IA na contabilidade, dia 4: classificar lançamentos no plano de contas e ensinar à IA o padrão de cada cliente

Dia 5 do mês, sete e meia da noite, o escritório já esvaziou e a tela mostra a cena que todo fechamento repete: o movimento do cliente convertido em lista, duzentas e tantas linhas esperando que alguém diga, uma por uma, em qual conta do plano cada despesa se encaixa, e você já sabe que o combustível vai para a conta de sempre, que a tarifa bancária vai para a conta de sempre, e que mesmo assim a noite vai embora repetindo decisões já tomadas centenas de vezes. Se os dados já saíram dos documentos e viraram lista, que foi o assunto do dia 2, o degrau seguinte é este: fazer a IA propor a classificação inteira e reservar para você só os casos que exigem julgamento.

O problema que ela resolve

A classificação de lançamentos é aquele trabalho traiçoeiro em que noventa por cento dos itens são rotina pura e dez por cento exigem a cabeça do contador, só que os dois grupos chegam misturados na mesma lista, então você gasta atenção de especialista em tarefa de carimbo. E vale nomear onde a maioria trava ao tentar usar IA nisso: no teste ingênuo, sem regras no prompt, a ferramenta classifica o mesmo posto de gasolina de três jeitos ao longo do lote, inventa conta que não existe no plano do cliente e decide sozinha o caso duvidoso, logo o contador conclui que aquilo não serve e desiste. O problema não está na ferramenta, está no pedido, porque a consistência e a humildade diante do ambíguo precisam ser exigidas por escrito.

O método em 4 etapas

O ciclo completo: cada lote aprovado melhora o lote seguinte.

Etapa 1, prepare o plano de contas resumido. A IA só pode acertar dentro do cardápio que recebe, então cole no prompt apenas as contas de resultado que aquela empresa usa de fato, com código e nome, porque o plano completo, com centenas de contas que nunca recebem lançamento, mais confunde do que ajuda. Se o cliente é novo e ainda não tem plano, um plano padrão simplificado do seu escritório resolve o começo.

Etapa 2, monte a lista de lançamentos. Basta descrição e valor de cada item, e vale aqui o cuidado que abriu a série: nome de cliente, CNPJ e qualquer dado que identifique a empresa saem antes de o texto entrar em ferramenta externa, por sigilo profissional e pela LGPD (a Lei Geral de Proteção de Dados Pessoais, Lei nº 13.709/2018), então “Restaurante Dom Sabor” pode ficar, mas o nome da empresa do seu cliente, não, e nome de pessoa física na descrição (o pró-labore nominal, o Pix para o autônomo) também sai, porque dado pessoal é protegido independentemente de identificar a empresa.

Etapa 3, cole o prompt com as três regras que mudam tudo. O modelo abaixo pede tabela com conta sugerida e grau de confiança por item, exige que lançamentos iguais recebam sempre a mesma conta, que é a regra que resolve a inconsistência do teste ingênuo, e obriga a IA a marcar como ambíguo, sem escolher por você, todo item em que mais de uma conta seria defensável.

O prompt da casa: os três colchetes são o plano, o gabarito e a lista.

Etapa 4, confira, decida os ambíguos e atualize o gabarito. Aqui mora o achado mais valioso do dia: guarde num arquivo as classificações que você aprovou e cole essa lista no prompt do lote seguinte, porque a IA vai seguir o padrão dos exemplos, e a cada mês o gabarito daquele cliente fica mais completo. Essa técnica caseira tem nome na literatura científica, few-shot learning (aprendizado com poucos exemplos), e foi demonstrada em 2020 no artigo que apresentou o GPT-3 ao mundo, no qual os pesquisadores mostraram que um modelo de linguagem aprende uma tarefa nova a partir de poucos exemplos colados no próprio texto do pedido (no estudo original, de um punhado a algumas dezenas), sem nenhum retreinamento, logo o seu copiar e colar de classificações aprovadas usa exatamente o mecanismo descrito na pesquisa de ponta, e essa é daquelas coisas boas de contar ao colega no café.

O exemplo prático

Veja o método aplicado a uma lista de oito despesas comuns (os dados são fictícios, montados para o exercício):

Seis itens saem classificados com confiança alta; o almoço com cliente e o pagamento sem nota voltam marcados para o contador decidir.

Repare nos dois itens destacados, porque eles mostram a divisão de trabalho correta. O almoço com cliente pode ser refeição comum ou despesa de representação, e a dedutibilidade depende do contexto, já que o Regulamento do Imposto de Renda (o Decreto nº 9.580/2018, art. 311) só admite como dedutíveis, na apuração do lucro real, as despesas necessárias à atividade da empresa, então essa resposta exige conhecer o cliente, e não um modelo estatístico. O Pix sem nota, por sua vez, nem deveria ser classificado antes de o documento aparecer. A IA acertou justamente ao não responder, e quando você decidir os dois casos, a decisão entra no gabarito e o próximo lote já chega mais esperto.

Cuidados

O risco específico deste capítulo é o erro silencioso em escala, porque uma classificação errada num item isolado é detalhe, mas o mesmo erro repetido com consistência em doze meses de movimento distorce resultado, base de tributo e balancete de uma vez, logo a conferência por amostragem é parte do método, e não etapa opcional: confira todos os itens de confiança média e baixa e uma amostra dos de confiança alta, variando a amostra a cada lote. Vale também a regra permanente da série, a de que a IA erra com convicção de quem acerta, então grau de confiança alto é sinal para conferir mais rápido, nunca para não conferir, e a responsabilidade pela escrituração continua de quem assina.

Amanhã, no dia 5, a série sai do balancete e vai para a caixa de entrada: e-mails e comunicação com clientes, ou como transformar aquele recado difícil que você adia há três dias em mensagem clara, firme e educada em um minuto.