1

Pitch: NexoCFO, um CFO para PME onde a IA lê o balanço mas não soma nenhum número

Sou fundador do NexoCFO. É um sistema que lê balanço, DRE e balancete de pequenas e médias empresas, mostra onde o caixa trava e entrega um plano de ação. Quero contar as decisões técnicas que mais pesaram, porque algumas valem para qualquer projeto que usa LLM com dado financeiro.

A IA lê, o código soma

A primeira versão pedia ao modelo para extrair o balanço e já devolver os indicadores. Funcionava bem até não funcionar: um total trocado, uma linha somada duas vezes, e o relatório saía com um número plausível e errado. Em finanças, número plausível e errado é o pior caso.

Hoje a divisão é rígida:

  • o modelo só transcreve as linhas do documento (nome da conta e valor), sem calcular nada;
  • o código classifica as linhas pelo nome e faz todas as somas;
  • antes de seguir, o código confere: ativo bate com passivo mais patrimônio, os subtotais batem com a soma das linhas, e a DRE fecha. Só passa com diferença de arredondamento: no máximo o maior valor entre R$ 2 e 0,02% da receita líquida;
  • se não fecha, o arquivo não entra, e a pessoa vê o que não bateu.

Quando há mais de uma fonte para o mesmo período, existe uma ordem de confiança (o balancete vence um relatório auxiliar) e só um balanço e uma DRE oficiais por ano. Parece burocracia, mas foi o que acabou com as divergências entre telas.

Revisar antes, não depois

Toda conferência que eu fazia na mão antes de entregar virou verificação automática no fluxo. A suíte tem mais de 5 mil testes, e os de integração rodam contra Postgres em memória (PGlite), com o mesmo esquema e as mesmas migrações da produção. Cada bug corrigido ganha um teste que fecha a classe do erro, não só o caso.

PDF com cara de relatório

Tentei gerar o PDF desenhando componente por componente e o resultado parecia formulário. O que funcionou foi montar o relatório em HTML e CSS e imprimir com Chromium no servidor. Tabela, quebra de página e tipografia ficam iguais às da tela.

Detalhes que custaram horas

  • Uma biblioteca de leitura de PDF "desanexa" o buffer que recebe. Na segunda leitura do mesmo arquivo, o buffer estava vazio. Hoje toda leitura recebe uma cópia.
  • O middleware do Next.js roda no Edge. Um import de node:crypto ali derrubou o deploy inteiro.
  • Cache de prompt só funciona se a parte fixa vier antes de tudo que muda. Uma data no prompt de sistema bastava para perder o cache em todas as chamadas.
  • Texto que vem de fora (documento enviado, página pública) entra no prompt marcado como dado, nunca como instrução.

Stack

Next.js na Vercel, Postgres na Neon com Drizzle, API da Anthropic (modelos diferentes para triagem e para redação), Vitest com PGlite, e Chromium no servidor para os PDFs.

Se alguém já resolveu extração de demonstrativos contábeis de outro jeito, principalmente PDF escaneado ou balancete com plano de contas fora do padrão, quero muito ouvir. Críticas sobre a abordagem "a IA lê, o código soma" também são bem-vindas.

Para quem quiser ver funcionando, tem uma demonstração em https://nexocfo.ia.br/?utm_source=comunidade&utm_medium=pitch&utm_campaign=tabnews

Daniel Fernando

Carregando publicação patrocinada...
1

Lucas, a arquitetura de "leitura separada da soma" é a única forma de garantir integridade quando o LLM opera sobre dados não estruturados. O mecanismo de falha ocorre porque o modelo, ao tentar inferir a lógica contábil (como a paridade Ativo = Passivo + PL), aplica padrões estatísticos de texto em vez de regras lógicas determinísticas, gerando alucinações estruturais sutis. Ao deslocar o cálculo para o código e restringir o LLM à transcrição, você elimina o ruído da inferência, mas transfere a complexidade para a validação da extração: se o modelo transcrever "Caixa" como "Contas a Receber" mantendo o valor, a verificação de paridade pode passar despercebida se o mapeamento de contas não for rígido. O uso de Chromium para renderizar o PDF é a escolha correta para preservar a fidelidade visual, mas a verificação de paridade deve atuar como um gateway obrigatório antes de qualquer análise, garantindo que o dado bruto esteja estruturalmente correto antes de ser consumido pela lógica de negócio.