Relatório é uma das tarefas mais antigas do trabalho de escritório. E também uma das mais odiadas por quem tem que produzi-la.
A cena é conhecida. Uma pessoa passa a tarde de sexta extraindo dados, formatando no Excel, copiando para um documento, ajustando layout, exportando em PDF, mandando por e-mail. Todo mês. Às vezes toda semana. Com variações pequenas o suficiente para não justificar um sistema específico, mas grandes o suficiente para não dar pra automatizar com uma macro simples.
Esse é exatamente o espaço onde IA entra.
Não porque o modelo de linguagem entende o seu negócio. Ele não entende. Mas ele consegue pegar um conjunto de números estruturados e transformar em prosa coerente, e faz isso às três da manhã no dia primeiro de cada mês sem que ninguém precise estar acordado.
O que a IA está fazendo aqui, de verdade
Tem uma confusão comum quando as pessoas pensam em relatórios automáticos com IA. Elas imaginam um modelo que conecta no banco de dados, interpreta tudo sozinho, descobre o que é relevante e magicamente produz um PDF impecável.
Não é assim.
A IA cobre uma parte muito específica do pipeline: ela pega dados já processados e escreve o texto que os acompanha. A consulta ao banco, os cálculos, os filtros, as agregações, tudo isso continua sendo responsabilidade do código. O que o modelo faz é o parágrafo de interpretação.
Parece simples demais. Mas é exatamente o que transforma um relatório de uma tabela chata num documento que alguém vai de fato ler.
Um diretor financeiro não quer ver uma tabela. Ele quer entender o que aconteceu, por que importa e o que exige atenção dele agora. Isso é linguagem. E linguagem é onde o modelo brilha.
A parte que mais falha em produção
Já vi isso dar errado de formas diferentes em mais de um projeto: a equipe decide que vai deixar o modelo “fazer as contas”.
Péssima ideia.
Modelo de linguagem não é calculadora. Mesmo com acesso a ferramentas, o risco de um número levemente errado numa narrativa de relatório é alto demais pra aceitar. Ninguém percebe quando o PDF tem uma vírgula num lugar diferente. Todo mundo percebe quando o número está errado, especialmente o CFO que vai apresentar aquele relatório para o conselho.
A regra que eu sigo: todos os cálculos acontecem no código, com dados reais do banco, sem exceção. O que vai para o modelo é sempre o resultado já calculado. O modelo recebe “crescimento de 8,3% em relação ao mês anterior” e escreve a frase que contextualiza isso. Ele não recebe o valor de março e o de fevereiro e a instrução para calcular o percentual.
Isso não é desconfiança do modelo. É separação de responsabilidade. O modelo faz o que ele faz bem. O código faz o que o código faz bem.
Como o pipeline funciona na prática
A estrutura é mais simples do que parece quando você desenha direito.
Você consulta o banco, agrega os dados que o relatório precisa, monta uma estrutura organizada com os números e o contexto necessário. Passa essa estrutura para o modelo com uma instrução bem definida: tipo de relatório, público que vai ler, tom esperado, o que destacar, o que pode ignorar. O modelo retorna o texto.
Depois vem a camada de renderização: pega o texto que o modelo gerou, o layout HTML do relatório, os dados tabelados que vão junto, e converte tudo em PDF.
Essa última parte é a mais chata e a que a maioria subestima. HTML para PDF tem armadilhas velhas e bem conhecidas. Fontes que não renderizam, tabelas que quebram em página errada, imagens que somem dependendo do ambiente de execução. Não tem IA que resolva isso. É trabalho de frontend mesmo, teste por teste, ambiente por ambiente.
Onde o investimento faz sentido
Relatórios de alta frequência com componente narrativo relevante. Se você gera esse relatório toda semana para executivos que precisam de interpretação, não só de números, a conta fecha rápido.
Relatórios que hoje consomem horas de analista por ciclo também são candidatos óbvios. O tempo que uma pessoa qualificada passa formatando e reescrevendo o mesmo texto com números diferentes a cada mês é custo real, do tipo que fica invisível no orçamento até você parar pra medir de verdade.
O que não faz sentido: relatório que é basicamente uma tabela com filtro. Se o seu usuário consegue extrair o que precisa de um dashboard, a IA não vai agregar nada relevante. Pior: você vai gastar mais para entregar menos.
Aliás, esse é o erro de avaliação mais comum que vejo. Acham que IA deve substituir o dashboard. Não substitui. O dashboard responde “o quê”. A narrativa gerada por IA responde “e daí?”. São ferramentas diferentes pra necessidades diferentes.
O problema que ninguém menciona na hora de vender
Cada vez que o modelo por baixo é atualizado, o texto gerado muda um pouco.
Pra maioria dos casos isso é irrelevante. Mas se o seu relatório vai para um cliente corporativo que lê com atenção todo mês, eventualmente alguém vai notar que o estilo mudou e vai perguntar o que aconteceu. É uma conversa estranha de ter.
Você pode fixar a versão do modelo, pode ter um processo de revisão periódica do output, pode estabelecer um template mais rígido que o modelo preenche em vez de escrever livremente. Mas precisa estar no design desde o início, não ser descoberto depois que o relatório já está em produção sendo enviado mensalmente para dezenas de clientes.
Descobri isso da maneira mais inconveniente. Guarda essa informação antes de precisar dela.
Consistência: a limitação que não some
Rode o mesmo conjunto de dados duas vezes e você vai ter dois textos diferentes. Estatisticamente parecidos, mas diferentes. Para a maioria dos relatórios, não importa. Para documentos que precisam de consistência literal, como laudos e documentos técnicos formais, importa muito.
Temperatura baixa no modelo ajuda. Prompt bem estruturado com exemplos explícitos de saída esperada ajuda mais. Mas não existe garantia absoluta de reprodutibilidade. É a natureza do modelo, não um bug que vai ser corrigido.
Se o seu caso de uso exige que o texto seja exatamente igual toda vez, trate o output do modelo como rascunho inicial que passa por uma etapa de revisão antes de chegar ao destinatário. Isso muda o fluxo, mas não invalida a utilidade. A diferença de tempo ainda é enorme.
Automação de relatórios com IA tem ROI real. Mas tem também uma lista de armadilhas que só aparecem depois do primeiro deploy em produção, e que você prefere conhecer antes de comprometer a equipe.
Se você está avaliando isso para a sua empresa, entra em contato pelo gabriels.dev.br.