Análise de variações do fechamento com IA: do balancete ao comentário de DRE

A IA não descobre por que a margem caiu. Ela escreve o comentário depois que a decomposição dos números já apontou onde. Essa distinção define todo o desenho do processo: o trabalho analítico continua sendo de dados — SQL, pivot, rateio — e a IA entra na última milha, transformando o resultado dessa decomposição em texto que o conselho lê.

O gargalo real do fechamento não é o fechamento

O balancete fecha. Os números estão certos. E aí começa a parte que ninguém gosta: escrever por que a despesa com frete subiu 18%, por que a margem bruta caiu dois pontos, o que explica o desvio de R$ 340 mil contra o orçado na linha de pessoal.

São trinta, quarenta linhas de comentário, mês após mês, sobre uma estrutura que quase não muda. O controller escreve, o gerente revisa, alguém reformata para o pacote do conselho. Suponha três dias úteis por fechamento nessa etapa — número ilustrativo, mas próximo do que se vê em operações de médio porte com reporte estruturado.

O incômodo não é só o tempo. É que boa parte desse esforço é redação, não análise. A causa da variação muitas vezes já é conhecida no dia dois; o que consome os outros dias é escrever a mesma coisa quarenta vezes, com consistência de tom e sem contradizer o mês anterior.

Por que colar o balancete no chat não funciona

A tentativa natural é colar a DRE comparativa em um chat e pedir a análise. O resultado é sempre decepcionante, e por um motivo estrutural: a variação por si só não contém a explicação.

Se a despesa comercial subiu 18%, o número sozinho não diz se foi volume, preço, mix, um cliente novo, uma mudança de política de frete ou reclassificação contábil. O modelo, forçado a responder, produz o que parece uma explicação — "aumento provavelmente relacionado à expansão das operações comerciais" — e você recebe um texto que soa profissional e não informa nada.

Pior: se o modelo tiver liberdade para calcular, ele erra os percentuais. Modelos de linguagem produzem números plausíveis, não corretos. Todo cálculo tem que chegar pronto na entrada.

A decomposição vem antes do prompt

A qualidade do comentário é decidida antes do modelo entrar em cena. O que separa um texto útil de um genérico é a granularidade da entrada.

Decomponha a variação em dimensões

Para cada linha relevante, quebre o desvio no que o negócio entende. Em receita, algo como preço, volume, mix e câmbio. Em despesa, por centro de custo, natureza e fornecedor. Em margem, por produto ou canal.

A regra prática: se a variação total de uma conta é explicada em 80% por três itens, é isso que o modelo precisa receber — não a conta agregada.

Traga as duas bases de comparação

Real contra orçado responde uma pergunta; real contra mesmo período do ano anterior responde outra. Comentário bom trata das duas, e o modelo só faz isso se receber as duas.

Adicione o que não está no balancete

Esta é a etapa que mais gente pula e que mais muda o resultado. Eventos conhecidos do período: dissídio aplicado em maio, entrada de um cliente grande em junho, reclassificação de uma conta, mudança de fornecedor logístico, parada de fábrica, efeito de sazonalidade específico do negócio.

Uma lista de seis a dez notas em texto livre, mantida ao longo do mês, é o insumo mais valioso do processo inteiro. Sem ela, a IA descreve a variação. Com ela, a IA explica.

Inclua o comentário do mês anterior

Garante continuidade de narrativa e evita o efeito de cada mês parecer escrito por uma pessoa diferente — além de permitir que o texto aponte quando um desvio deixou de ser pontual e virou tendência.

Como estruturar a instrução ao modelo