Do Excel ao agente: a IA conversa, o código calcula

Todo mês, na primeira semana, a Controladoria de um cliente nosso repetia o mesmo ritual: exportar o razão contábil do ERP, abrir o demonstrativo mensal em PDF, rodar uma macro, corrigir o que a macro não entendia e conferir, conta a conta, se cada valor tinha sido lançado no lugar certo. Tudo isso dentro do prazo do fechamento contábil.

Em duas semanas, saímos desse cenário para um agente no Microsoft Copilot Studio que faz a conciliação a partir de um pedido em português, aponta e classifica as divergências e grava um relatório em Excel com a evidência de tudo. Em 23 de outubro, a própria equipe da Controladoria operou o agente na validação final. A resposta foi a que todo consultor quer ouvir: "é isso mesmo que a gente precisa".

Este post conta como chegamos lá. Os prints estão com borrão de propósito: não mostro nomes, valores nem nada que identifique o cliente.

O ponto de partida

O processo não começava do zero, e isso foi uma vantagem. A equipe já tinha uma macro em Excel que importava o PDF com Power Query, cruzava as linhas com uma tabela De-Para por PROCV e comparava por SOMASE, marcando cada conta como OK, DIFERENTE ou NÃO ENCONTRADO.

Na prática, a macro tinha três pontos fracos:

• O PDF chegava como texto. Números no formato brasileiro viravam texto na importação e precisavam ser convertidos à mão.
• O De-Para dependia do nome exato. Bastava um espaço, um traço ou uma mudança de nomenclatura de um mês para o outro para a linha cair em "não encontrado". Em um dos meses analisados, foram dezenas de linhas nessa situação.
• As regras estavam na cabeça das pessoas. Quando um valor não batia, a explicação dependia de quem conhecia o processo.

E havia um detalhe importante: a área já tinha tentado resolver isso com o Copilot, colando arquivos e escrevendo prompts. Não funcionou. O modelo inventava números, não reconhecia os arquivos e comparava errado.

A decisão que mudou tudo: a IA conversa, o código calcula

A lição das tentativas anteriores era clara. Modelo de linguagem é ótimo para entender um pedido, explicar uma regra e conversar. Não é o lugar certo para somar centenas de linhas e garantir o centavo.

Então separamos as responsabilidades:

1. O agente, no Copilot Studio, entende o pedido ("Concilie a competência de agosto"), descobre o mês e chama uma ferramenta.
2. Um fluxo de agente no Power Automate busca os arquivos do mês no SharePoint, confere se está tudo lá e chama o motor de cálculo.
3. O motor de cálculo é um prompt do AI Builder com interpretador de código, que executa um código Python determinístico. É ele que lê o PDF, aplica as regras e classifica cada divergência.
4. O resultado volta como um resumo no chat e um Excel gravado na pasta do mês.

Nenhum número é estimado pela IA. Os valores saem do código, que sempre faz a mesma coisa com os mesmos arquivos.

Como construímos

1. Engenharia reversa da macro. Antes de escrever uma linha de código, estudamos a macro e as gravações das reuniões em que a equipe mostrava o processo. A macro era, na prática, a especificação viva da conciliação. O diagnóstico inicial recomendou começar por uma única conta, a de maior volume e com validação linha a linha.

2. Regras explícitas. Em reuniões com a Controladoria, transformamos o conhecimento tácito em 16 regras escritas: quais lançamentos entram, qual coluna do PDF vale, a tolerância de centavos, como tratar exceções, quando uma linha é nova, como classificar uma divergência. Esse documento passou a ser a base de conhecimento do agente.

3. Um protótipo validado contra a macro. O motor em Python foi testado primeiro fora da plataforma, contra o resultado da macro de um mês já fechado. As linhas lidas do PDF bateram uma a uma.

4. A construção na Power Platform. Agente no Copilot Studio com orquestração generativa, fluxo de agente com o conector do SharePoint e um prompt do AI Builder com interpretador de código. O SharePoint é acessado com a credencial de quem conversa com o agente, então cada pessoa só processa o que já pode ver.

5. Testes com erros de verdade. Um mês conciliado não prova nada: está tudo certo. Pedimos à Controladoria um razão com erros inseridos por ela, sem nos dizer quais. O agente encontrou todos e acertou a natureza de cada um: valor diferente, lançamento com sinal invertido, valor lançado na conta errada e valores trocados entre duas contas.

Os números

• 100% de acurácia na leitura do PDF, testada em quatro meses de dados.
• Centenas de contas conciliadas sem nenhum falso alerta.
• 100% dos erros inseridos pela área detectados e classificados.
• Cerca de 10 segundos por conciliação, contra horas de conferência manual.
• Um Excel padronizado com 7 abas de evidência a cada execução.

A validação com quem usa

Na sessão final, a analista da Controladoria compartilhou a tela e operou o agente seguindo um roteiro: autorizar a conexão no primeiro uso, conciliar um mês correto, conciliar o mês com erros, perguntar o que é "natureza invertida" e o que fazer com uma linha sem De-Para. Depois, perguntas livres. Uma delas, pedindo valores de uma conta específica em dois meses, foi respondida corretamente com base nos relatórios já gerados.

A reação da equipe foi direta: a conciliação conta a conta, apontando o que está certo e o que está errado, é exatamente o trabalho que hoje é manual. A TI do cliente já está discutindo a continuidade, com a expansão para os demais lançamentos do razão.

O que aprendemos

• Separe conversa de cálculo. Se a resposta é um número, ela precisa vir de código testado.
• Comece pelo que já existe. A planilha que a equipe usa vale mais do que qualquer especificação nova.
• Teste com erros conhecidos. É o único jeito de provar que o agente encontra problemas.
• Teste o código que foi publicado, não o que você escreveu. O interpretador de código regenera o código ao salvar o prompt. Em um caso, uma importação sumiu e o primeiro teste do cliente falhou. Corrigimos no mesmo dia e passamos a extrair e executar o código publicado antes de cada liberação.
• O primeiro uso precisa de roteiro. Os atritos reais não foram técnicos: o cartão de autorização que ninguém clicou e os arquivos anexados no chat em vez da pasta. Um roteiro guiado resolveu os dois.
• Licença importa. Agente com recursos premium não aparece para quem tem licença básica. Vale verificar antes da demonstração.
• Acompanhe o uso real. As transcrições das conversas e o histórico do fluxo mostram como as pessoas usam o agente, e não como você imaginou que usariam.

O que usamos

• Agente e conversa: Microsoft Copilot Studio com orquestração generativa, publicado no Teams e no Microsoft 365 Copilot.
• Orquestração: fluxo de agente do Power Automate, com os conectores do SharePoint e do Dataverse.
• Cálculo: prompt do AI Builder com interpretador de código, executando Python com pandas, openpyxl e pypdf.
• Dados: SharePoint Online, com uma pasta por mês e o De-Para.
• Configuração e monitoramento: API Web do Dataverse, para os componentes do agente, as execuções do fluxo e as transcrições das conversas.
• Par de trabalho: Claude, da Anthropic, na análise dos arquivos e das gravações, na escrita e no teste do código, na documentação e no monitoramento das execuções durante a validação.

Próximos passos

O MVP provou que dá para fazer, e com precisão. Os próximos passos já estão na mesa: levar o agente para os demais lançamentos do razão, aceitar arquivos enviados no próprio chat e permitir consultas históricas, como a evolução de uma linha ao longo dos meses.

Se a sua área de finanças ainda concilia na mão, ou já tentou com IA e se frustrou, a pergunta não é se a IA consegue. É qual parte do trabalho você entrega a ela.