Ninguém toleraria uma calculadora que estivesse normalmente certa. Se a tua calculadora de bolso devolvesse 6,99 em vez de 7, de vez em quando, com fluência e aparente confiança, não a manterias pelos dias em que acerta — deitá-la-ias fora, porque deixarias de confiar em qualquer resposta que ela desse, incluindo as certas. Exigimos um padrão absoluto às ferramentas determinísticas precisamente porque são a parte do raciocínio que decidimos deixar de verificar. E, no entanto, no único sítio onde a tolerância ao erro é verdadeiramente zero — a aritmética de um modelo financeiro — está agora na moda entregar o trabalho a uma ferramenta que, por definição, está apenas normalmente certa.
Que um modelo generativo não deve construir as tuas demonstrações financeiras é um argumento que vale a pena fazer uma vez e deixar para trás. A pergunta mais útil está por baixo dessa: se não o cálculo, então o que deve uma IA tocar num modelo, e do que se deve manter sempre afastada? A resposta não é “nada”, o que desperdiça algo genuinamente útil, nem é “tudo”, que é como se chega a um cash flow confiante, fluente e errado. Há uma linha, e vale a pena traçá-la com precisão.
O que uma experiência de xadrez resolveu
O mapa mais claro de onde essa linha cai vem do xadrez. Depois de o Deep Blue vencer Garry Kasparov em 1997, Kasparov fez algo mais interessante do que ficar amuado: propôs um formato, mais tarde chamado xadrez avançado ou “centaur chess”, em que um humano joga ao lado de um computador em vez de contra ele. A experiência atingiu o seu resultado mais nítido num torneio freestyle de 2005, aberto a qualquer combinação de pessoas e máquinas. Grandes mestres com computadores poderosos participaram e, no início, dominaram. Os vencedores acabaram por ser dois amadores americanos, Steven Cramton e Zackary Stephen, a correr três PCs comuns.
Não calcularam melhor do que os grandes mestres, nem processaram melhor do que os supercomputadores. A vantagem deles estava no processo: sabiam em que é que cada motor de xadrez era bom e mau, faziam-lhe as perguntas certas e decidiam em quais das suas respostas confiar. A conclusão de Kasparov é a parte que importa aqui. Um jogador fraco com uma máquina e um bom processo venceu tanto o computador mais forte a trabalhar sozinho como um jogador forte cujo processo era pior. A vantagem não estava no humano nem na máquina, mas na forma como os dois se articulavam.
Um modelo tem exatamente esta forma
Um modelo financeiro é o mesmo tipo de sistema, e pede a mesma divisão de trabalho. O motor — o cálculo determinístico — deve fazer aquilo que os motores fazem sem erro: a aritmética, as demonstrações, as ligações, a mesma resposta sempre. Essa parte deve estar fechada a um modelo probabilístico, pela mesma razão por que não deixarias um sobrepor-se à tua calculadora. A objeção não é que a IA seja pouco inteligente; é que “plausível” é o alvo errado num sítio onde só “correto” serve, e um sistema treinado para produzir o token seguinte mais provável está construído para acertar lindamente no alvo errado.
O humano fornece a outra ponta: que negócio é este, na realidade, que pressupostos sustentam a estratégia, se o resultado é um com o qual consegue viver. O lugar próprio da IA é entre os dois. Não deve calcular. Deve interrogar, explicar e desafiar aquilo que o motor calculou — que é precisamente aquilo em que os amadores de xadrez eram extraordinários: ler o resultado da máquina e pressioná-lo com as perguntas certas.
O lugar do meio é genuinamente valioso
Vale a pena ter esse papel intermédio, e é aí que a IA generativa ganha o seu lugar nas finanças. Dado um modelo cujos números são de confiar, ela consegue ler as demonstrações de volta em linguagem simples, nomear os dois ou três pressupostos de que o resultado realmente depende, apontar que o cenário pessimista fica com cash flow negativo no segundo ano, notar uma margem a desviar-se de um modo que ninguém tinha assinalado, e comparar esta versão com a anterior para dizer o que mudou e porque importa. Nada disto exige inventar um número. Tudo isto exige um número que já seja sólido para se raciocinar sobre ele. É aqui que a IA está no seu melhor, exatamente porque está a raciocinar e não a calcular.
É também por isso que perguntar a um chatbot genérico sobre “o teu modelo” é um ato mais estranho do que parece. Um modelo de linguagem genérico não tem os teus pressupostos estruturados, a tua lógica de cálculo, o teu histórico de versões nem os teus resultados de cenários. Quando lhe pedes para raciocinar sobre o teu modelo, resta-lhe pouco mais do que imaginar um plausível — útil para soltar o pensamento, arriscado para basear uma decisão. A diferença entre isso e uma análise consciente do modelo não é que uma IA seja mais inteligente. É que uma está a raciocinar sobre um modelo realmente calculado e a outra sobre um palpite confiante. É o contexto, não a potência de cálculo, que faz o centauro funcionar.
Traçar a linha de propósito
O FinModeler é construído como esse centauro, com a linha traçada de propósito e não deixada ao acaso. O motor determinístico é dono do cálculo: pressupostos estruturados à entrada, as mesmas demonstrações auditáveis à saída, sempre. A camada de IA fica por cima e lê o resultado — a sua análise nomeia os pontos fortes, os riscos e os drivers por trás deles, gerados a partir dos teus próprios números e não de uma noção genérica, e visa a interrogação e não a aritmética. O acaso fica fora das fórmulas e o raciocínio fica fora das somas. A forma como estas duas metades se articulam é o que decide se o conjunto esclarece ou induz em erro — que era, desde sempre, o ponto de Kasparov.
A disciplina, então, é dar a cada metade o trabalho em que é realmente boa. O motor calcula, porque nunca se cansa de ser exato. A IA interroga, porque nunca se cansa de perguntar. E tu decides, porque a decisão ia sempre ser tua, e nenhuma ferramenta, de nenhum dos lados da linha, ia alguma vez tirar-ta.
Constrói o teu modelo e pergunta-lhe o que importa — vê como o FinModeler lê os teus números no FinModeler.
Tens dúvidas? Fala connosco.
Perguntas frequentes
Devo usar IA para construir um modelo financeiro?
Não para fazer o cálculo. A aritmética financeira tem tolerância zero ao erro, e um modelo generativo está desenhado para produzir um resultado plausível, não um resultado garantidamente correto. Deixa um motor determinístico calcular as demonstrações, e usa a IA para o raciocínio à volta delas.
Então o que pode a IA fazer com segurança num modelo?
Ler e explicar os resultados, identificar os pressupostos de que o resultado depende, assinalar riscos e inconsistências, comparar versões e sugerir cenários que valha a pena testar. Em resumo, tudo o que envolva interpretar ou questionar números — desde que nunca tenha de os inventar.
Porque é arriscado perguntar a um chatbot genérico sobre o meu modelo?
Porque ele não tem o teu modelo. Falta-lhe os teus pressupostos estruturados, a tua lógica de cálculo, o teu histórico de versões e os teus dados de cenários, por isso raciocina sobre um substituto com aparência plausível, e não sobre a coisa real. Isso serve para brainstorming, mas não é seguro como base para uma decisão.
Fontes
- Xadrez avançado/centaur e o resultado do torneio freestyle de 2005 (Steven Cramton e Zackary Stephen, dois amadores com computadores comuns, a vencerem participantes grandes mestres e supercomputadores pela força do processo): Garry Kasparov, “The Chess Master and the Computer”, The New York Review of Books (2010); relatos do PAL/CSS Freestyle Tournament.