Automatizar contas a pagar com IA: 2% dos lançamentos, 31% do valor

TL;DR

Em 90 dias, um agente de contas a pagar cobriu 2% da contagem de lançamentos e 31% do valor das despesas endereçáveis. Os dois números saíram do mesmo fluxo.

O que decide o acerto do agente não é o modelo. É a condição em que o documento chega: com linha digitável, a confiança da extração fica perto de 100%; caindo no regex do PDF, vai para cerca de 80%.

A métrica certa para quem vai automatizar contas a pagar com IA é % do valor, não % dos lançamentos. Quem mede pela contagem chama de fracasso o que deu certo, e desiste antes de colher.

Comece pelos fornecedores que concentram o valor. É onde o boleto é padronizado, o layout se repete todo mês e a extração acerta mais. No caso da Treasy, a primeira versão entrou em produção em menos de dois dias.

Automatizar contas a pagar com IA é usar um agente para ler a cobrança do fornecedor, extrair os dados do documento e sugerir o lançamento no ERP, sem trocar de sistema. O acerto não depende do modelo. Depende da condição em que o documento chega: linha digitável entrega quase 100% de confiança, PDF solto cai para cerca de 80%.

O que a Treasy fez

Em 25 de junho de 2026, a Treasy publicou no blog o relato de uma automação de contas a pagar construída com Claude Code. A jogada cabe em uma frase: um e-mail dedicado recebe as cobranças dos fornecedores, um agente lê o anexo, extrai os campos do documento (fornecedor, valor, vencimento, linha digitável) e devolve uma sugestão de lançamento no ERP, que no caso é o Granatum.

A stack inteira: Claude Code, Google Sheets, o ERP que já estava lá e o Agendador de Tarefas do Windows. Sem migração. Sem projeto de TI. A primeira versão entrou em produção em menos de dois dias.

O relato mede o resultado numa janela de 90 dias. Nessa janela, a caixa de entrada recebeu 28 cobranças reais. Recebeu também 42 e-mails internos, 15 ruídos e 5 casos ambíguos, que o agente teve que aprender a ignorar ou a empurrar para revisão humana. Das 18 cobranças da primeira carga, 17 receberam sugestão de lançamento. Na extração dos documentos, 94% de acerto em 30 PDFs.

E aí vem o número que quase ninguém publica sobre a própria automação. Essas cobranças representaram cerca de 31% do valor das despesas endereçáveis do período. E cerca de 2% da contagem de lançamentos. Os outros 98% da contagem ficaram de fora do fluxo.

Um número desses, escrito pelo próprio autor da automação, é raro. Ele desfavorece quem publicou. É honestidade medida, não peça de marketing.

O que decide o acerto de um agente de contas a pagar

Quem lê “2% dos lançamentos” procura o culpado no modelo. Modelo fraco, prompt mal escrito, falta de fine-tuning. Não é nenhum dos três. O gargalo está antes: na condição em que o documento chega.

Quando o boleto traz a linha digitável, o agente não está adivinhando nada. A linha digitável é um campo estruturado, com dígito verificador, que carrega banco, vencimento e valor codificados. A confiança da extração fica perto de 100% porque não há interpretação: há leitura e validação. Quando esse campo não existe e o agente precisa cair no regex sobre o texto do PDF, a confiança desaba para cerca de 80%. Mesmo agente. Mesmo modelo. Resultado diferente.

Como o documento chega	Confiança da extração	O que dá para fazer com isso
Boleto com linha digitável	Perto de 100% (campo validável por dígito verificador)	Sugestão de lançamento automática, humano só aprova
PDF sem linha digitável (regex sobre o texto)	Cerca de 80%	Sugestão com campo de confiança, humano confere valor e vencimento
PDF escaneado ou foto	Depende do OCR, cai mais	Fila de exceção, revisão manual
E-mail em texto, sem anexo padronizado	Baixa	Fora do escopo do agente na primeira onda

Fonte das duas primeiras linhas: relato da Treasy, 25 de junho de 2026. As duas últimas são a leitura do Lab sobre onde o mesmo desenho degrada.

É a mesma lição que aparece toda vez que um agente de IA entra na tesouraria brasileira: o ganho não é função da inteligência do agente. É função de como o dado chega até ele. Um modelo melhor lê um PDF ruim um pouco melhor. Um documento estruturado muda o patamar.

E tem um detalhe que o operador financeiro não pode ignorar. Quando a confiança cai (o caso do PDF sem linha digitável, na casa dos 80%), o agente não sinaliza a dúvida dizendo “não sei”. Ele entrega o campo com a mesma cara de certeza que teria com a linha digitável na mão, e é justamente esse o comportamento da alucinação de IA. Por isso o desenho da Treasy é o único que se sustenta em dinheiro: o agente sugere, o humano aprova. Não existe versão adulta disso em que o agente lança sozinho.

Os dois números que parecem se contradizer

Dois dias antes do relato da Treasy, em 23 de junho de 2026, saiu o outro lado da moeda. A MoonPay anunciou a compra da Entendre, uma empresa de contabilidade com agentes de IA, e o comunicado trouxe números redondos: 93% dos lançamentos contábeis automatizados, mais de 50% de redução do trabalho manual, fechamento de livros 3x mais rápido.

Antes de comparar com os 2%, a ressalva que muda tudo: esse 93% é claim de vendor, auto-reportado pela empresa que fez a aquisição. Não passou por auditoria independente e não é benchmark neutro. E o perfil do cliente onde ele foi medido é específico: 30 ou mais contas financeiras, cerca de 25 mil transações por mês, 3 ou mais entidades legais, tudo num ambiente on-chain de stablecoin.

Segure essa última parte. On-chain quer dizer que o dado nasce estruturado. Cada transação já chega com identificador único, valor exato, carimbo de tempo e contraparte, num formato que não varia. Não existe boleto em PDF. Não existe anexo escaneado torto. Não existe o fornecedor que manda a cobrança no corpo do e-mail.

Os dois números, então, são verdadeiros dentro das próprias condições, e não se contradizem. É o mesmo trabalho medido em dois mundos diferentes de entrada de dado.

Se você é CFO e vai ouvir “93% automatizado” na próxima reunião de fornecedor, a pergunta que desarma tem seis palavras: medido em que condição de dado?

Onde a maioria erra ao automatizar contas a pagar com IA

O caminho natural, depois de ver o 93%, é tentar automatizar tudo. Cobrir todos os lançamentos. E medir o sucesso pela contagem.

É a métrica errada, e ela mata o projeto no primeiro mês.

Repare no que teria acontecido com o agente da Treasy se ele fosse julgado pela contagem: 2%. Alguém apresenta isso no comitê, alguém chama de fracasso, o projeto morre. E, no mesmo relatório, ele cobriu quase um terço do dinheiro que passa pelo contas a pagar. Continuaria cobrindo no mês seguinte, e no seguinte, sem custo marginal relevante.

A razão é a natureza do contas a pagar, não uma peculiaridade daquele caso. A curva de valor é concentrada: pouquíssimos fornecedores respondem por quase todo o dinheiro.

Abro um parêntese de operador, porque isso muda o quanto você deve confiar no que vem a seguir. Quem assina esta peça (Doug Ferreira) é PM de Payments & Treasury em varejo D2C. Nas operações de contas a pagar que eu toquei, o desenho se repetia: a agência, o operador logístico, o marketplace e a indústria concentravam o valor, enquanto a cauda longa era reembolso de viagem, assinatura de software, conta de luz e o almoço da reunião, itens que somam contagem e quase nada de dinheiro. Nunca medi isso com rigor de estudo, e não vou publicar um número que não medi. É observação de campo, não estatística de mercado.

Automatizar a cauda longa é o trabalho mais difícil (documento não padronizado, layout que muda, remetente que muda) e o de menor retorno. Automatizar a cabeça é o trabalho mais fácil (boleto com linha digitável, layout estável, repetição mensal) e o de maior retorno.

A maioria começa pela cauda porque ela é o que incomoda o olho: são muitos lançamentos. Comece pela cabeça, que é onde está o dinheiro.

Como fazer agora

Cinco passos para automatizar contas a pagar com IA começando pelo lugar certo. Cabem numa segunda de manhã, com o contas a pagar que você já tem:

Exporte os últimos 90 dias do contas a pagar e ordene por valor, do maior para o menor. Não por data, não por fornecedor, não por quantidade de lançamentos. Por valor.
Some de cima para baixo até chegar a 30% do total. Conte quantos fornecedores foram necessários. Não vou te dar o número que você vai encontrar: ele depende do seu negócio, e ninguém mediu isso para o mercado brasileiro. Conte o seu. Essa contagem é o escopo da primeira onda, e é ela que define se o projeto vale.
Confira a condição do documento desses fornecedores. Boleto com linha digitável? Layout que se repete todo mês? Chega sempre pelo mesmo remetente? Cada “sim” aqui vale mais que qualquer troca de modelo.
Defina a métrica de sucesso antes de escrever a primeira linha: % do valor endereçado, nunca % dos lançamentos. Escreva isso no documento do projeto e mostre para quem vai cobrar o resultado. É a única forma de o número 2% não virar sentença de morte.
Trave o desenho: o agente sugere, o humano aprova. Sempre. Inclusive quando a linha digitável leva a confiança para perto de 100%, porque a aprovação é o controle interno, não uma desconfiança do modelo.

Nenhum desses cinco passos exige comprar software, trocar de ERP ou abrir chamado para a TI. O quarto, que é o mais barato de todos, é o que separa o projeto que sobrevive do que morre.

O que observar daqui pra frente

Para quem vai automatizar contas a pagar com IA nos próximos meses, a fronteira que importa não é o modelo. É a padronização da entrada. Quanto mais a cobrança chega estruturada (linha digitável, XML de NFS-e, layout fixo, portal do fornecedor em vez de e-mail), mais o número da contagem sobe sem que ninguém troque de agente. É ali que a curva vira.

O outro sinal a observar é o vocabulário dos fornecedores. Quando alguém anunciar “90% de automação” sem dizer em que condição de dado mediu, o número não é comparável ao seu. Não é mentira. É outro mundo. A mesma leitura vale para o resto do fluxo financeiro: os agentes de IA em pagamentos B2B tendem a começar pela conciliação, não pelo pagamento em si, e pelo mesmo motivo (é onde o dado já chega mais estruturado).

E um alerta honesto: nada disso resolve a cauda longa. Os 98% da contagem que ficaram de fora continuam sendo digitados por alguém. O ganho existe, é real e é mensurável, mas ele é de valor, não de volume. Prometer o contrário para a diretoria é preparar a própria decepção.

Perguntas relacionadas

Automatizar contas a pagar com IA vale a pena se a empresa tem poucos lançamentos?

Depende da concentração de valor, não do volume. Se poucos fornecedores respondem por boa parte do dinheiro que você paga, vale. O caso da Treasy capturou 28 cobranças em 90 dias e mesmo assim endereçou cerca de 31% do valor das despesas. Volume baixo com valor concentrado é o cenário ideal.

O agente de IA substitui o analista de contas a pagar?

Não. No caso relatado pela Treasy, o agente sugere o lançamento e a pessoa aprova. Ele não paga, não lança sozinho e não decide alçada. O que ele tira do analista é a digitação e a leitura de anexo, não a conferência nem a responsabilidade sobre o dinheiro que sai.

Preciso trocar de ERP para usar um agente de contas a pagar?

Não. A automação relatada pela Treasy em 25 de junho de 2026 rodou sobre o ERP que a empresa já usava (Granatum), com Google Sheets e o Agendador de Tarefas do Windows. A primeira versão entrou em produção em menos de dois dias. Trocar de sistema é o caminho mais caro e mais lento.

Os 93% de lançamentos automatizados da MoonPay valem para uma empresa brasileira?

Não diretamente. Esse número é claim de vendor, auto-reportado no anúncio da compra da Entendre, e foi medido num ambiente on-chain onde o dado nasce estruturado, com cerca de 25 mil transações por mês. Não é comparável a um contas a pagar BR que recebe boleto em PDF anexado no e-mail.

A extração de boleto em PDF é confiável o suficiente para lançar sem conferir?

Não. A Treasy mediu 94% de acerto em 30 PDFs, e a confiança da extração cai de quase 100% (quando há linha digitável) para cerca de 80% quando o agente precisa recorrer ao regex sobre o texto. Confiança de 80% não autoriza lançamento automático de dinheiro. A conferência humana antes da aprovação continua obrigatória.

Qual é a métrica certa para medir uma automação de contas a pagar?

Percentual do valor endereçado, não percentual dos lançamentos. Os dois números vêm do mesmo fluxo e contam histórias opostas: o agente da Treasy cobriu 2% da contagem e 31% do valor em 90 dias. Quem apresenta o primeiro número ao comitê enterra um projeto que estava dando certo.

Para se aprofundar

Fonte primária (relato de operador): Automação de contas a pagar com IA, como a Treasy usou Claude Code na prática (Treasy, 25 de junho de 2026). É de onde saem todos os números do caso: 90 dias, 28 cobranças, 94% em 30 PDFs, 17 de 18 na primeira carga, 2% da contagem e 31% do valor.
Fonte do claim de vendor: MoonPay compra a Entendre e leva agente contábil para conciliação, tesouraria e fechamento (Let’s Money, 23 de junho de 2026). Os 93% são auto-reportados pela empresa, em ambiente on-chain.
No Finance AI Lab: Agentes de IA em pagamentos B2B: começa na conciliação e Agente de IA na tesouraria BR: o que chegou, emerge e trava.
Para entender o risco da extração: O que é alucinação de IA (e por que é risco em valor financeiro), na frente Aprender.

Uma limitação honesta desta análise: os números vêm de um único relato de operador, num único perfil de empresa. Sinal forte, não média de mercado.

Esta peça foi escrita com assistência de IA e revisada por Doug Ferreira (PM de Payments & Treasury, varejo D2C). Todas as fontes citadas têm link direto. Encontrou um erro de fato? Escreve pra gente.