IA generativa no back-office: 5 tarefas onde o controlo humano continua essencial

A IA generativa entrou no back-office das PME portuguesas por uma porta lateral. Ninguém a comprou numa reunião de investimento: alguém começou a usá-la e o hábito espalhou-se. Os dados do INE mostram a escala — em 2025, 11,5% das empresas em Portugal usavam tecnologias de Inteligência Artificial, e entre essas a aplicação mais frequente é a organização de processos de administração e gestão, com 40,8%. Não é o marketing. É a retaguarda.

A pergunta útil já não é se a IA generativa serve para o back-office. Serve, e bem. A pergunta é onde é que ela pode decidir sozinha e onde é que tem de haver uma pessoa a assinar por baixo.

Porque é que 99% de acerto não chega

Um modelo que acerta em 99% dos campos parece excelente. Numa fatura com 20 campos, não é.

A conta faz-se no papel. Se cada campo tem 99% de probabilidade de estar correto, e assumindo que os erros são independentes, a probabilidade de o documento inteiro estar certo é 0,99 elevado a 20 — cerca de 82%. Quase uma em cada cinco faturas leva pelo menos um campo errado.

É uma estimativa, e o pressuposto de independência não se verifica na prática: os erros tendem a concentrar-se nos mesmos documentos mal digitalizados. Serve para fixar a ordem de grandeza, não para prometer uma taxa. Mas o ponto mantém-se, e é o que quase todas as demonstrações comerciais escondem: a precisão anunciada é por campo, e a precisão que interessa à contabilidade é por documento.

Há um segundo efeito, mais traiçoeiro. O erro da IA generativa é plausível. Uma pessoa cansada escreve 1.250 € em vez de 1.520 €, e o número salta à vista de quem conhece o fornecedor. Um modelo escreve um valor coerente com o contexto, com a formatação certa, no campo certo. Passa incólume por uma revisão distraída.

1. Lançar faturas e documentos de fornecedores

É a tarefa onde a IA generativa dá mais retorno imediato, e também aquela onde a diferença entre a demonstração e a produção é maior — um tema que já detalhámos ao comparar a precisão de extração documental em benchmark e em produção.

O que corre bem: número, data, NIF, nome do fornecedor. Campos únicos e curtos.

O que corre mal: campos compostos. Linhas de artigo, escalões de IVA diferentes no mesmo documento, retenções, descontos aplicados no rodapé. São precisamente os campos que determinam o valor a pagar.

Onde fica a pessoa: não a reler tudo. A reler o que o sistema não conseguiu fechar sozinho. Regras de consistência que o modelo não pode contornar — o somatório das linhas tem de bater certo com o total, o NIF tem de existir, o valor tem de corresponder à encomenda. Se alguma falha, o documento não segue: entra numa fila humana. Se nenhuma falha, segue sem tocar em ninguém.

2. Responder a clientes e fornecedores por email

A IA generativa escreve emails melhores do que a média do que sai de uma caixa de entrada às 18h30. O risco não está na redação. Está no compromisso.

Um email de back-office compromete a empresa. Confirma um prazo, aceita uma condição, valida um preço. E um modelo generativo é otimista por construção: foi treinado para ser prestável, não para ser prudente. Quando não sabe se a entrega é possível na quinta-feira, a tendência é escrever que sim.

Onde fica a pessoa: a IA redige, a pessoa envia. Um rascunho pronto na caixa de saída poupa quase todo o tempo que um email manual custa, e mantém a decisão do lado certo.

A exceção razoável são as respostas puramente informativas e sem compromisso — estado de uma encomenda, horário, morada, número de guia. Essas podem sair sozinhas, com uma condição: os dados vêm do sistema, não da memória do modelo.

3. Resumir reuniões, chamadas e threads longas

Aqui os números públicos ajudam a calibrar expectativas. O leaderboard de alucinação da Vectara, que mede especificamente resumos de documentos fornecidos ao modelo, coloca o melhor resultado perto de 1,8% e a generalidade dos modelos de topo entre 3% e 7%. E isto num teste onde o modelo tem a fonte à frente — não está a responder de memória.

Três por cento parece residual até se perceber o que significa. Numa reunião com 40 decisões e prazos, uma ou duas ficam ligeiramente erradas. E o resumo é o que fica: ninguém volta à gravação de 50 minutos para conferir.

Onde fica a pessoa: quem esteve na reunião valida a lista de ações antes de ela virar tarefas. E o fluxo guarda sempre a transcrição original, com cada ponto do resumo rastreável ao momento em que foi dito. Um resumo sem fonte é um boato bem formatado.

4. Triar e encaminhar pedidos

Classificar emails, candidaturas, pedidos de suporte ou faturas por centro de custo. É a tarefa mais aborrecida das cinco e, precisamente por isso, a mais perigosa.

O erro de triagem não produz um texto errado que alguém lê e corrige. Produz um silêncio. O pedido foi para a fila errada, ninguém deu por isso, e o problema aparece três semanas depois com o cliente ao telefone.

Onde fica a pessoa: não a aprovar cada classificação, que seria voltar ao ponto de partida. A medir. Uma amostra revista todas as semanas, com a taxa de erro registada ao longo do tempo, e uma categoria "não sei" obrigatória no modelo. Um classificador forçado a escolher escolhe sempre — inclusive quando não devia.

5. Produzir documentos que saem com o nome da empresa

Propostas, relatórios, pareceres, respostas a concursos. Texto que representa a empresa perante terceiros.

O caso de referência é recente e não envolve uma PME desprevenida. Em outubro de 2025, a Deloitte aceitou devolver parte de um contrato de cerca de 440 mil dólares australianos ao governo australiano depois de se descobrir que um relatório entregue continha referências académicas inexistentes e uma citação fabricada de uma decisão judicial. A firma confirmou ter usado um modelo de linguagem na produção do documento.

Se acontece numa consultora com processos de revisão formalizados, a pergunta para uma empresa de 30 pessoas não é se pode acontecer.

Onde fica a pessoa: regra única e simples. Se o documento leva o logótipo e vai para fora, tem um nome próprio associado antes de sair. E quem assina verificou os números e as fontes — não o estilo, que é a parte que a IA já faz bem.

O prazo legal mudou. A matemática não.

Muitos decisores respiraram de alívio em julho. O Regulamento (UE) 2026/1744, conhecido como Digital Omnibus, foi publicado no Jornal Oficial a 24 de julho de 2026 e adiou as obrigações dos sistemas de alto risco do Anexo III do AI Act de 2 de agosto de 2026 para 2 de dezembro de 2027.

Duas notas antes de arquivar o assunto.

A primeira: a maior parte do back-office de uma PME nunca foi "alto risco" na aceção do regulamento. Lançar faturas não entra no Anexo III. Filtrar candidaturas a emprego entra. Convém saber de que lado está cada fluxo antes de assumir que nenhum conta.

A segunda é a mais útil. O artigo 14 do AI Act funciona como checklist mesmo para quem não é obrigado a cumpri-lo. Exige que a pessoa responsável consiga interpretar corretamente o resultado do sistema, decidir não o usar, ignorá-lo, anulá-lo ou revertê-lo, e interromper a operação. E nomeia explicitamente um risco que raramente aparece em apresentações comerciais: o viés de automação, a tendência para confiar automaticamente, ou confiar demais, no que o sistema produz.

O viés de automação é o custo escondido de tudo o que está acima. Uma equipa que revê faturas processadas por IA e não encontra um único erro nas primeiras cinquenta deixa de rever a sério a partir da sexagésima. O controlo humano que existe no papel e não existe na prática é pior do que não ter controlo nenhum, porque dá conforto.

Como se monta isto sem travar o fluxo

Controlo humano não tem de significar uma reunião de aprovação. Numa plataforma de automatização como o n8n, é um nó no meio do fluxo.

A documentação do nó de Chat descreve uma operação "Send and Wait for Response", que suspende a execução até alguém responder. Há dois tipos de resposta — texto livre, ou aprovação com botões — e uma opção de "Limit Wait Time" que faz o fluxo retomar sozinho ao fim de um intervalo ou a uma hora definida. Existem operações equivalentes nos nós de Slack, Gmail, Teams, Telegram e WhatsApp, o que significa que a pergunta chega onde a pessoa já está, e não numa aplicação que ela abre uma vez por dia.

O desenho prático fica assim: o fluxo processa tudo, aplica as regras de consistência, e só interrompe quando uma regra falha ou quando o valor passa um limiar definido pela empresa. Uma fatura de 80 € que fecha as contas segue sozinha. Uma de 8.000 € que não bate certo com a encomenda espera por um clique.

Definir esse limiar é uma decisão de gestão, não técnica. Depende de saber quanto custa cada erro — a mesma conta que se faz para perceber quanto custa manter um processo manual.

A pergunta que decide

A pergunta não é que tarefas do back-office se podem automatizar com IA generativa. Essa lista é longa e há candidatos óbvios em quase todas as empresas.

A pergunta é outra, e é sua, não do fornecedor: que taxa de erro é que este processo aguenta, e como é que eu saberia que a ultrapassei?

Quem sabe responder às duas pode automatizar com IA generativa quase tudo o que está neste artigo. Quem não sabe responder à segunda tem um problema anterior à IA — já não estava a medir o processo antes de ela chegar.