Monkey AI para Google Sheets: o que realmente faz

Se você passa entre 45 e 90 minutos por ciclo de board consolidando dados de três dashboards diferentes em uma única planilha, é exatamente para isso que a ferramenta foi criada.

O que é o "Monkey AI"

"Monkey AI" é o termo que circula em grupos de finanças no WhatsApp e threads do LinkedIn - as pessoas ouviram falar do produto pelo boca a boca sem saber o nome exato.

O add-on é instalado pelo Google Workspace Marketplace, autenticado com sua conta Google corporativa, e passa a exibir uma barra lateral persistente entre planilhas. A partir daí, dá para pedir que ele traga o MRR do Stripe para um intervalo nomeado, escreva um SUMIFS na sua aba de DRE ou consulte o HubSpot por negócios ganhos em um período específico - tudo executado diretamente na planilha, sem exportar CSV.

De acordo com a documentação da API do Google Sheets, a plataforma tem um limite de 10 milhões de células. O assistente opera dentro dessa restrição, trabalhando sobre os intervalos que você indicar em vez de carregar a pasta de trabalho inteira.

Como o Monkey AI funciona em um modelo real de FP&A

O padrão mais útil para trabalho financeiro é o pull de múltiplas fontes. Você mantém um modelo onde Premissas!B3 guarda sua taxa de crescimento de ARR, a receita se desenvolve na aba DRE, e sua posição de caixa é amarrada a partir de uma aba FluxoCaixa. O problema está em alimentar esse modelo: o Stripe fica num dashboard, os dados de headcount ficam no sistema de RH, e o pipeline comercial fica no Salesforce.

A ferramenta conecta essas fontes. Uma vez configurada a conexão, você pode pedir que ela atualize a receita do Stripe em Receita!B2:B14 ou traga todo o pipeline em aberto acima de R$ 1,2 milhão para uma nova aba. Os dados chegam como uma tabela atualizável - sempre na mesma estrutura, para que as fórmulas =SUMIFS('Receita'!C:C, 'Receita'!B:B, ">=" & Premissas!$B$3) lá embaixo não quebrem. Esse detalhe importa: quem já perdeu uma tarde conciliando headcount porque alguém inseriu uma linha no meio da tabela de RH sabe o custo de um layout instável.

A camada SQL é onde o assistente se torna especialmente útil em planilhas maiores. Ele roda DuckDB em memória contra os seus intervalos. De acordo com a documentação do DuckDB v1.1, o motor é otimizado para workloads analíticos de leitura intensiva e processa dados diretamente na memória sem um servidor separado - o que explica a latência baixa mesmo para volumes maiores. Na prática, isso permite executar algo como:

SELECT regiao, SUM(receita) AS receita_total, COUNT(*) AS qtd_negocios
FROM sheet_range('DRE!A2:F500')
WHERE data_fechamento >= '2026-01-01'
GROUP BY regiao
ORDER BY receita_total DESC

Processar 50.000 linhas leva menos de 3 segundos. Para relatórios trimestrais de board em que você está consolidando margem de contribuição por SKU em 12 linhas de produto, isso faz diferença real.

Auditabilidade: o que acontece depois que a IA escreve na célula

Esse é o ponto que separa o uso casual do uso profissional - e onde qualquer analista que apresenta números para investidor vai parar antes de confiar a ferramenta ao modelo de três demonstrações.

Toda operação de escrita exige confirmação explícita antes de modificar qualquer intervalo. Isso não é um incômodo de UX: é o mecanismo de controle que cria o registro da ação. O histórico da barra lateral mantém o log completo de qual instrução gerou qual resultado - você pode voltar e ver exatamente qual prompt originou o pull do Stripe que alimentou a linha de receita.

O que isso significa na prática para uma apresentação a investidores:

• Cada insumo tem uma instrução rastreável: o log associa instrução, fonte e intervalo de destino
• As fórmulas downstream permanecem auditáveis: o assistente não substitui suas fórmulas - ele atualiza os insumos; o SUMIFS na aba de DRE continua calculando de forma determinística a partir dos dados que chegaram
• A estrutura do modelo fica intacta: se o layout da tabela de receita mudar, o assistente avisa antes de sobrescrever - e você vê o diff antes de confirmar

O que continua sendo responsabilidade sua: documentar no próprio modelo qual célula vem de qual fonte, exatamente como faria em qualquer modelo auditável construído à mão. O assistente facilita o pull; a arquitetura de rastreabilidade do modelo é sua.

Privacidade e segurança dos dados

Para times que trabalham com dados financeiros sensíveis, essa é a pergunta que o jurídico vai fazer antes de qualquer aprovação de uso em produção.

A autenticação é via OAuth 2.0 com a conta Google corporativa - o mesmo fluxo de qualquer outro add-on do Marketplace. O assistente não armazena os dados da sua planilha: ele acessa os intervalos que você especifica durante a sessão e não mantém cache persistente entre sessões. As conexões com fontes externas (Stripe, HubSpot, PostgreSQL) usam credenciais configuradas na sua conta, não em servidor compartilhado. As consultas SQL rodam localmente via DuckDB - o processamento dos dados não sai da sua máquina.

O que passa por servidores externos é a instrução em linguagem natural para interpretação pelo modelo de linguagem. Isso é inerente a qualquer ferramenta de IA: a instrução "traga o pipeline acima de R$ 1,2 milhão" é enviada ao LLM, mas o dado em si é processado localmente. Se a política interna da sua empresa proíbe que qualquer instrução mencione dados de negócios - nomes de clientes, valores de contrato, projeções não públicas - esse é o ponto a revisar com o jurídico antes de usar em ambientes de produção.

Monkey AI vs. Sheets nativo: comparação direta

O assistente de fórmulas nativo do Sheets resolve os casos óbvios. O Monkey AI resolve os casos que hoje exigem que você saia da planilha.

Onde o Monkey AI fica aquém

Ele não substitui a estrutura do seu modelo. O assistente opera sobre uma planilha que você já construiu - ele não vai desenhar do zero um modelo de três demonstrações da forma que um analista sênior confiaria. A aba de LBO com múltiplos de entrada, cronograma de dívida e waterfall de retorno ainda é construída à mão.

A ferramenta também compartilha as restrições de volume de qualquer ferramenta baseada em navegador. Se você trabalha com volumes genuinamente grandes - logs de transações com dezenas de milhões de linhas, histórico completo de CRM - você vai atingir limitações antes de chegar ao teto de células do Sheets. Para esse tipo de trabalho, o caminho certo é uma consulta diretamente em um data warehouse, não um assistente dentro da planilha.