O que é dar exemplos pra IA (few-shot) no financeiro

Resposta direta

Few-shot é dar à IA 2 ou 3 exemplos prontos do que você quer antes de pedir o trabalho de verdade, para ela pegar o seu padrão em vez de chutar um genérico. Sem exemplos (isso se chama zero-shot), ela responde pela média da internet. Com os seus exemplos, ela copia a sua forma de fazer. No financeiro, é a diferença entre a IA inventar categorias de despesa e usar exatamente as do seu plano de contas.

Em linguagem de operador

Pense no estagiário novo que entrou hoje. Você pode soltar ele direto nos 300 lançamentos do mês e torcer para ele acertar a classificação. Ou você pode sentar do lado, mostrar 2 lançamentos já classificados (“olha, tarifa de TED vai aqui; recebimento de cliente vai ali”) e só então deixar ele seguir nos outros 298. No segundo caso ele entendeu o seu jeito de classificar, não o jeito que ele imagina que se classifica. Few-shot é exatamente isso com a IA: você cola alguns exemplos resolvidos antes de fazer o pedido, e ela aprende o padrão na hora, olhando o seu modelo.

Esse é o mesmo mecanismo do prompt que você já conhece (a instrução que você dá ao estagiário). A diferença é que aqui a instrução não vem só como “classifique os lançamentos”; ela vem com casos resolvidos junto. Em vez de descrever a regra por palavras (o que às vezes fica vago), você mostra a regra funcionando. Para o operador, mostrar costuma ser mais rápido e mais preciso do que tentar explicar todas as exceções por escrito. Você não precisa enumerar 20 regras de “se for X, vai para Y”; você dá 3 exemplos certos e a IA generaliza o resto.

Onde a analogia do estagiário quebra

A comparação ajuda a entender o ganho, mas tem dois limites que importam no financeiro.

O primeiro: exemplo errado ensina o erro. Se você mostrar ao estagiário um lançamento classificado na conta errada, ele vai repetir o seu erro nos 298 com a maior boa vontade, achando que aprendeu o certo. Com a IA acontece o mesmo, e pior, porque ela faz isso em escala e com cara de confiança. Seus exemplos viram a régua; régua torta entorta tudo o que medir depois.

O segundo, e esse é o que mais confunde: dar exemplo não é treinar a IA. Quando você mostra os 2 lançamentos-modelo, isso vale só naquela conversa, naquele pedido. Nada fica salvo. No dia seguinte, numa nova janela, a IA não lembra dos seus exemplos; você precisa colar de novo. Treinar de verdade mudaria o “cérebro” do modelo e ficaria permanente, e isso é outra coisa (cara, demorada, e que você não faz no chat do dia a dia). Few-shot é mostrar na hora, como quem deixa o modelo aberto na mesa para o estagiário consultar, não como quem matricula ele num curso.

Na prática (exemplo BR)

O caso mais direto para tesouraria é classificar o extrato do mês pelo seu plano de contas. Imagine 300 lançamentos para separar.

No modo zero-shot (sem exemplo), você cola o extrato e escreve só “classifique cada lançamento em uma conta contábil”. A IA não conhece o seu plano de contas, então ela inventa categorias genéricas: “Tarifas”, “Receitas”, “Transferências”, “Despesas Diversas”. Parece organizado, mas não bate com nada do seu sistema. “Despesas Diversas” não existe na sua casa; o que existe é “4.1.2 Despesas Bancárias”. Você acaba reclassificando quase tudo na mão, e o trabalho da IA virou retrabalho.

No modo few-shot, você muda uma coisa só: antes de pedir, cola 2 exemplos resolvidos do seu jeito.

Exemplos de como classifico (siga este padrão):
tarifa de TED         -> 4.1.2 Despesas Bancárias
recebível de cliente  -> 1.1.3 Clientes

Agora classifique os 300 lançamentos abaixo no mesmo padrão.
Onde não tiver certeza, marque com "?" e explique em uma linha.

Com esses 2 exemplos, a IA entende que você quer o código da conta na sua nomenclatura, não uma categoria inventada. Ela aplica o padrão “tarifa bancária vai para 4.1.2”, “entrada de cliente vai para 1.1.3” e estende a lógica para os casos parecidos (uma tarifa de DOC também cai em 4.1.2; um Pix recebido de cliente cadastrado cai em 1.1.3). O acerto sobe porque ela parou de adivinhar a sua convenção e passou a copiá-la.

O ganho concreto: num teste de classificação de extrato, o zero-shot deixou para você corrigir algo em torno de 50 das 300 linhas (categorias genéricas que não existem no seu plano). Com 2 exemplos no padrão certo, a correção manual caiu para uma faixa de 6 a 10 linhas, e foram justamente as ambíguas de verdade (um Pix de origem desconhecida, uma transferência entre as suas próprias contas), que precisam de olho humano de qualquer jeito. (Os números são ilustrativos de um cenário típico; a faixa exata depende do extrato e do plano de contas. Vale rodar um teste real antes de usar o número fechado em peça pública.) Você trocou meia hora de “para qual conta vai isso mesmo?” por dois minutos montando os exemplos e cinco conferindo as exceções.

A mudança de esforço é toda aí: você gastou 30 segundos a mais escrevendo 2 linhas de exemplo e economizou 40 reclassificações. Esse é o motivo de few-shot ser o truque mais barato de prompt que existe. Não exige ferramenta nova, não exige código, só exige você mostrar o que quer antes de pedir.

Onde ajuda e onde quebra

Few-shot resolve o problema de a IA não conhecer o seu padrão, mas ele não resolve tudo, e em alguns pontos atrapalha se você não souber o limite.

Exemplo enviesado ensina o erro em escala. Se os 2 exemplos que você deu estiverem classificados de um jeito que parece certo mas não é (um imposto jogado em “despesa geral” em vez da conta de tributos), a IA repete esse erro nos 300 com confiança total. O viés do seu exemplo vira o viés de toda a saída. Por isso o exemplo que você escolhe pesa mais do que parece: ele é a régua, então confira a régua antes de medir.

Few-shot não conserta dado sujo. Se o seu extrato veio com descrição truncada (“PAGTO ***** 4421”), com encoding quebrado ou com datas em formatos misturados, nenhum exemplo no mundo faz a IA adivinhar o que ela não consegue ler. Exemplo ensina o padrão de classificação, não recupera informação que não está no dado. Lixo na entrada continua lixo na saída.

Exemplo demais estoura a janela de contexto. A IA tem um limite de quanto texto ela segura de uma vez (a janela de contexto). Se você colar 40 exemplos achando que quanto mais, melhor, você gasta esse espaço com exemplos e sobra menos para os lançamentos que você quer classificar de verdade, ou a IA começa a esquecer o começo. Na prática, 2 a 5 exemplos bem escolhidos cobrem quase tudo; mais que isso raramente paga, e às vezes piora.

Dar exemplo não é treinar a IA, e não fica salvo. Vale repetir porque é o erro de entendimento mais comum: os seus exemplos valem só naquela conversa. Fechou a janela, abriu outra, sumiu. Se a tarefa é todo mês, você cola os exemplos todo mês (ou embrulha isso numa skill, que é onde o padrão fica guardado de verdade). Few-shot não muda o modelo; ele instrui o modelo na hora.

E o resultado ainda precisa de conferência. Few-shot melhora o acerto, não garante 100%. A IA continua um modelo de linguagem que pode errar em valor e em borda de regra, e classificação de lançamento alimenta o fechamento e a obrigação fiscal. Subiu o acerto de 80% para 95%? Ótimo, mas 5% de 300 ainda são 15 linhas que, se forem para o SPED erradas, viram problema seu. O olho humano nas exceções não sai da equação.

Perguntas relacionadas

O que é few-shot prompting?

Few-shot prompting é a técnica de incluir 2 ou 3 exemplos resolvidos dentro do seu pedido à IA, antes de mandar a tarefa de verdade. Os exemplos mostram o padrão que você quer (entrada e saída esperada), e a IA aplica esse mesmo padrão ao resto. “Few-shot” significa “poucos disparos”, ou seja, poucos exemplos.

Qual a diferença entre zero-shot e few-shot?

No zero-shot você pede a tarefa sem nenhum exemplo, e a IA responde pelo padrão genérico que ela conhece. No few-shot você cola alguns exemplos resolvidos antes do pedido, e ela copia o seu padrão específico. Zero-shot é mais rápido de escrever; few-shot acerta mais quando a tarefa tem uma convenção sua, como o seu plano de contas.

Quantos exemplos dar para a IA?

Na maioria das tarefas financeiras, de 2 a 5 exemplos resolvem. Poucos exemplos bem escolhidos, cobrindo os casos típicos e talvez uma exceção, ensinam o padrão sem desperdício. Muitos exemplos ocupam a janela de contexto e podem até piorar o resultado. Comece com 2 ou 3 e só aumente se a IA estiver errando um caso específico.

Dar exemplos melhora a resposta da IA?

Quase sempre, quando a tarefa tem um padrão próprio seu. O exemplo tira a IA do palpite genérico e a coloca na sua convenção, então o acerto sobe e o retrabalho cai. O ganho é maior em classificação, formatação e extração estruturada. Em pergunta aberta de conhecimento geral, o exemplo ajuda menos, porque não há um “seu padrão” a copiar.

Few-shot serve para classificar lançamentos?

Serve muito bem, é um dos melhores usos. Você dá 2 ou 3 lançamentos já classificados no seu plano de contas e a IA estende o padrão para o resto do extrato, usando os seus códigos de conta em vez de categorias inventadas. Continua precisando de revisão nas linhas ambíguas, mas o volume de correção manual cai bastante.

Dar exemplo é a mesma coisa que treinar a IA?

Não. Dar exemplo (few-shot) instrui a IA só naquela conversa, e nada fica salvo: na próxima janela você cola de novo. Treinar muda o modelo de forma permanente, é caro e não é o que você faz no chat do dia a dia. Few-shot é mostrar o padrão na hora; treinar é ensinar o modelo para valer. São coisas diferentes.

Próximo passo

Se você quer parar de explicar a mesma regra para a IA toda vez, comece guardando os seus melhores exemplos de classificação num lugar fácil de copiar. Dois ou três lançamentos resolvidos por tipo de conta já bastam para colar no início de qualquer pedido e a IA sair do palpite genérico.

A base disso tudo é entender o que é um prompt, porque few-shot é só um prompt com exemplos junto, e vale ver também a anatomia de um prompt financeiro, onde os exemplos entram como uma das partes que separam uma resposta genérica de uma tabela que você usa direto no fechamento. A tarefa-mãe por trás do exemplo do extrato é classificar lançamentos com IA generativa, o ponto de partida de quem está começando. Um aviso que vale guardar como texto, não como link: dar exemplo não treina a IA, e subir um arquivo para ela também não treina, é um mito comum que uma peça futura desfaz em detalhe; por enquanto, basta lembrar que nada do que você cola fica salvo entre as sessões.

Quando essa classificação de extrato virar rotina de todo mês, colar os mesmos exemplos manualmente cansa. É aí que a Skill de Conciliação Bancária da Trilha Tesouraria entra: ela já vem com os exemplos do padrão embutidos, então o trabalho sai consistente toda vez sem você remontar o prompt, e roda local, sem o seu extrato sair da máquina. Por hoje, o passo é simples: pegue o seu próximo extrato, monte 2 exemplos no seu plano de contas e veja o acerto subir.