O que Model I/O Realmente Significa para Finanças
Em machine learning, Model I/O é direto: dados entram, previsões saem. Em modelagem financeira é mais complexo, porque seu "modelo" não é um artefato único - são 8 abas relacionadas, um esquema de nomes de intervalo, referências circulares intencionais e um conjunto de premissas que alimentam cada cálculo subsequente.
Quando um sistema de IA lê sua planilha, a entrada é tudo aquilo que ele consegue ver: valores de células, fórmulas, estrutura de abas, nomes de intervalo e o contexto que você forneceu em linguagem natural. A saída é tipicamente uma mistura de valores escritos, edições de fórmulas e nova estrutura. O problema é que a maioria dos sistemas de IA não foi projetada pensando na ligação DRE → Balanço Patrimonial → Fluxo de Caixa. Eles tratam seu modelo como uma grade plana, não como um grafo de dependências.
Uma pesquisa da McKinsey de 2024 sobre práticas de modelagem financeira descobriu que 68% das falhas de auditoria de modelos se rastreiam até referências cruzadas quebradas - exatamente o tipo de ligação que sistemas de IA frequentemente danificam quando escrevem sem entender a arquitetura do modelo.
O que a IA Muda no Model I/O
O Model I/O tradicional era manual: você digita uma premissa em Premissas!B3, e cada aba que a referencia se atualiza. O humano era tanto o escritor quanto o leitor. O ciclo de feedback era rápido.
A IA introduz uma terceira parte nesse ciclo. Agora você tem:
- Camada de entrada: o que a IA lê (seu prompt + estado atual da planilha)
- Camada de raciocínio: o que a IA infere (intenção, estrutura, dependências)
- Camada de saída: o que a IA escreve (valores, fórmulas, formatação)
Cada camada é um ponto de falha potencial. A IA pode ler seu modelo corretamente mas inferir a intenção errada. Pode entender sua intenção mas gerar uma fórmula que parece certa e silenciosamente quebra uma referência cruzada. A partir de abril de 2026, até os melhores assistentes de codificação de IA alucinam referências estruturadas aproximadamente 12% das vezes em planilhas multi-aba - uma taxa inaceitável em qualquer entrega de FP&A.
A camada de saída é onde fica caro. Uma fórmula que funciona na Aba1 mas perde um qualificador de aba quando colada em outro contexto não lança erro - apenas calcula contra os dados errados. Se você está executando um modelo de receita de R$ 130 milhões com margem bruta de 38,5%, uma referência cruzada desviada na seção de Custos pode comprimir a margem reportada em 200 bps antes de alguém notar.
Onde Model I/O Quebra
Os modos de falha se agrupam em torno de três padrões.
Nomes de intervalo. Google Sheets suporta até 500 nomes de intervalo por planilha. Equipes de finanças os usam intensivamente porque =Premissas_WACC é legível e refatorável de um jeito que ='Premissas'!$B$12 não é. Sistemas de IA frequentemente falham em respeitá-los - escrevendo referências absolutas que contornam o nome, ou pior, escrevendo para o endereço de célula atual do nome de intervalo sem entender que o nome pode se mover.
Tratamento de referências circulares. Modelos de três demonstrações quase sempre têm circulares intencionais: despesa de juros depende do saldo de dívida, que depende do sweep de caixa, que depende da despesa de juros. A maioria dos sistemas de IA trata referências circulares como erros a eliminar. Se a IA "corrigir" seu cálculo de juros quebrando a circular, seu modelo está errado de um jeito que sobreviverá a toda auditoria básica.
Serialização de fórmulas. Quando uma IA lê =SUMIFS('DRE'!C:C,'DRE'!B:B,">="&Premissas!$B$3,'DRE'!A:A,Devoluções!$D$7) e depois a reescreve, a saída depende inteiramente de quão bem o modelo serializa fórmulas multi-critério e cross-tab. A maioria das ferramentas de IA faz isso bem em casos simples e mal em casos complexos. Segundo a documentação do Apps Script do Google, as referências estruturadas perdem seus qualificadores de aba quando copiadas programaticamente a menos que a aba de destino seja explicitamente especificada na chamada de escrita - um detalhe que a maioria dos wrappers de IA não expõe.
O corretivo prático é constranger a camada de saída. Em vez de deixar a IA escrever livremente em qualquer célula, defina um contrato de I/O: a IA lê de um intervalo de entrada dedicado, escreve apenas em uma área de staging designada, e humanos revisam antes que valores se propaguem. É mais lento, mas uma construção de 3 dias com referências limpas é melhor que uma construção de 1 dia que precisa auditoria completa.
Estruturando Model I/O para IA
As equipes que mais ganham com modelagem assistida por IA a tratam como um pipeline ETL, não como um assistente de chat.
| Camada | O que Você Controla | O que Pode Dar Errado |
|---|---|---|
| Entrada | Escopo do prompt, seleção de aba, exposição de nomes de intervalo | IA lê valores desatualizados; perde linhas ocultas |
| Raciocínio | Escolha do modelo, temperatura, prompt de sistema | Referências cruzadas alucinadas; intenção errada |
| Saída | Alvo de escrita, regras de validação, porta de revisão | Sobrescrita silenciosa; circulares quebradas; qualificadores de aba perdidos |
A aba de Premissas é o ponto de maior alavancagem. Se a IA conseguir ler e escrever confiável e claramente uma aba de Premissas - entradas discretas, linhas rotuladas, sem fórmulas - o resto do modelo permanece intacto porque tudo que vem depois está referenciando essa aba, não sendo reescrito diretamente.
A abordagem do ModelMonkey para isso é ler a estrutura completa da planilha antes de escrever qualquer coisa, mapear nomes de intervalo explicitamente, e preparar todas as escritas em uma visualização diff antes de confirmar - o que resolve o problema de sobrescrita silenciosa que torna a modelagem assistida por IA impraticável na prática.