A pergunta que originou tudo

Se estivéssemos começando a empresa hoje, com o que a IA já permite, como cada área seria desenhada? Em junho recebi uma mensagem do Diego Barreto, nosso CEO. Não era pedido de plano, nem de “business case”. Era uma convocação para tratar a oportunidade de IA a partir de “first principles”. Mapear processos, decisões e fluxos, e redesenhar do zero.

O pano de fundo é a missão do iFood: Ter a estrutura de custo mais competitiva do mundo no nosso segmento. Não por austeridade, mas sim porque margem gerada financia a próxima rodada de investimento, que gera mais oportunidade para merchants, mais ganho para entregadores e experiência melhor para os clientes. E vale ser honesto sobre o ponto de partida. Não somos uma start-up nativa de IA. Temos 15 anos de operação, R$ 150 bilhões transacionados por ano e muito crescimento, mas uma estrutura que foi construída antes de a IA existir como conhecemos hoje.

Para dimensionar o prêmio, vale um número. A Google levou dezessete anos e 62 mil funcionários para chegar a cerca de US$70 bilhões de receita anual de 2015. A Anthropic, fundada em 2021, chegou recentemente ao mesmo “run-rate” com uma equipe estimada em 5 mil pessoas. US$1,2 milhão de receita por funcionário contra algo perto de US$15 milhões. Alavancagem operacional na sua essência e a resultante de ser nativo-IA.

Antes dos projetos, os acordos

A tentação era sair listando iniciativas. Fizemos o oposto: paramos como liderança e discutimos o nosso cenário do zero, sem defesa de território. Saíram dali cinco acordos.

Primeiro: cada diretoria mapeou no mínimo três processos pesados e descreveu como deveriam ser daqui a cinco anos, porque o horizonte longo força o desenho do estado final, sem apego às limitações das ferramentas de IA hoje.

Segundo: foco exclusivo em redesenho ponta a ponta, não em “augmentation”. No ano passado focamos em agentes que aceleram o trabalho, mas mantêm o humano no meio do fluxo. Agora o objetivo seria humano como orquestrador.

Terceiro: definir quais decisões continuam 100% humanas, como especificação de arquitetura e não como cláusula de conforto.

Quarto: governança no micro, com o custo do erro de cada processo e o dono de cada agente.

Quinto: virada de chave mental. Reconhecer que em áreas não técnicas, nos tornamos “builders”. Deixamos de apenas discutir possibilidades e passamos a construir, testar e colocar soluções de pé.

Só depois disso cada diretoria voltou com sua lista. Em dois meses, o que segue já é realidade. Nada aqui é PowerPoint.

Olympus, no FP&A do Marketplace

O Marketplace é o centro do iFood e é um negócio “nervoso”: três constituintes, última milha e uma dinâmica hiperlocal em que densidade e incentivo definem o resultado praça a praça. Antes de construir qualquer coisa, o time precisou saber exatamente onde o valor estava preso.

Foi para isso que serviu o ARIA, metodologia desenvolvida pelo próprio FP&A Marketplace e detalhada no artigo anterior. Ela decompõe cada atividade em dimensões como padronização, estruturação do dado, julgamento contextual e custo do erro, separando o que pode migrar para IA do que deve continuar humano.

Mas identificar o trabalho automatizável era só metade da resposta. O desafio era redesenhar o sistema de trabalho. O Olympus nasceu para isso: um orquestrador multiagente que conecta dados de histórico, conhecimento de interações humanas, contexto de negócio e coordena “squads” de agentes especializados para solucionar demandas. Ao receber uma solicitação do usuário ou um gatilho programado, ele identifica qual “squad” deve ser acionado e organiza o fluxo até devolver o problema já estruturado onde a decisão acontece. Abaixo detalhamos as “squads” de agentes no escopo do Olympus:

• Hermes, o passado. Monitora continuamente mais de cinco mil recortes do Marketplace (cidade, categoria, alavanca, KPI) e dispara no Slack o alerta já com o primeiro diagnóstico de desvios de padrão. Nenhum time humano ou analista consegue vigiar isso, mesmo dobrando o tamanho da estrutura.

• Apollo, o futuro. Projeta o mês, levanta riscos e oportunidades e refaz a projeção sozinho quando o realizado se move. Projeção vira algo vivo, e não fotografia de ciclo.

• Ares, o lado de fora. Traz mercado, concorrência e comportamento do consumidor para calibrar a projeção contra o ambiente competitivo, e não só contra a nossa série histórica.

• Prometheus, o método. Protege a estrutura de cálculo. Qualquer líder roda o próprio número e chega à mesma conclusão técnica. Sem essa camada, a empresa ganha velocidade e perde consistência.

Agora a parte mais importante e valiosa da orquestração. A camada que traz inteligência e contexto para todos: Athena. Ela resolve talvez o problema mais difícil de FP&A: o contexto dinâmico de dados financeiros e operacionais. Por que a margem daquela praça caiu? O que mudou no incentivo durante o feriado? O que o comercial combinou com aquele grupo de merchants? Boa parte dessa resposta não está no Data lake, mas espalhada em reuniões, Slack, análises anteriores e na memória das pessoas.

A Athena transforma esse conhecimento disperso em contexto institucional, reutilizável e governado que evolui na linha do tempo. O crivo humano decide o que entra na base oficial de conhecimento. Informações capturadas de reuniões, Slack, análises e outras fontes não entram automaticamente na memória do sistema. Primeiro viram hipóteses e passam por curadoria humana. Só se tornam conhecimento oficial após validação por um grupo de responsáveis, com senioridade proporcional à materialidade do tema. Se a Athena identifica, por exemplo, uma relação entre um movimento de GMV e determinado comportamento de merchants, essa relação não é tratada como verdade por padrão. Ela fica registrada como hipótese até ser validada. Uma vez aprovado, o contexto passa a ter fonte, responsáveis e rastreabilidade. Assim, quando um novo desvio aparece, o Olympus não precisa reconstruir a investigação do zero: combina dado, histórico, contexto validado e método para chegar muito mais perto da decisão, sem abrir mão de controle e “accountability” humano.

É aí que está a mudança de patamar: não fazer o mesmo FP&A mais rápido, mas operar processos inteiros sobre a inteligência coletiva da área, com uma capilaridade de monitoramento e profundidade de análise que seriam impraticáveis manualmente.

iNexus, no FP&A Corporativo

O Corporativo consolida semanalmente todas as unidades de negócio do iFood: nosso marketplace de food delivery, mercados, farmácias, pets, o iFood Pago (nossa fintech) e nossos produtos de software para o salão do restaurante. Até junho isso significava catorze planilhas, um script e uma fila de tarefas manuais de preparar, rodar, colar e reconciliar, num ciclo de cerca de cinco dias até o número existir.

O iNexus reestrutura essa arquitetura através de um SaaS desenvolvido internamente pelo time de negócios. O Corporativo define os parâmetros e prazos do ciclo, cada BU sobe o próprio número no padrão, com validação na origem que barra inconsistência no upload. O sistema consolida o P&L, processa os rateios e monta o cubo financeiro automaticamente. A BU vê o próprio número, consolidado e rateado, no segundo em que sobe. O fluxo cai de cinco para um dia, e a reunião deixa de ser sobre “cadê o número” para perguntar “por que o número está assim?”

Nesse caso, a parte transformacional está na construção. Com IA, o próprio FP&A escreveu software de nível de produção, com arquitetura, backend, frontend, autenticação e versionamento, sem “squad” de engenharia dedicado e a um custo total de consumo de IA de aproximadamente US$400 (sim, US$400, não US$400 mil). Esse número reflete apenas os tokens consumidos no desenvolvimento e não captura o investimento holístico que o iFood vem fazendo para viabilizar a virada de chave para IA, especialmente em ferramentas para o time de Tech e para os empreendedores. Ainda assim, a eficiência de custo é brutal frente às alternativas de SaaS que existiam antes de o ciclo de desenvolvimento migrar, estruturalmente, para dentro de casa.

Na frente de governança de desenvolvimento, fomos conservadores no que importa: a primeira versão rodou sem dado sensível, e a migração para o padrão de produção da companhia contou com validação de Tech seguindo toda nossa governança e rigor de segurança. Desde 3 de agosto está em soft launch com dados reais e já impactando o dia a dia.

Em um ano, o sistema terá mais de cinquenta projeções semanais do iFood inteiro, potencializando a correlação entre KPIs, verticais e linhas do P&L, que melhora predição, revela comportamentos e democratiza dado entre finanças em uma ferramenta agnóstica, moldável ao caminho de cada BU.

PrecificAI, no FP&A do iFood Pago

Olympus e iNexus mostram o FP&A usando IA para enxergar melhor e mais rápido, com dado, contexto e previsibilidade em ciclos que caíram de dias para horas. No iFood Pago, o mesmo time levou o vibe-coding para o outro lado do balcão: o elo com o comercial, onde o número vira preço e a decisão vira receita.

Não partimos do zero. No crédito para o SMB, o ciclo de negociação de taxa já roda ponta a ponta com IA desde o ano passado. O comercial abre o pedido no WhatsApp com o nosso agente tIAgo, que cruza rentabilidade e governança de taxas e devolve uma recomendação, o aprovador humano decide dentro da alçada e a taxa aprovada fica liberada no app do cliente. Montar isso levou boa parte do ano passado, com engenharia dedicada e ferramentas de IA ainda pouco maduras.

A mudança agora é de velocidade, de escopo e de quem pilota. Estendemos essa lógica de crédito no SMB para a nossa vertical de pagamentos e banking-as-a-service, a Zoop. Desta vez foi o próprio time de finanças & pricing que desenvolveu, testou e colocou de pé o PrecificAI, com vibe-coding, em semanas e não em trimestres.

Lembra da Google com 62 mil pessoas contra a Anthropic com 5 mil? A pergunta ao time de Pricing foi exatamente essa. Dá para crescer a operação em sete vezes sem crescer o time? Fazer a capacidade de negociação escalar e entregar produtividade ao time?

A dor de origem era simples. Eram mais de quinhentas planilhas soltas entre Pricing, Comercial e CX. Sem histórico e sem simulação de impacto. O Growth negociava e só depois descobria o efeito em take rate, receita e EBITDA, e o desvio entre preço contratado e cobrado só aparecia no fechamento, com a receita já na mesa.

O PrecificAI transforma isso em uma única plataforma, fonte da verdade do preço, do cadastro à cobrança, em três camadas. A primeira padroniza, e as quinhentas planilhas viram um catálogo único no Databricks. A segunda governa a mudança, e toda alteração de preço passa por simulação viva de impacto em receita e EBITDA marginal e por aprovação. A terceira é o cockpit comercial, onde o Growth consulta a rentabilidade do cliente, simula a proposta e negocia com o impacto já calculado, sem abrir planilha nem pedir conta ao Pricing. Revenue Assurance vira resultante, com contratado, tabela e cobrado na mesma base e desvio detectado no mês em que acontece.

aiFood Treasury System (ai-TS), na Tesouraria

Na frente da Tesouraria, todo dia útil, milhares de linhas caem nos extratos bancários do iFood. Cada uma é uma pergunta: o que é isso, de onde veio, contra qual lançamento fecha, quem autoriza o que sai? Durante anos, responder foi trabalho humano de ler, conferir, classificar e digitar, espremido contra o calendário de fechamento.

O ai-TS passou a responder a essas perguntas sozinho, sem trocar de ferramenta no meio do caminho. Ele lê cada linha de extrato e diz o que ela é, concilia contra a base transacional, contabiliza até o nosso ERP, lança pagamentos para aprovação e sugere movimentações de liquidez entre as contas do grupo. No final registra quem aprovou o quê, sob qual alçada e com qual evidência. É o ciclo inteiro do caixa dentro de um sistema só, pronto em cerca de sessenta dias, com 71 telas e 15 conexões via API com bancos, regulador, Data lake e provedores. O impacto gerado para o iFood é superior ao das outras soluções de prateleira porque foi codada por quem opera a linha de frente e já nasceu customizada para a realidade do iFood.

Três escolhas explicam por que funciona. A primeira é que o critério de classificação virou regra explícita, e não sugestão de modelo: 6.989 regras e 3.747 literais traduzem como cada movimento bancário vira lançamento, com a IA sugerindo, mas cada linha carregando registrada a regra que a classificou, a origem e o autor. Em meio a 1,4 bilhão de movimentos de extrato (últimos 12 meses), a ferramenta foi capaz de ler, entender, classificar e consolidar em menos de 8 milhões de linhas, resultando na queda de 98% de itens sem classificação automática e melhora do tempo de processamento. Como tudo acontece à medida que o fluxo ocorre, o fechamento deixa de esperar o fim do mês.

A segunda é que a alçada virou regra do sistema, e não troca de e-mail. Cada operação exige um conjunto de aprovações definido pelo valor e pela natureza contábil do movimento, e o sistema trata esse conjunto como bloco único: ou todas estão lá e a operação sai inteira, ou nada acontece. Na gestão de caixa, aprovada a regra uma vez, o sistema lê o saldo, faz a proposta de transferência entre entidades do grupo e direciona ao responsável pela aprovação.

A terceira é a sentinela bancária, que consulta as instituições financeiras sobre o desfecho de cada pagamento pendente. Em paralelo, varre as contas a cada trinta minutos, milhares de movimentos por dia, atrás de pagamento duplicado, saída que nenhuma regra reconhece e valor fora da faixa histórica.

Contabilidade, o terreno mais regulado e por isso o mais interessante

Contabilidade é onde a tese é testada de verdade, porque o custo do erro é assimétrico. Um forecast errado gera uma conversa difícil. Um lançamento errado gera reapresentação de demonstração financeira, achado de auditoria e, em entidade regulada, conversa com o regulador.

Para sustentar esse ambiente desenvolvemos o LançAI. Antes, o time fazia mais de mil lançamentos manuais por semestre, sendo 70% deles nos dois primeiros dias úteis. No pico do fechamento, isso é um a cada seis minutos, exatamente na janela de maior pressão do mês.

O LançAI ataca essa janela com três camadas. A primeira é um agente por tipo de lançamento, porque cada natureza tem sua própria lógica. Imposto tem base de cálculo e contas próprias, e provisão, reclassificação e rateio seguem, cada um, regras distintas. A segunda é um orquestrador central que roteia a demanda para o agente certo, mantém o registro do que já foi lançado no ciclo, evita duplicidade e incorpora automaticamente cada novo agente que o time cria. A terceira é uma validação que roda antes de qualquer registro e confere se a contrapartida fecha, se as contas existem e são válidas para aquela empresa, se a classificação bate com a regra contábil e se o valor cabe na alçada de quem vai aprovar.

A decisão final continua humana, nos mesmos limites de valor de hoje, e cada lançamento carrega histórico que não pode ser alterado, evidenciando quem aprovou. Dessa gama de agentes, cinco deles já economizam mais de oitenta horas por mês, e o ganho é cumulativo, porque cada agente novo nasce herdando essa validação e essa trilha.

Antes o humano executava e o controle conferia depois. Com o LançAI o controle roda antes e o humano decide. Mesma alçada, mesma evidência, ordem invertida, em conformidade com o COSO 2026 (Achieving Effective Internal Control Over Generative AI), a referência internacional de controles internos para IA generativa.

O padrão que aparece

Cada projeto resolve uma dor específica, mas duas tendências emergem. A primeira é quem constrói. Em todos os casos, quem escreveu a solução foi a área de negócio. Finanças faz o desenvolvimento “end-to-end” do produto e Tech operacionaliza o que exige escalabilidade de produção com segurança. Essa primeira tendência demonstra a convergência cada vez mais acelerada entre pessoas de negócio e tecnologia. Também ilustra que o valor da inovação passa a estar mais concentrado no conhecimento do negócio à medida que a produção se torna mais comoditizada.

A segunda é onde está o valor. Qualquer empresa pode comprar o mesmo software ou LLM do concorrente. Mas nenhuma consegue comprar algo proprietário feito sob medida. Foi isso que os cinco projetos fizeram: transformaram critério e vivência em código. Fornecedor nenhum vende isso, porque ninguém de fora sabe.

Há uma última área nessa história que sustenta as outras. GRC (Risco e Controles) é quem diz se um controle está funcionando de verdade, exige julgamento técnico em conformidade, risco de processo, risco reputacional e regulatório. É terreno para tirar do humano a coleta, a triagem e a correlação, para que o julgamento aconteça sobre a base inteira e não sobre a amostra que dava tempo de olhar.

O Aurora é o projeto de agentes para fazer exatamente isso, e o time vai colocá-lo de pé ao longo dos próximos trimestres, utilizando inteligência artificial como pilar central na execução de processos e rotinas. Comparado aos outros projetos que já são realidade, o Aurora ainda está em uma fase de construção, mas a visão e o plano já são claros. Em Controles Internos, o agente coleta a evidência direto dos canais onde o trabalho acontece e roda o teste antes de o profissional revisar. Em Compliance, consolida fontes externas, classifica risco de fornecedor e sugere aceite ou reprovação dentro do apetite do iFood, com a decisão final humana. Em Investigação, recebe a denúncia, correlaciona bases a outras áreas e devolve o laudo estruturado para o investigador. Esse ecossistema de agentes multidisciplinares não será apenas uma iniciativa tecnológica, e sim uma mudança de paradigma na forma como as quatro frentes — Riscos e Controles Internos, Compliance, Investigação e Segurança Corporativa — passam a operar de forma conectada. Cada agente traz uma especialidade; juntos, formam uma rede de inteligência que se retroalimenta continuamente.

Cinco projetos e a área que os governa, sem combinar entre si, chegaram ao mesmo desenho. Quem constrói é quem conhece o processo, o critério é da casa e a governança vem antes do primeiro agente. GRC é o teste final desta última regra, porque é a área cujo produto é o próprio julgamento. Se ela também move coleta e triagem para agentes sem mover a decisão, o padrão deixa de ser coincidência.

O surgimento da nossa plataforma de IA Vibe Coding

O gargalo deixou de ser construir e passou a ser publicar. Levar uma solução feita por uma área de negócio para o ambiente onde a empresa de fato roda, com servidor corporativo, autenticação integrada, código versionado e revisão de segurança. Essa é a diferença entre algo que funciona e algo em que a empresa pode confiar. Alguns temas demandam atenção.

O primeiro é que não existe “runtime” corporativo para soluções de IA feitas fora de Tech. Não há servidor disponível para rodá-las 24 horas por dia. Agente que só funciona com o notebook de alguém aberto não é infraestrutura, é script.

O segundo é que a trilha até a produção não existia. O iNexus foi o primeiro sistema deste porte feito por uma área de negócio a percorrer esse caminho no iFood, e cada etapa (ambiente, autenticação, repositório, sandbox, homologação) teve que ser descoberta e negociada uma a uma, alavancando na construção do time de finanças mas em última instância refletindo os padrões de engenharia do iFood com o time de tecnologia. Talvez o maior legado do projeto seja o caminho: o próximo começa de onde este chegou e a formalização do “modus operandi” fica cada vez mais clara.

Onde erramos, e o que aprendemos

Seria desonesto listar só o que funcionou. Boa parte do que está acima só chegou aqui depois de inúmeras tentativas, e três delas custaram tempo suficiente para virar aprendizado. A primeira foi o antecessor do iNexus: por dois anos perseguimos uma ferramenta de planejamento quando o problema de fundo era governança de dados, e isso só ficou claro depois que a descontinuamos. A segunda foi no Olympus, onde a intuição inicial era ter um agente ou uma “skill” para cada processo. O time percebeu que passaríamos de seiscentos, tornando a atualização inviável, e refez o desenho na direção oposta, com menos agentes e uma base de contexto ampla e curada para eles consultarem. A terceira foi na Tesouraria, onde os critérios para deploy de um sistema construído fora de Tech ainda não estavam validados (padrão do código, manutenção, segurança de dados, etc.), e aprender a trabalhar dentro dos “guardrails” de segurança de Tech foi um aprendizado que agora precisa ser formalizado em forma de governança.

Nenhuma das três é falha de execução. É o custo de andar em território sem trilha: quando o padrão não existe, a forma de descobrir onde ele deveria estar é esbarrar nele. O que o time fez de melhor não foi evitar os tropeços, foi encurtá-los, e cada um virou regra para o projeto seguinte. Hoje o critério de segurança e o padrão de homologação entram no desenho junto com o primeiro protótipo, e a arquitetura de agentes começa pela base de contexto, não pela contagem de agentes. Autonomia sem padrão de produtização não é velocidade, é risco, e essa foi a lição mais cara e mais útil da jornada até aqui.

Próximos capítulos

Se tivéssemos perseguido automação, teríamos entregado processos iguais rodando mais rápido. Foi a nossa pergunta que mudou o resultado, e é por isso que fico com três convicções. O gargalo saiu do código e foi para o processo, o que devolve protagonismo a quem entende de negócio, talvez o capital humano que mais se valoriza nos próximos anos. O valor durável está na intersecção da vivência corporativa e agilidade de inovação, não na ferramenta em si. E a governança precisa ser desenhada antes, no micro, para acelerar sem transformar velocidade em risco.

Nos próximos capítulos, vamos dar um duplo clique em cada projeto, um por vez, com o detalhe técnico e operacional que quem trabalha em cada área precisa ter para replicar.

No fundo, este ensaio é menos sobre os projetos e mais sobre como um time heterogêneo aprendeu a fazer a pergunta certa: não o que a IA automatiza, mas como reconstruiremos a VP de Finanças do zero. Foi esse exercício de “first principles”, repetido em cada diretoria, que em pouco mais de dois meses nos aproximou do imperativo estratégico do iFood: a estrutura de custo mais competitiva do mundo no nosso segmento.

Se formos bem-sucedidos nessa jornada de inovação em velocidade, vamos capturar os mesmos benefícios de uma start-up nativa de IA, apesar de o iFood ter começado mais de uma década antes da IA generativa existir.