AI em Compras: O Que Realmente Muda do Sourcing ao Pagamento

O que AI em compras realmente significa?

Remova a linguagem do fornecedor e AI em compras é reconhecimento de padrões e geração de texto aplicados às etapas entre um requisito de compra e uma fatura paga: qualificar fornecedores, elaborar documentos RFx, normalizar e pontuar propostas, analisar contratos, classificar gastos, conciliar faturas. O tratamento revisado por pares localiza a fronteira precisamente — não em automatizando tarefas repetitivas mas em análises avançadas que apoiam decisões estratégicas de compra, como a classificação de gastos, onde a saída de um modelo alimenta uma decisão que o comprador ainda deve assumir.

Onde está a adoção de AI em compras hoje?

A atenção é quase universal; a escala é rara. Na pesquisa de questões-chave 2026 do Hackett Group, 80% dos executivos de compras identificaram a tecnologia habilitada por AI como a tendência mais transformadora que afetará a função nos próximos cinco anos — enquanto no mesmo estudo, 43% das organizações estão buscando ativamente a implantação de AI, quase o dobro do ano anterior, e apenas 12% relatam implementação em larga escala. Pesquisa separada da Deloitte sobre 2024 mais de 100 CPOs fez uma pergunta diferente a uma população diferente — intenção, não escala: 92% estavam planejando e avaliando as capacidades generativas de AI.

Como as organizações adotam é tão importante quanto se adotam: no estudo da Hackett, 69% acessam AI por meio de recursos incorporados em suas plataformas de compras existentes, concentrado em gestão de contratos, inteligência de mercado e análise de gastosA primeira decisão AI geralmente é uma avaliação do que sua pilha existente já oferece.

Quais etapas de sourcing o AI realmente assumiu?

Os casos de uso que realmente se espalharam se agrupam no meio do ciclo de sourcing, que é rico em informações. A análise do ciclo de hype do 2025 da Gartner nomeia o padrão comum: automação de texto para processo e fluxo de trabalho, suportando tarefas como automação de gerenciamento de contratos, escopo de projetos, recomendações de fornecedores e geração automática de documentos de "Solicitação de Proposta" (RFx).

Observe o que isso é e o que não é evidência: mostra onde as organizações implementam, não quanto tempo ou custo elas recuperam. A descoberta de fornecedores segue o mesmo padrão — ampliando o funil além dos fornecedores existentes, um passo que nosso guia para o processo de descoberta de fornecedores aborda em detalhes.

Observe o que está ausente dessa lista: nada nela decide. Elaborar um RFx não é concedê-lo; recomendar um fornecedor não é aceitar o risco de um. O que está sendo automatizado é a preparação, não o julgamento.

O que o AI muda nas operações de source-to-pay?

A jusante do sourcing, o caso mais estudado é a classificação de gastos — decidir o que uma empresa realmente comprou, linha por linha, contra uma taxonomia como UNSPSC ou sua própria árvore de categorias, como base para análise de gastos e estratégia de categoria. A pesquisa de caso do Journal of Purchasing and Supply Management propõe modelos de inteligência híbrida que combinam capacidades humanas e de AI, aproveitando a experiência humana para validar saídas de AI. A forma generaliza-se para a correspondência de faturas e análise de contratos: o modelo propõe em escala; uma pessoa descarta as exceções.

O investimento segue a mesma lógica. Na pesquisa da Deloitte, quase 11% das organizações já estavam gastando mais de $1 milhão de seus orçamentos anuais em recursos de AI generativa para sourcing e procurement em 2024 — dinheiro de verdade, embora este registro não mostre a que se destinava esse orçamento.

Quais decisões de compras permanecem humanas?

Para os sistemas que a UE classifica como de alto risco, este limite não é mais apenas uma boa prática — é um estatuto. O Artigo 14 da Lei AI exige que esses sistemas podem ser efetivamente supervisionados por pessoas naturais durante o período em que estão em uso, incluindo a autoridade decidir, em qualquer situação particular, não usar o sistema AI de alto risco.

A maioria das ferramentas de procurement está fora dessa classificação. A direção do raciocínio regulatório é inequívoca, de qualquer forma: o humano é o operador responsável, não um substituto.

A orientação de compra do governo traça um paralelo do lado da aquisição: o memorando de aquisição 2025 do OMB dos EUA (M-25-22) afirma que as agências devem garantir que os sistemas AI que adquirem sejam adequados para o propósito e entreguem resultados consistentes que preservem a confiança pública. Nenhum dos documentos legisla quem assina um pedido de compra — mas, lidos em conjunto, eles correspondem à forma como a responsabilidade de compras já funciona: a adjudicação, a postura de negociação e a aceitação de riscos ficam com a pessoa responsável.

Onde o AI em compras não entregou o esperado?

Honestamente: em muitos lugares, e o registro do analista diz isso. O lançamento de julho de 2025 da Gartner é intitulado Gartner Diz que a AI Generativa para Compras Entrou no Vale da Desilusão — muitas organizações estão experimentando ROI desigual ou ficando aquém das expectativas. O mecanismo importa mais do que o rótulo: dados fragmentados e de baixa qualidade em todos os sistemas de procurement podem dificultar resultados precisos, e a integração de soluções GenAI autônomas é frequentemente complexa.

Lida do lado da adoção, a explicação mais provável não é uma lacuna tecnológica, mas sim uma lacuna na base de dados. Um modelo que lê dados de gastos fragmentados produz respostas erradas e confiantes mais rapidamente do que a planilha – o que é uma inferência do mecanismo que a Gartner nomeia, não um achado medido.

Uma sequência de adoção que respeita o limite

1. Corrija os dados antes do modelo. Os modos de falha documentados ocorrem por meio de dados de compras fragmentados; a classificação de gastos e a limpeza do cadastro de fornecedores são tarefas pouco glamorosas, mensuráveis e pré-requisitos.
2. Automatize o trabalho de documentos primeiro — mas não uniformemente. A elaboração e o resumo são baratos para errar enquanto o artefato ainda é interno; esse é o verdadeiro ponto de controle, porque uma vez que uma solicitação é emitida, a correção significa uma emenda formal a todos os licitantes e critérios alterados criam exposição a tratamento igualitário. A normalização de lances não pertence a este nível: nivelar lances para uma base comum constrói a comparação em que o prêmio se baseia, então ela precisa de rastreabilidade em nível de linha para cada lance enviado e uma verificação de segunda pessoa das suposições. Automatize a sequência pelo custo de uma saída errada, não por se um humano está nominalmente no circuito.
3. Instrumente o limite. Para cada etapa assistida por AI, nomeie a pessoa responsável e o que ela verifica antes que a saída se torne ação.
4. Compre AI como a área de compras compra qualquer outra coisa. Evidências adequadas ao propósito, resultados medidos, termos de saída — o padrão agora imposto às agências dos EUA é um bom padrão privado.
5. Escale por evidências, não por roteiro. Estenda os pilotos apenas onde seus próprios dados medidos de tempo de ciclo ou precisão o suportem.

Como os agentes de AI mudam o trabalho de compras?