A Reforma Tributária sobre o consumo, ao substituir tributos como PIS, Cofins, ICMS e ISS por CBS e IBS, não é apenas uma mudança de siglas. Para quem trabalha com sistemas fiscais, ela representa uma transformação profunda na forma como os dados de transações são gerados, armazenados e reconciliados. De repente, anos de lógica de apuração embutida em ERPs precisam ser revisitados. E nesse cenário de incerteza regulatória e explosão documental, a promessa de usar inteligência artificial para acelerar a identificação de créditos tributários parece um oásis. Mas, como todo engenheiro que já tentou colocar um modelo generativo para funcionar em produção sabe, o deserto está nos dados.
O falso atalho da “aceleração” com IA
Quando uma empresa ou consultoria anuncia que utiliza IA para “acelerar” a recuperação de créditos, a primeira imagem que vem à mente é a de robôs varrendo milhões de notas fiscais e emitindo relatórios prontos. A realidade é mais mundana, e ao mesmo tempo mais desafiadora. O sistema tributário brasileiro, mesmo com a NFe padronizada, produz documentos com campos preenchidos de forma inconsistente, tributações que variam por regime, benefícios fiscais opacos e uma infinidade de exceções fiscais que existem apenas na cabeça dos contadores. A IA — especialmente modelos de linguagem (LLMs) — pode interpretar textos livres e classificar despesas, mas ela não tem o contexto jurídico e temporal embutido. Ela precisa ser alimentada com dados limpos e anotados por especialistas para aprender a reconhecer, por exemplo, que um frete interestadual em determinada condição gera crédito de ICMS, e que na nova sistemática isso se transforma em direito a restituição de IBS. Esse trabalho de curadoria não é acelerável; ele é um pré-requisito não negociável.
O verdadeiro gargalo: heterogeneidade e rastreabilidade
Do ponto de vista da engenharia de software, o maior desafio não está em escolher entre um BERT ou um GPT para extrair campos de notas fiscais. Está em construir um pipeline que lide com a heterogeneidade real: documentos de diversos estados, com leiautes de XML que mudaram ao longo dos anos (para atender exigências fiscais), empresas que usam sistemas legados que geram arquivos com erros de encoding, e uma infinidade de versões de campos como CFOP, CST e CEST. Qualquer modelo de IA, por mais robusto que seja, terá sua acurácia severamente degradada se o dado de entrada estiver poluído. E uma acurácia de 98% em extração de metadados não é suficiente: em créditos tributários, um erro de 2% pode significar deixar de recuperar milhares de reais ou, pior, reivindicar um crédito indevido e sofrer autuação fiscal. Isso impõe um requisito de confiabilidade que raramente vemos em aplicações de IA voltadas para marketing ou atendimento ao cliente.
Arquitetura de sistema: human-in-the-loop e validação contínua
Na prática, implementar um sistema de IA para créditos tributários significa desenhar uma arquitetura com múltiplas camadas de validação. Um modelo de extração inicial (OCR + NER) pode capturar os campos padrão (CNPJ, valor, data, CFOP). Em seguida, um segundo modelo — normalmente uma LLM com fine-tuning em documentos fiscais — tenta classificar a natureza do gasto e sua elegibilidade. Mas a saída desse modelo não pode ir direto para o cálculo de crédito. É necessário um orquestrador que aplique regras de negócio configuráveis (porque a legislação muda, e o modelo precisaria ser retreinado a cada alteração) e um fluxo de auditoria com revisão humana. Na minha experiência com sistemas de compliance em cloud, essa “esteira” de validação é onde a maioria dos projetos subestima o esforço. O modelo vira o herói do pitch, mas a infraestrutura de testes de regressão, versionamento de regras fiscais, logs de decisão e alertas de anomalia é o que garante que o sistema não produza um passivo tributário disfarçado de ganho.
Os riscos de alucinação fiscal e como mitigá-los
LLMs são notórias por alucinarem — gerarem respostas convincentes mas incorretas. Em um contexto fiscal, uma alucinação pode fazer o sistema considerar um gasto pessoal como insumo industrial, ou classificar um serviço de limpeza como atividade essencial para o processo produtivo. Essas interpretações erradas geram pedidos de crédito que, mais cedo ou mais tarde, serão glosados em uma fiscalização. Para mitigar isso, é preciso implementar um mecanismo de “grounding”: fornecer ao modelo, no prompt, a legislação aplicável e uma base de julgamentos da Receita. Mas mesmo assim, o modelo pode “esquecer” de consultar a base correta. A solução mais segura é limitar o escopo da IA a tarefas de sugestão e pré-classificação, deixando a decisão final para regras determinísticas ou revisão humana. Isso reduz a velocidade, mas aumenta drasticamente a confiabilidade — e em tributos, confiabilidade é mais valiosa que velocidade.
Impacto operacional: o custo da transição
Para as empresas, a janela de oportunidade para se prepararem para o novo sistema é curta. A implementação de um pipeline de IA para créditos não é um projeto de três meses. Envolve: anotar um dataset representativo de notas fiscais (centenas de milhares de documentos), treinar ou fazer fine-tuning de modelos, construir a esteira de validação, integrar com ERPs (que frequentemente não possuem APIs de qualidade), e criar dashboards de acompanhamento. Tudo isso requer engenheiros de dados, especialistas tributários e uma cultura de experimentação com métricas claras de precisão e recall. Startups de “tax tech” que prometem aceleração quase instantânea estão, na verdade, vendendo acesso a modelos pré-treinados em dados de outras empresas — o que pode não refletir a realidade fiscal do cliente. O valor real está em um processo adaptativo, onde o modelo melhora continuamente com o feedback dos revisores.
O papel da infraestrutura em nuvem e da privacidade
Documentos fiscais contêm dados sensíveis: CNPJ, valores, descrições de produtos, identidade dos clientes. Ao utilizar serviços de IA em nuvem, é preciso garantir que os dados não saiam da jurisdição brasileira e que o provedor de modelo não os utilize para treinamento. Isso limita as opções: ou se opta por LLMs hospedados em regiões brasileiras com contratos específicos de privacidade, ou se utiliza modelos locais (on-premise ou em VPC dedicada), o que eleva os custos computacionais. Para uma empresa de médio porte, a conta de inferência pode facilmente superar os créditos recuperados se não houver uma estratégia de otimização — como uso de modelos menores para triagem e modelos maiores apenas para casos ambíguos. É uma equação de engenharia de custo, latência e acurácia que exige profiling real dos dados de produção.
Integração com sistemas legados: o calcanhar de Aquiles
A maioria dos ERPs corporativos no Brasil foi construída em uma era pré-Reforma Tributária e pré-IA. Conectar um sistema de extração de créditos baseado em IA a esses sistemas é um problema de integração não trivial. Muitos ERPs não expõem as transações fiscais via API; é necessário parser de arquivos texto, acessar bancos de dados diretamente ou usar RPA para emular ações de usuário. Cada uma dessas abordagens introduz fragilidade e custo de manutenção. Na minha vivência com arquiteturas de microsserviços em cloud, a abordagem mais limpa é criar uma camada de abstração de dados fiscais (um data lake curado) que segregue a origem legada do motor de IA. Dessa forma, se o ERP mudar, apenas o conector precisa ser ajustado — o modelo de IA não precisa saber de onde vieram os dados. Mas construir esse data lake exige investimento inicial em engenharia de dados que raramente é considerado no orçamento de “projeto de IA”.
Perspectiva pessoal: IA é ferramenta, não estratégia
A Reforma Tributária é, acima de tudo, um problema de dados. Quem tiver os dados mais limpos, mais bem organizados e com metadados corretos, conseguirá extrair créditos com mais agilidade, independentemente de usar IA ou planilhas. A inteligência artificial é um catalisador poderoso, mas não substitui a governança fiscal e a curadoria. Para as empresas que estão começando agora, meu conselho é: não terceirizem a compreensão dos dados para uma caixa-preta de IA. Invistam primeiro em um inventário detalhado de documentos fiscais, com classificação manual de uma amostra significativa, e depois apliquem aprendizado supervisionado para escalar essa classificação. E, acima de tudo, mantenham o humano no loop — ao menos enquanto a legislação tributária não se tornar totalmente determinística, o que não deve acontecer tão cedo.