Quem acompanha a preparação do varejo para o Split Payment vê o tema tratado, na maior parte dos casos, como uma questão de interpretação normativa. A regra é longa, a regulamentação ainda tem lacunas e a discussão pública tem sido conduzida por tributaristas. Mas há uma parte do trabalho que não depende de como a norma será lida: garantir a consistência dos dados que vão alimentar o cálculo.

Hoje, divergências de classificação, cadastros desatualizados e inconsistências entre sistemas aparecem no fechamento e são tratadas antes do recolhimento. O processo tolera imperfeição na origem porque existe um intervalo para corrigi-la, e boa parte das operações de varejo foi construída sobre essa tolerância — uma decisão razoável enquanto o modelo de apuração a permitia.

Com o Split Payment, que estará disponível de forma facultativa para operações entre empresas a partir de 2027, o tributo passa a ser segregado pelo prestador de serviço de pagamento na liquidação financeira da operação, e o cálculo ocorre no instante da transação, com os dados disponíveis naquele momento. O que estiver registrado no ato da venda determinará o valor segregado, e a sincronia entre os sistemas de estoque, vendas e motor de cálculo será o que impedirá o erro financeiro.

A automação no varejo já não é exceção. O relatório “State of AI 2026”, da McKinsey, mostra que empresas de bens de consumo e varejo estão concentrando o uso de agentes em marketing e vendas. A diferença, em relação ao cenário que se desenha para 2027, é que essas aplicações admitem correção antes que o dinheiro se mova.

O gargalo está no insumo

Motores de cálculo fiscal são tecnologia madura. A dificuldade está em garantir que as informações que os alimentam estejam corretas e disponíveis no momento em que o cálculo ocorre. Esse não é, todavia, um problema restrito ao varejo ou ao contexto fiscal. Em uma pesquisa da Gartner, 63% das organizações afirmaram não ter ou não saber se têm as práticas de gestão de dados adequadas para sustentar IA, e projeta-se que, até 2026, 60% dos projetos de IA que não estiverem apoiados em dados preparados para seu uso serão abandonados.

Um varejista de médio porte opera com dezenas de milhares de SKUs, cadastrados ao longo de anos, por equipes diferentes, com critérios que mudaram. Classificação fiscal, natureza da operação, regime do destinatário e regras específicas por produto vivem espalhados entre ERP, sistema de PDV, plataforma de e-commerce e bases de fornecedores. Essas fontes nem sempre concordam entre si, e a divergência costuma ser descoberta justamente na apuração.

Quando o cálculo se move para a transação, a reconciliação entre essas fontes precisa acontecer antes, de forma contínua, o que torna a modernização de ERPs e a integração a protocolos de pagamento programável uma condição de operação, não um diferencial competitivo.

A integração entre sistemas resolve parte do problema. O restante envolve definir o grau de autonomia das decisões que precisam acontecer antes da liquidação.

Agentes não são o mesmo que arquitetura agêntica

Verificar consistência de cadastro, cruzar informações entre bases e sinalizar exceções em volume transacional não se resolve com conferência manual. Mas há uma distinção que costuma se perder na discussão sobre automatizar esse trabalho.

Um agente de IA é uma entidade com função específica, capaz de interagir com sistemas e bases de conhecimento. Arquitetura agêntica é outra coisa: sistemas que planejam, decidem e executam de ponta a ponta, coordenando múltiplos agentes para alcançar um objetivo. A diferença não é apenas semântica, é o que define o nível de governança necessário.

Na pesquisa “State of AI trust in 2026: Shifting to the agentic era”, da McKinsey, quase dois terços dos respondentes apontaram segurança e risco como o principal obstáculo para escalar IA agêntica, à frente da incerteza regulatória e de limitações técnicas. Apenas cerca de 30%afirmaram que já atingiram níveis mais altos de maturidade em estratégia, governança e controles desses sistemas.

Um agente que sugere uma classificação e aguarda validação humana opera sob um regime de risco. Uma arquitetura que classifica, valida contra outras bases e libera a transação opera sob outro. O que separa os dois é a estrutura de controle, não o modelo.

Isso exige definir quais decisões o sistema toma sozinho e quais escalam para revisão, estabelecer limiares de confiança abaixo dos quais a operação para em vez de seguir, e manter o humano no ciclo nos pontos de maior consequência. Exige também registro auditável de cada decisão automatizada, menos por compliance e mais por diagnóstico, pois, sem ele, rastrear a origem de um erro depois de ter sido propagado por milhares de transações se torna inviável.

Quando essas decisões estão distribuídas por iniciativas independentes, o problema se agrava. Áreas diferentes desenvolvem soluções próprias, com padrões distintos, e o resultado é fragmentação: cada iniciativa com seus critérios de validação e seus registros, num ambiente em que ninguém consegue responder pelo comportamento do conjunto. É o oposto do que uma operação com apuração na transação requer.

Sequência importa

A tentação, diante de um prazo, é começar pela ferramenta. Contratar a solução, integrar ao ERP, testar em ambiente controlado. O problema é que essa sequência automatiza sobre uma base que ainda não foi saneada. O sistema passa a executar com precisão um processo que carrega inconsistências acumuladas, e em volume.

A ordem que funciona é menos confortável. Começa por um objetivo mensurável e explicável em uma frase, porque ambiguidade na definição vira imprecisão na parametrização. Passa pelo redesenho dos fluxos, separando o que necessita de julgamento humano do que pode ser executado por sistemas. Requer profissionais capazes de transitar entre o contexto de negócio e a arquitetura técnica, para que a regra fiscal não se perca na tradução para código. E termina em uma base unificada de dados, modelos e agentes, operando de forma padronizada, monitorada e com observabilidade em todas as camadas.

O Split Payment não cria essa necessidade, apenas dá prazo a ela. Essa mesma base de dados já sustenta previsão de demanda e precificação, decisões em que o erro se dilui ao longo do ciclo e é corrigido na rodada seguinte. Quando o cálculo passa a ocorrer na liquidação,
não há rodada seguinte.

 

*********************************

Receba gratuitamente a newsletter do Mobile Time e fique bem informado sobre tecnologia móvel e negócios. Cadastre-se aqui!

Siga o canal do Mobile Time no WhatsApp!

As ilustrações das matérias são produzidas por Mobile Time com IA