Você não precisa de data lake, de cientista de dados contratado nem de projeto de dezoito meses. Precisa de quatro camadas, nesta ordem.
Camada 1 — Base histórica limpa. Recebimentos e pagamentos efetivos dos últimos 24 meses, com data prevista e data realizada lado a lado. Esse par de colunas é o ativo mais valioso da operação e quase ninguém armazena direito, porque o ERP sobrescreve a data prevista quando o pagamento baixa. Se você só tiver isso para começar, comece por aqui: passe a guardar as duas datas a partir de hoje.
Camada 2 — Modelo de previsão de data. Roda sobre o contas a receber em aberto e devolve, para cada título, uma distribuição de data provável. Modelo estatístico clássico resolve bem — não precisa ser rede neural.
Camada 3 — Agregação probabilística. Soma as distribuições individuais em uma projeção de saldo por semana, com intervalo. Aqui é onde o output deixa de ser número e vira faixa.
Camada 4 — Camada de override humano. Uma interface — pode ser uma aba de planilha, sinceramente — onde o tesoureiro insere os eventos discretos que o modelo não pode saber. Contrato novo, capex aprovado, renegociação combinada. Cada override com autor, data e justificativa.
A camada 4 é a que separa um projeto que sobrevive de um que morre em três meses. Modelo sem lugar para o julgamento humano é modelo que o tesoureiro vai ignorar na primeira vez que ele errar — e ele vai errar.
Primeiras quatro semanas: rodar em paralelo, sem decidir nada com o resultado. Você mantém a planilha atual como fonte oficial e roda o modelo ao lado. Toda segunda, registra as duas projeções. Não muda nenhuma decisão de tesouraria com base no modelo. O objetivo aqui é único: acumular evidência comparável.
Da quinta à décima segunda semana: medir o erro dos dois. Aqui entra a disciplina que quase todo projeto pula — e que, no framework F.I.A.M., é o estágio de Mensuração: a etapa que a maioria das iniciativas de IA simplesmente não tem. Defina a métrica antes — erro absoluto médio do saldo projetado por semana, separado por horizonte (semana 1-2, 3-6, 7-13). Compare planilha versus modelo, semana a semana. Se o modelo não ganhar da planilha no horizonte 3-6, ele não serve e você economizou um trimestre descobrindo isso barato.
A partir da semana 13: migrar o horizonte onde o modelo ganhou. É bem provável que ele ganhe feio de 3 a 13 semanas e empate ou perca de 1 a 2 — porque nesse horizonte não há o que prever. Perfeito. Use cada um onde ele é melhor. Ninguém disse que precisa ser uma coisa só.
A métrica que justifica o projeto não é acurácia. É redução do colchão de caixa. Se você carregava R$ 4 milhões de saldo mínimo porque não confiava na projeção e passa a carregar R$ 2,8 milhões com o mesmo nível de segurança, o retorno é o custo de oportunidade de R$ 1,2 milhão por ano. Esse é o número que vai ao board. Acurácia é meio, não fim.
Três situações em que o output do modelo não pode ir sozinho para a decisão:
Quando a faixa de confiança é larga demais. Se a projeção da semana 9 vem com intervalo de R$ 1,8 a R$ 4,1 milhões, o modelo está dizendo "não sei". Trate como não sei, não como R$ 2,9 milhões de ponto médio.
Quando há mudança estrutural recente. Entrada em um canal novo, mudança de política de crédito, cliente que passou a representar 30% do faturamento. O modelo aprendeu com um mundo que não existe mais e vai errar com confiança — que é o pior tipo de erro.
Quando a decisão é irreversível. Captação, antecipação com custo relevante, decisão de não pagar fornecedor estratégico. Modelo informa, tesoureiro decide, e o registro de quem decidiu o quê com base em qual informação é parte do processo, não burocracia.
Se você lê isso e pensa "minha base não está nesse nível", você está na maioria. E a boa notícia é que o pré-requisito é mais baixo do que parece: armazenar data prevista e data realizada, ter 18 a 24 meses de histórico e definir a métrica de erro antes de começar. Com isso, o primeiro ciclo de teste cabe em um trimestre e custa tempo, não orçamento.
O que não cabe é continuar carregando colchão de caixa por desconfiança de uma planilha que você mesmo sabe que erra a partir da semana 3.
O diagnóstico gratuito do CFOs.AI são 25 perguntas, cerca de 10 minutos, e devolve na hora um score de maturidade em IA segmentado por dimensão — incluindo tesouraria — com o mapa dos processos da sua área com maior potencial de automação e o comparativo anônimo com profissionais do mesmo perfil.
E se você já sabe que quer estruturar isso com método: o CFOs.AI é uma plataforma de AI Finance Transformation, não um catálogo de conteúdo — toda formação passa pelos quatro estágios do framework F.I.A.M.: Fundamentação, Instrumentação, Aplicação e Mensuração. Nessa ordem.
O Plano Fundador dá acesso sem mensalidade a todas as formações — atuais e futuras —, às 15 soluções com template e checklist de implementação, à comunidade e ao Bill, o assistente de IA que conhece o conteúdo das formações e sugere a próxima solução a aplicar. São 100 vagas. Quando fecharem, o acesso volta a ser assinatura mensal.
Todo domingo: um artigo aprofundado, um caso real e uma automação pra testar na segunda. Sem ruído, sem venda.
Escrita pela equipe CFOs.AI · +2.400 líderes financeiros
Plataforma de formação e implementação de IA aplicada a finanças corporativas.
