Conectando Investimento, Operação e Resultado Econômico
Introdução
A análise financeira tradicional organiza-se em torno de contas contábeis. Compara-se saldos, calcula-se variações, decompõem-se margens. As contas cumprem bem o papel para o qual foram desenhadas (classificar, padronizar e comunicar) e seguem indispensáveis para reporte e governança. O problema aparece quando a conta deixa de ser meio e vira fim: a análise se torna agregada, retrospectiva e raramente explica o que de fato moveu o resultado.
Não se trata de descobrir nada novo. A crítica ao orçamento baseado em contas é antiga e bem estabelecida. Hope e Fraser, no movimento Beyond Budgeting iniciado no fim dos anos 1990, sistematizaram o argumento de que o orçamento tradicional consome esforço desproporcional ao valor que entrega: fixa metas que envelhecem rápido, induz comportamentos defensivos e desconecta planejamento da execução. Kaplan e Norton, com o Balanced Scorecard e os Strategy Maps, foram além ao distinguir indicadores de resultado (lag) de indicadores indutores (lead) e ao mostrar que a gestão fica míope quando se concentra apenas nos primeiros. E a tradição de value driver trees consolidada por Copeland, Koller e Murrin no clássico Valuation da McKinsey decompõe há décadas o retorno sobre capital investido em volume, preço, mix, eficiência operacional e giro de ativos.
A síntese desses corpos de conhecimento é direta: contas mostram o resumo, drivers explicam a causa.
Da conta para o evento
Dizer que “fretes ficaram acima do orçamento” não orienta decisão se não estiver explícito o que mudou: substituição de modal marítimo por aéreo, aumento do mix de pedidos urgentes, reajuste de tabela do operador, atraso na expansão de centro de distribuição. O desvio raramente está na conta; está em alguma alteração nas condições reais do negócio que se transmite para a conta.
Essa lógica é a mesma do Activity-Based Costing (Kaplan e Cooper, anos 1980-1990) levada para o planejamento: custos não são saldos abstratos, são consequências de atividades, e atividades têm direcionadores. Quando o orçamento é construído explicitando esses direcionadores (volume processado, número de transações, tipo de operação, modalidade logística), a leitura dos desvios torna-se acionável. Quando não, o diagnóstico reduz-se a constatar que a conta variou, sem capacidade de propor correção específica.
Vale registrar que conta e driver não são abordagens excludentes. Bons modelos de FP&A operam com hierarquia: o driver explica, a conta consolida, e há mapeamento bidirecional entre os dois. A questão não é abandonar o plano de contas, é parar de tratá-lo como ponto de partida da análise.
Resultado como consequência, não como ponto de partida
O resultado financeiro é, por construção, retrospectivo. A análise DuPont, que decompõe ROE em margem, giro e alavancagem desde os anos 1920, foi a primeira tentativa sistemática de ir além do número final e expor seus componentes. A árvore de drivers moderna estende essa lógica: receita se decompõe em volume, preço e mix; custo se decompõe em consumo unitário, preço de insumo e eficiência; capital se decompõe em capex, capital de giro e ciclo de caixa.
Os drivers operacionais que efetivamente movem o resultado são conhecidos: volume vendido, ticket médio, mix de produtos, taxa de conversão, retenção de clientes, custo de aquisição, eficiência produtiva, utilização de capacidade, prazo médio de recebimento, cobertura de estoques. Em conjunto, eles formam o que a literatura de estratégia chama de “fórmula de criação de valor” da empresa, e convém organizá-los em hierarquia explícita: drivers de saída (volume, preço, mix) que entram diretamente no P&L; drivers intermediários (conversão, retenção, NPS, lead time) que pressionam os primeiros; e direcionadores de custo e capital que sustentam toda a árvore.
Esses drivers, porém, não são todos endógenos nem todos respondem da mesma forma a investimento. Câmbio, ciclo de commodities, mudança regulatória, saída de concorrente e choque de demanda alteram drivers sem qualquer decisão da empresa. E parte dos ganhos sustentáveis vem de desinvestimento: descontinuar SKUs ruins, fechar operações deficitárias, reduzir cobertura geográfica. A regra geral é que a maior parte do ganho recorrente decorre de investimento prévio em capacidades operacionais, mas a relação não é universal e o orçamento que a trata como tal vira ficção.
A relação investimento → driver → resultado
Mantida essa ressalva, a estrutura recorrente em mercados maduros está bem estabelecida e aparece de forma quase idêntica em Rappaport (Creating Shareholder Value), em Copeland/Koller/Murrin e em manuais de FP&A: ganhos sustentáveis em drivers exigem alocação prévia de capital ou esforço, sob pena de erodirem com o tempo.
Os pareamentos típicos são conhecidos. Investimento em marketing e força de vendas pressiona volume e conversão. Investimento em marca sustenta poder de preço. Investimento em produto e experiência amplia ticket e retenção. Investimento em tecnologia e processos reduz custo unitário e melhora produtividade. Investimento em capacidade viabiliza crescimento. Investimento em logística e cadeia de suprimentos atua simultaneamente em custo e nível de serviço.
Duas qualificações importantes costumam faltar nas discussões internas de orçamento, embora a literatura de estratégia as trate explicitamente.
A primeira é que a relação não é determinística, é probabilística. Cada elo da cadeia investimento → driver → resultado tem distribuição de probabilidade, não certeza. Parte do trabalho do CFO é precificar essa incerteza, com cenários, opções reais (Dixit e Pindyck) e análise de sensibilidade, em vez de apresentar a cadeia como um relógio. O aforismo atribuído a John Wanamaker, “metade da minha verba de propaganda é desperdício, só não sei qual metade”, sintetiza um problema de atribuição que continua não resolvido cem anos depois e que se aplica, em maior ou menor grau, a quase todo investimento em capacidade.
A segunda é que retornos não são uniformemente decrescentes. Para mídia paga clássica, expansão geográfica e capacidade industrial, retornos decrescentes são a regra e estão bem documentados. Mas marca, tecnologia em rede e curvas de aprendizagem podem apresentar retornos crescentes em faixas relevantes, base de boa parte da literatura de estratégia em economias digitais (Brian Arthur, Shapiro e Varian). Tratar todo investimento sob a mesma lei dos rendimentos decrescentes simplifica demais e leva a decisões de corte equivocadas justamente nos casos em que a empresa estaria escalando uma vantagem composta.
Ciclo de maturação e o descasamento contábil
O ponto mais subestimado da análise por contas é temporal. Investimentos não geram impacto no mesmo período em que ocorrem. Marketing de performance pode pagar-se em semanas; uma campanha de marca leva trimestres; um ERP, dois a três anos; uma planta industrial, uma década.
Baruch Lev é a referência sobre como o regime de competência distorce essa leitura. Em Intangibles e em trabalhos subsequentes, Lev mostra que GAAP e IFRS reconhecem como despesa imediata praticamente todo investimento em P&D, marca, capital humano e tecnologia, apesar de seus benefícios se distribuírem por anos. O efeito prático é duplo e perverso: decisões corretas no longo prazo penalizam o resultado de curto prazo (e tendem a ser cortadas em momentos de aperto), e resultados positivos no presente podem refletir investimentos passados que não estão sendo repostos.
A implicação para a gestão é que a apuração contábil, mesmo correta sob a norma, precisa ser complementada por leitura econômica que considere o estoque de investimentos em maturação e a distinção, comum em corporate finance e em manuais de M&A, entre maintenance capex (o necessário para sustentar a operação atual) e growth capex (o destinado a expandir capacidade ou capturar novos mercados). Sem essa separação, é impossível avaliar se a empresa está, de fato, gerando caixa livre ou apenas postergando a reposição dos ativos que sustentam o resultado atual.
Capital de giro e a dimensão balanço
Análises de orçamento centradas em P&L tendem a tratar resultado e geração de caixa como sinônimos: erro caro em ambientes de juros altos, caso estrutural do Brasil. Volume cresce, mas se o prazo médio de recebimento expande junto, o crescimento é financiado por capital de giro adicional cujo custo nem sempre aparece de forma transparente no resultado.
A árvore DuPont estendida e os modelos de EVA (Stern Stewart) deixam isso explícito: capital empregado é driver tão relevante quanto margem. Decisões comerciais que melhoram volume podem destruir valor se piorarem ciclo de caixa; decisões de compras que reduzem custo unitário podem destruir valor se inflarem estoques. Um orçamento que não decompõe drivers de capital de giro (prazo médio de recebimento, prazo médio de pagamento, cobertura de estoques, ciclo financeiro) está subdimensionando metade do problema. A dimensão balanço não é detalhe técnico; é onde boa parte da geração ou destruição de valor efetivamente ocorre.
Orçamento como tradução econômica da estratégia
A consequência prática dos pontos acima é que o orçamento deixa de ser exercício de projeção de contas e passa a ser tradução econômica das decisões do negócio. Ele precisa integrar, de forma articulada, a capacidade instalada e o estoque de investimentos passados em maturação; a operação atual e seus drivers, com hierarquia explícita entre drivers de saída, intermediários e direcionadores de custo e capital; os investimentos planejados, separados entre manutenção e crescimento, com retorno esperado, prazo de maturação e premissas testáveis; e a tradução de tudo isso em P&L e fluxo de caixa, com as contas funcionando como camada de consolidação e comunicação, não como linguagem primária de análise.
Essa é, em essência, a proposta combinada de Beyond Budgeting (foco em premissas e rolling forecasts em vez de exercício anual fechado), Balanced Scorecard (drivers operacionais como indutores do resultado financeiro) e driver-based planning tal como praticado hoje em FP&A maduro e disseminado por organizações como AFP e CFO Research há mais de uma década.
Iniciativas, ROI e o ciclo de capital
No nível gerencial, investimentos relevantes ganham em ser tratados como iniciativas (com hipótese explícita, valor esperado, prazo de retorno e indicadores de acompanhamento), e não como linhas de despesa. A distinção importa: linha de despesa é gerida por corte, iniciativa é gerida por desempenho relativo a uma tese. O primeiro modo destrói investimento em maturação sempre que o resultado de curto prazo aperta; o segundo permite alocar capital de forma comparável e priorizada, equilibrando curto e longo prazo de modo deliberado.
A leitura por iniciativas não substitui o tratamento contábil; complementa-o. Mas é ela que permite, no momento da decisão, formular a pergunta certa: dado o conjunto de teses de investimento abertas, qual a alocação marginal mais valiosa? Em vez da pergunta empobrecida que o orçamento tradicional impõe: onde podemos cortar para fechar a meta?
IA, drivers e os limites do que a tecnologia resolve
A discussão sobre orçamento orientado por drivers ganhou nova camada com a popularização de IA aplicada a FP&A. Vale separar o que a tecnologia efetivamente entrega do que ela apenas aparenta entregar.
Orçamentos orientados por IA só produzem resultados confiáveis quando estão ancorados em uma estrutura clara de drivers operacionais e em relações causais economicamente consistentes. A tecnologia amplia capacidade de modelagem, granularidade e simulação de cenários, mas não substitui o entendimento de como o negócio funciona. Sem base conceitual sólida, sofisticação adicional não gera mais precisão: gera aparência de controle sobre um modelo que pode estar fundamentalmente equivocado.
A razão é estrutural. Modelos de IA, em sua essência, operam predominantemente sobre padrões e correlações em dados históricos. São eficientes em identificar regularidades, mas não possuem compreensão intrínseca de causalidade econômica. Bernhard Schölkopf e o movimento de Causal AI, que entrou no Hype Cycle da Gartner em 2024 como tecnologia transformacional, vêm sustentando que ML clássico atinge teto exatamente em decisões de intervenção, justamente o tipo de decisão que orçamento exige. No vocabulário de Ajay Agrawal, Joshua Gans e Avi Goldfarb em Power and Prediction (2022), IA barateia a previsão, mas decisão continua exigindo julgamento: a estrutura de drivers, a função-objetivo e as restrições reais do negócio permanecem trabalho humano.
A consequência prática é que a IA pode projetar crescimento de receita, melhoria de margem ou redução de custos sem que os fatores que sustentam essas mudanças (investimento, capacidade, eficiência, demanda) estejam devidamente representados. O resultado é um modelo estatisticamente sofisticado e economicamente incoerente. Arvind Narayanan e Sayash Kapoor, em AI Snake Oil (2024), documentam empiricamente esse padrão em uma série de aplicações preditivas: o problema raramente é o algoritmo, é a hipótese implícita de que padrões históricos seguem valendo quando a estrutura subjacente muda.
O orçamento agrava essa dificuldade porque não é exercício preditivo, é modelo estruturado de alocação de recursos e execução estratégica. Receita, custo, investimento e capacidade não são variáveis independentes; estão ligadas por mecanismos operacionais concretos. Quando essa estrutura não é explicitada, a IA opera sobre sistema incompleto e produz projeções que violam consistência básica: crescimento sem investimento correspondente, ganho de margem sem mudança operacional, expansão de mercado sem aumento de capacidade. O modelo gera o número, mas o número não tem como acontecer no mundo real.
O efeito mais perigoso é o ganho de granularidade ser percebido como ganho de precisão. Modelos detalhados parecem mais confiáveis mesmo quando assentam em premissas frágeis. Ethan Mollick chama o fenômeno de jagged frontier: a fronteira irregular do desempenho da IA, em que ela é excelente em algumas tarefas e falha em outras adjacentes sem sinalizar a transição. Em orçamento, o efeito é que erros conceituais não apenas persistem, são amplificados: o que antes seria identificado como inconsistência evidente vira projeção complexa, difícil de questionar e, por isso, mais perigosa do ponto de vista decisório.
Esse risco é particularmente alto quando não há ligação explícita entre investimento, drivers e resultado. Sem essa conexão, a IA projeta melhorias sem exigir o esforço econômico que as sustentaria, o que contraria o princípio que organiza este artigo: não há geração de valor sem consumo de recursos ou mudança real no negócio. Quando esse princípio é violado pelo modelo, o orçamento deixa de ser plano executável e vira projeção otimista sem base operacional.
A eficácia da IA em processos orçamentários, portanto, não depende apenas da qualidade dos dados ou da sofisticação dos algoritmos, mas da robustez do modelo econômico que orienta sua aplicação. Quando os drivers estão bem definidos e as relações causais são explícitas, a IA torna-se ferramenta poderosa para simulação, análise de cenários e suporte à decisão. Sem essa base, ela não gera inteligência: apenas amplifica complexidade e aumenta o risco de decisões equivocadas. Não por acaso, relatórios recentes de Gartner, McKinsey e BCG sobre adoção de IA em finanças convergem no mesmo diagnóstico: a maior parte dos projetos não entrega o ROI esperado, e o gargalo é consistentemente déficit de modelagem do negócio, não déficit técnico.
E vale fechar com o ponto que dá unidade ao artigo: assim como qualquer resultado relevante, é ilusão imaginar que a IA sozinha resolva o problema de orçamentos mais eficientes para a geração de valor. A tecnologia é alavanca, não substituto. Para que entregue valor de fato, exige investimento prévio em infraestrutura (dados estruturados, integração de sistemas, capacidade computacional) e em conhecimento (pessoas que entendam o negócio, modelagem econômica, governança de dados, capacidade analítica). Esses investimentos têm o mesmo perfil dos demais discutidos neste artigo: maturação não imediata, retorno sujeito a risco, necessidade de tratamento como iniciativa com tese explícita. A regra que se aplica ao orçamento da empresa se aplica também ao próprio investimento em IA. Não há atalho.
A função do CFO
A diferença entre um CFO que reporta desempenho e um CFO que influencia desempenho está em duas frentes complementares.
A primeira é analítica. O CFO que apenas consolida contas, explica variações depois do fato e participa marginalmente da formação do resultado opera no tempo errado: quando o número já se materializou, a margem de manobra é mínima. O CFO que opera sobre os drivers conhece-os, mede-os, questiona-os e participa das decisões de investimento que os movem. O valor estratégico está em antecipar o resultado pela leitura dos drivers, e não em explicá-lo quando já se materializou.
A segunda é de alocação. Entender drivers só importa se houver capital disponível para agir sobre eles. Cabe ao CFO garantir que existam recursos suficientes para financiar as iniciativas estratégicas, combinando geração interna de caixa, estrutura de capital e acesso a financiamento de modo a sustentar o ciclo de investimento que o negócio exige. Damodaran organiza finanças corporativas exatamente em torno desse equilíbrio entre decisões de investimento, financiamento e distribuição. Mauboussin e Rappaport tratam alocação de capital como a competência financeira central. E a prática consolidada em empresas com FP&A maduro vem operando há anos sob a lógica explícita de capital allocation framework: cada real disponível tem alternativas, e a função do CFO é garantir que ele esteja disponível e seja direcionado para as iniciativas com maior valor presente.
As duas frentes se reforçam. Sem leitura dos drivers, a alocação vira chute orçamentário; sem disciplina de alocação, a leitura dos drivers vira diagnóstico sem instrumento de execução. É essa dupla competência (entender o que move o resultado e garantir capital para mover) que distingue o CFO estratégico do CFO administrativo, e é dela que decorre o que CFO Research, AFP e a prática consolidada vêm chamando de finance business partnering há pelo menos uma década.
Sustentação competitiva
Resultado, em ambiente competitivo, não é estático. Concorrentes investem continuamente, tecnologias se difundem, vantagens erodem: base do modelo das cinco forças de Porter e da literatura de vantagem competitiva sustentável. Manter o resultado já exige investimento contínuo na capacidade competitiva; melhorar o resultado exige investimento adicional. Cortar investimento de manutenção produz ganho contábil de curto prazo às custas de erosão silenciosa da posição competitiva, efeito que só aparece nas contas quando já é tarde para reagir sem custo desproporcional.
Conclusão
A tese deste artigo não é original e não pretende ser. Ela é a integração, em linguagem operacional, de corpos de conhecimento bem consolidados (Beyond Budgeting, Balanced Scorecard, árvore de drivers de valor da McKinsey, Activity-Based Management, contabilidade de intangíveis de Lev, EVA, opções reais, capital allocation, finance business partnering), articulados com o debate atual sobre os limites da IA aplicada a decisões de intervenção. O que justifica reafirmá-la é que, apesar de bem estabelecida na literatura desde os anos 1990, a prática orçamentária em boa parte das empresas continua estruturada por contas, com análise retrospectiva e desconectada dos drivers que efetivamente determinam o resultado. E a chegada da IA, sem essa base, tende a amplificar o problema em vez de resolvê-lo.
Quando a análise integra drivers operacionais, decisões de investimento, ciclo de maturação e capital empregado, e quando o CFO assume tanto a leitura desses drivers quanto a responsabilidade pela alocação de capital que os sustenta, o orçamento deixa de ser projeção abstrata e passa a ser instrumento de gestão econômica. Capaz de explicar desvios com precisão, orientar alocação marginal de capital e conectar estratégia, operação e geração de valor de forma articulada. Não há novidade conceitual nisso. Há, ainda, distância significativa entre o que a literatura consolidou e o que a prática efetivamente faz. É essa distância que o orçamento orientado por drivers se propõe a fechar.
Referências
Finanças Corporativas e Estratégia
Copeland, T.; Koller, T.; Murrin, J. Valuation: Measuring and Managing the Value of Companies. 3ª ed. McKinsey & Company. New York: John Wiley & Sons, 2000.
Damodaran, A. Corporate Finance: Theory and Practice. 2ª ed. New York: John Wiley & Sons, 2001.
Damodaran, A. Investment Valuation: Tools and Techniques for Determining the Value of Any Asset. 3ª ed. New York: John Wiley & Sons, 2012.
DuPont Corporation. DuPont Analysis Framework. Desenvolvido internamente pela DuPont Corporation, anos 1920.
Mauboussin, M. J.; Callahan, D. Capital Allocation: Evidence, Analytical Methods, and Assessment Guidance. Morgan Stanley Counterpoint Global Insights, 2022.
Porter, M. E. Competitive Strategy: Techniques for Analyzing Industries and Competitors. New York: Free Press, 1980.
Rappaport, A. Creating Shareholder Value: A Guide for Managers and Investors. Edição revisada. New York: Free Press, 1998.
Stern Stewart & Co. Economic Value Added (EVA): The Real Key to Creating Wealth. New York: Stern Stewart & Co., 1991.
Balanced Scorecard, ABC e Beyond Budgeting
Hope, J.; Fraser, R. Beyond Budgeting: How Managers Can Break Free from the Annual Performance Trap. Boston: Harvard Business School Press, 2003.
Hope, J.; Fraser, R. “Who Needs Budgets?” Harvard Business Review, vol. 81, no. 2, 2003, pp. 108-115.
Kaplan, R. S.; Cooper, R. “Activity-Based Systems: Measuring the Costs of Resource Usage.” Accounting Horizons, vol. 6, no. 3, 1992, pp. 1-13.
Kaplan, R. S.; Cooper, R. Implementing Activity-Based Cost Management: Moving from Analysis to Action. 2ª ed. Montvale, NJ: Institute of Management Accountants, 1998.
Kaplan, R. S.; Norton, D. P. “The Balanced Scorecard: Measures that Drive Performance.” Harvard Business Review, vol. 70, no. 1, 1992, pp. 71-79.
Kaplan, R. S.; Norton, D. P. “Linking the Balanced Scorecard to Strategy.” California Management Review, vol. 39, no. 1, 1996, pp. 53-79.
Intangíveis
Lev, B. Intangibles: Management, Measurement, and Reporting. Washington, D.C.: Brookings Institution Press, 2000.
Lev, B. “Intangibles: Concepts and Measurements.” Journal of Economic Literature, vol. 54, no. 3, 2016, pp. 797-830.
Economia de Redes e Retornos Crescentes
Arthur, W. B. Increasing Returns and Path Dependence in the Economy. Ann Arbor: University of Michigan Press, 1994.
Arthur, W. B. “Increasing Returns and the New World of Business.” Harvard Business Review, vol. 74, no. 4, 1996, pp. 100-109.
Shapiro, C.; Varian, H. R. Information Rules: A Strategic Guide to the Network Economy. Boston: Harvard Business School Press, 1999.
Opções Reais e Decisões sob Incerteza
Dixit, A. K.; Pindyck, R. S. Investment Under Uncertainty. Princeton: Princeton University Press, 1994.
Dixit, A. K.; Pindyck, R. S. “The Options Approach to Capital Investment.” Harvard Business Review, vol. 73, no. 3, 1995, pp. 105-115.
Inteligência Artificial, Causalidade e Previsão
Agrawal, A. K.; Gans, J. S.; Goldfarb, A. Power and Prediction: The Disruptive Economics of Artificial Intelligence. Boston: Harvard Business Review Press, 2022.
Agrawal, A. K.; Gans, J. S.; Goldfarb, A. “Prediction, Judgment and Complexity: A Theory of Decision Making and Artificial Intelligence.” NBER Working Paper no. 24243, 2018.
Mollick, E. R.; Dell’Acqua, F.; Reiter, P.; et al. “Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of AI on Knowledge Worker Productivity and Quality.” Organization Science, vol. 36, no. 2, 2025, pp. 1-24.
Narayanan, A.; Kapoor, S. AI Snake Oil: What Artificial Intelligence Can Do, What It Can’t, and How to Tell the Difference. Princeton: Princeton University Press, 2024.
Schölkopf, B. “Causality for Machine Learning.” arXiv preprint arXiv:1911.10500, 2019.
Schölkopf, B. From Statistical to Causal Learning. Cambridge: Cambridge University Press, 2023.
Referências Históricas e Organizações
Wanamaker, J. Aforismo sobre publicidade. Atribuído a John Wanamaker (1838-1922).
Gartner, Inc. Hype Cycle for Artificial Intelligence, 2024. Stamford, CT: Gartner Research, 2024.
Association of Financial Professionals (AFP). FP&A Best Practices and Benchmarking Reports. Diversos anos.
CFO Research. Financial Planning & Analysis: Trends and Best Practices. Diversos anos.