CAPACIDADES ORGANIZACIONAIS E ADOÇÃO DA INTELIGÊNCIA ARTIFICIAL EM ESCRITÓRIOS CONTÁBEIS

REGISTRO DOI: 10.70773/revistatopicos/794197428

RESUMO
Objetivo: analisar como fatores tecnológicos, organizacionais e ambientais configuram diferentes estágios de adoção percebida da inteligência artificial em escritórios contábeis. Método: estudo qualitativo de casos múltiplos com 12 escritórios de pequeno, médio e grande porte localizados em Rondonópolis, Mato Grosso. Os dados foram obtidos entre maio e setembro de 2025 mediante entrevistas semiestruturadas com proprietários ou gestores e examinados por análise temática, orientada pelo modelo Technology Organization Environment. Resultados: os casos revelam uma trajetória de maturidade que vai do uso restrito de sistemas básicos à experimentação de aplicações em auditoria, análise financeira e apoio decisório. O porte amplia o acesso a recursos, mas não determina isoladamente a adoção. Compatibilidade tecnológica, competências da equipe, apoio gerencial, confiança, governança e pressões competitivas condicionam a conversão de recursos em uso estratégico. Contribuições: o estudo propõe que a desigualdade de capacidades digitais, e não apenas a disponibilidade de tecnologia, explica a heterogeneidade da adoção. Também distingue automação, experimentação e uso estratégico, reduzindo a ambiguidade frequente em estudos sobre IA na contabilidade.
Palavras-chave: inteligência artificial; contabilidade; adoção tecnológica; modelo TOE; capacidades digitais.

ABSTRACT
Objective: To analyze how technological, organizational, and environmental factors shape different perceived stages of artificial intelligence adoption in accounting firms. Method: A qualitative multiple-case study of 12 small, medium-sized, and large accounting firms located in Rondonópolis, Mato Grosso, Brazil. Data were collected from May to September 2025 through semi-structured interviews with owners or managers and examined using thematic analysis guided by the Technology Organization Environment framework. Results: The cases reveal a maturity path ranging from restricted use of basic systems to experimentation with applications in auditing, financial analysis, and decision support. Firm size broadens access to resources but does not determine adoption in isolation. Technological compatibility, staff competencies, managerial support, trust, governance, and competitive pressures condition the conversion of resources into strategic use. Contributions: The study proposes that inequality in digital capabilities, rather than technology availability alone, explains adoption heterogeneity. It also distinguishes automation, experimentation, and strategic use, reducing the conceptual ambiguity common in studies of AI in accounting.
Keywords: artificial intelligence; accounting; technology adoption; TOE framework; digital capabilities.

1. INTRODUÇÃO

A inteligência artificial passou a integrar a agenda de transformação dos serviços profissionais. Na contabilidade, aplicações de automação, reconhecimento de padrões, classificação de documentos, análise de anomalias e apoio à decisão alteram a distribuição de tarefas e ampliam a expectativa de que o contador atue de forma analítica e consultiva. Esse movimento, contudo, não ocorre de maneira uniforme. A existência de soluções tecnológicas não assegura sua assimilação, porque a adoção depende de infraestrutura, competências, redesenho de processos, confiança, governança e condições ambientais.

A literatura contábil tem discutido os efeitos da automação e da inteligência artificial sobre auditoria, sistemas de informação e trabalho profissional (Sutton; Holt; Arnold, 2016; Kokina; Davenport, 2017; Moll; Yigitbasioglu, 2019). Estudos de adoção também mostram que o valor de tecnologias analíticas depende do ajuste entre tarefa e tecnologia e de condições organizacionais e ambientais (Goodhue; Thompson, 1995; Araújo; Behr; Schiavi, 2023). Permanece, entretanto, uma lacuna sobre como essas condições se combinam em pequenos e médios escritórios situados fora dos grandes centros, nos quais restrições de escala e qualificação convivem com pressão crescente por eficiência e serviços consultivos.

Outra dificuldade é conceitual. Profissionais e organizações frequentemente usam a expressão inteligência artificial para designar desde rotinas determinísticas de automação até sistemas que aprendem com dados. Essa ambiguidade pode superestimar a adoção. Neste artigo, as declarações dos participantes são tratadas como adoção percebida. O grau de maturidade é inferido pela finalidade, integração e profundidade do uso relatado, sem certificar tecnicamente que cada ferramenta seja baseada em IA. Essa distinção permite analisar o fenômeno sem transformar a percepção dos entrevistados em comprovação técnica.

A questão de pesquisa é: como fatores tecnológicos, organizacionais e ambientais configuram diferentes estágios de adoção percebida da inteligência artificial em escritórios contábeis? O objetivo consiste em analisar esses fatores em 12 escritórios de Rondonópolis, Mato Grosso, comparando casos de pequeno, médio e grande porte.

O estudo oferece três contribuições. Primeiro, aplica o modelo Technology Organization Environment, ou TOE, ao contexto de escritórios contábeis e organiza as evidências em dimensões comparáveis. Segundo, apresenta uma tipologia de maturidade que diferencia automação básica, experimentação analítica e uso estratégico. Terceiro, propõe que a heterogeneidade observada decorre de desigualdade de capacidades digitais: escritórios podem reconhecer benefícios semelhantes, mas diferem na capacidade de mobilizar pessoas, dados, sistemas e governança para realizá-los.

2. FUNDAMENTAÇÃO TEÓRICA OU REVISÃO DA LITERATURA

2.1. Inteligência Artificial e Transformação do Trabalho Contábil

A IA compreende métodos computacionais capazes de executar tarefas associadas à percepção, previsão, classificação, geração de conteúdo ou decisão. No ambiente contábil, seu potencial está relacionado ao grande volume de dados estruturados e transacionais. Aplicações possíveis abrangem codificação de lançamentos, conciliações, detecção de exceções, previsão financeira, revisão documental e suporte à auditoria. O impacto relevante não se limita à substituição de tarefas: tecnologias digitais podem reconfigurar responsabilidades, controles e relações entre profissionais e clientes (Sutton; Holt; Arnold, 2016; Moll; Yigitbasioglu, 2019).

Kokina e Davenport (2017) observam que a automação em auditoria tende a começar por tarefas estruturadas e repetitivas. Appelbaum et al. (2017) argumentam que análises avançadas podem ampliar a abrangência e a tempestividade dos procedimentos, embora requeiram qualidade de dados e julgamento profissional. Assim, adoção e geração de valor são fenômenos distintos. Uma ferramenta pode ser adquirida e permanecer periférica, ou pode ser incorporada aos fluxos de trabalho e alterar a proposta de valor do escritório.

2.2. Adoção Tecnológica Pelo Modelo TOE

O modelo TOE explica a adoção organizacional a partir de três contextos: tecnológico, organizacional e ambiental (Tornatzky; Fleischer; Chakrabarti, 1990). O contexto tecnológico inclui as soluções disponíveis e características como vantagem relativa, compatibilidade, complexidade e segurança. O contexto organizacional abrange recursos, estrutura, competências, apoio da liderança e prontidão para mudança. O contexto ambiental incorpora concorrência, clientes, fornecedores, regulação e infraestrutura externa.

A unidade de análise do TOE é a organização, o que o torna adequado ao exame de escritórios de contabilidade. Modelos centrados na intenção individual, embora úteis, não capturam integralmente decisões sobre investimentos, integração de sistemas e desenho de controles. O TOE também permite compreender por que organizações expostas à mesma tecnologia respondem de maneiras diferentes: os fatores operam de forma combinada, e não como uma lista independente de facilitadores e barreiras.

No contexto contábil, Araújo, Behr e Schiavi (2023) integraram TOE e ajuste tarefa tecnologia para examinar iniciativas de business analytics. Os autores mostram que finalidades, profundidade e efeitos variam entre áreas e dependem de fatores tecnológicos, organizacionais e ambientais. O presente estudo avança ao focalizar escritórios de diferentes portes em uma economia regional e ao examinar especificamente a fronteira, percebida pelos participantes, entre automação e IA.

2.3. Capacidades Digitais e Maturidade de Adoção

A adoção pode ser concebida como processo, e não como decisão binária. Cooper e Zmud (1990) descrevem etapas que vão da iniciação à incorporação rotineira. Rogers (2003) destaca que compatibilidade, complexidade e observabilidade afetam a difusão. Em escritórios contábeis, a maturidade depende de transformar recursos tecnológicos em rotinas organizacionais: dados acessíveis, profissionais capacitados, responsabilidades definidas, monitoramento e revisão humana. Com base nesses argumentos, o artigo adota três estágios analíticos. No estágio de automação básica, predominam softwares tradicionais, planilhas e rotinas padronizadas, sem integração relevante de aplicações inteligentes. Na experimentação analítica, há testes pontuais de automação avançada, relatórios preditivos ou análise de dados. No uso estratégico, aplicações são vinculadas a auditoria, análise financeira, consultoria ou decisão, com maior integração e atenção a governança. Os estágios não representam certificação técnica nem sequência inevitável; servem para comparar profundidade e finalidade do uso relatado.

Quadro 1. Estrutura analítica do estudo

Fonte: dados da pesquisa (2025).

3. METODOLOGIA

3.1. Desenho da Pesquisa

Foi realizado estudo qualitativo, exploratório e descritivo de casos múltiplos. O desenho é adequado porque o objetivo não é estimar prevalência populacional nem testar relações causais, mas compreender configurações de adoção em seu contexto organizacional. A comparação entre casos permite identificar padrões recorrentes e contrastes associados às capacidades dos escritórios (Yin, 2018).

3.2. Seleção dos Casos e Participantes

A pesquisa abrangeu 12 escritórios de contabilidade de Rondonópolis, Mato Grosso, selecionados por acessibilidade e diversidade de porte, serviços e experiência tecnológica. Foram incluídos quatro escritórios pequenos, quatro médios e quatro grandes. Os participantes eram proprietários, gerentes ou diretores com conhecimento das rotinas e das decisões tecnológicas. Por confidencialidade, os casos foram codificados de E1 a E12.

Tabela 1. Caracterização dos casos

Fonte: dados da pesquisa (2025).

3.3. Coleta e Análise dos Dados

Os dados foram coletados entre maio e setembro de 2025 por entrevistas semiestruturadas, presenciais ou por videoconferência, com duração informada de 30 a 60 minutos. O roteiro tratou de conhecimento e familiaridade, usos atuais, barreiras, oportunidades, iniciativas e recomendações. A documentação original registra consentimento dos participantes, gravação e transcrição das entrevistas.

A análise seguiu procedimento temático orientado pela teoria. Inicialmente, as transcrições foram lidas para identificação de unidades de significado. Em seguida, os trechos foram agrupados nas categorias tecnológicas, organizacionais e ambientais do TOE. Uma segunda codificação classificou finalidade e profundidade do uso. Por fim, realizou-se síntese dentro de cada caso e comparação entre portes. A análise preservou evidências divergentes e distinguiu descrição dos participantes de interpretação dos pesquisadores (Bardin, 2016).

Quadro 2. Protocolo de análise

Fonte: dados da pesquisa (2025).

3.4. Critérios de Rigor e Limitações do Desenho

A credibilidade foi buscada por padronização do roteiro, registro e transcrição, descrição da cadeia analítica e comparação sistemática entre casos. O uso de uma estrutura teórica explícita reduz interpretações ad hoc. Ainda assim, a amostragem por acessibilidade, a concentração em uma cidade e a dependência de relatos gerenciais limitam a transferência dos resultados. Não houve auditoria técnica das ferramentas; por isso, as expressões adoção e uso de IA referem-se às percepções e práticas narradas pelos participantes.

4. RESULTADOS E DISCUSSÕES

4.1. Maturidade Percebida e Porte

Os casos apresentam uma gradação clara. E1 a E4 relatam conhecimento baixo e uso limitado a planilhas e softwares contábeis básicos. E5 a E8 descrevem automação parcial, análise de dados e explorações pontuais de funcionalidades inteligentes. E9 a E12 relatam aplicações associadas a auditoria, análise financeira e processos estratégicos. A gradação acompanha o porte, mas o material não permite concluir causalidade. O porte funciona como indicador de recursos disponíveis, enquanto a conversão desses recursos em adoção depende de competências, integração e apoio decisório.

Tabela 2. Maturidade percebida nos casos

Fonte: dados da pesquisa (2025).

O qualificativo emergente é importante. Mesmo nos escritórios grandes, a documentação aponta implementação inicial e interesse em expansão, não assimilação plena. Logo, o resultado não sustenta afirmar que esses casos tenham uma arquitetura consolidada de IA. Sustenta, porém, que apresentam maior profundidade e orientação estratégica do que os demais.

4.2. Contexto Tecnológico

Nos pequenos escritórios, a complexidade percebida e a falta de conhecimento reduzem a experimentação. A infraestrutura é descrita como básica, e a adoção é associada ao custo de software. Nos médios, a barreira central desloca-se para integração: existem ferramentas digitais e automação, mas os sistemas não necessariamente formam um fluxo único de dados. Nos grandes, a questão tecnológica passa a incluir confiabilidade, segurança e adequação de sistemas inteligentes a atividades de maior risco, como auditoria e consultoria.

Essa mudança de barreiras ao longo da maturidade sugere que o problema não desaparece com recursos adicionais; ele muda de natureza. A restrição inicial é acesso. Na etapa intermediária, é interoperabilidade. Na etapa mais avançada, é governança e confiabilidade. Essa sequência constitui um dos principais achados do estudo.

4.3. Contexto Organizacional

O contexto organizacional diferencia de modo mais evidente os casos. Escritórios pequenos operam com equipes enxutas e menor disponibilidade para treinamento, o que aumenta o custo de oportunidade da aprendizagem. Nos médios, há interesse em capacitação, mas incerteza sobre retorno e necessidade de reorganização de processos. Nos grandes, recursos e especialização permitem projetos piloto; entretanto, confiança nas decisões automatizadas, adaptação de equipes tradicionais e definição de responsabilidades permanecem relevantes.

Os casos indicam que capacitação não é apenas domínio de uma ferramenta. Ela envolve capacidade de formular problemas, avaliar resultados, reconhecer limitações e manter revisão profissional. A liderança também importa porque a experimentação exige tolerância a aprendizagem, orçamento e definição de usos prioritários. Dessa forma, recursos financeiros são necessários, mas insuficientes.

4.4. Contexto Ambiental

As evidências ambientais são menos detalhadas que as dimensões tecnológica e organizacional. Ainda assim, o perfil da clientela e a competição aparecem indiretamente. Escritórios que atendem clientes maiores oferecem auditoria, consultoria e planejamento, atividades nas quais análise de dados e detecção de inconsistências podem gerar diferenciação. Pequenos escritórios, voltados a clientes locais e obrigações rotineiras, percebem ganhos sobretudo na redução de retrabalho e na liberação de tempo.

Questões regulatórias, éticas e de compliance emergem principalmente nos casos grandes. Isso não significa ausência de riscos nos demais, mas diferente saliência: quanto maior a integração da tecnologia a decisões e serviços especializados, maior a percepção sobre responsabilização, confidencialidade e validação.

4.5. Barreiras, Oportunidades e Iniciativas

Tabela 3. Configurações de adoção por porte

Fonte: dados da pesquisa (2025).

Há convergência na percepção de benefícios: redução de erros e retrabalho, melhor uso do tempo, análises preditivas, competitividade e maior valor agregado. A diferença está na capacidade de transformar percepção em iniciativa. Pequenos casos permanecem na avaliação e capacitação; médios iniciam testes; grandes relatam implementação inicial. Portanto, intenção favorável não equivale a adoção.

4.6. Discussão

4.6.1. Da Disponibilidade Tecnológica à Capacidade de Assimilação

Os resultados corroboram o argumento central do TOE: a adoção é produzida pela interação de condições tecnológicas, organizacionais e ambientais. A associação aparente entre porte e maturidade não deve ser interpretada como efeito mecânico. O porte amplia recursos, especialização e exposição a demandas complexas, mas os casos mostram que integração, competências, confiança e governança condicionam a assimilação.

Propõe-se, assim, o conceito de desigualdade de capacidades digitais contábeis: diferenças sistemáticas na aptidão dos escritórios para combinar dados, sistemas, pessoas e controles e converter tecnologia em melhoria operacional ou serviço estratégico. A desigualdade não se resume a possuir software. Ela envolve aprender, integrar, supervisionar e redesenhar rotinas. Essa formulação ajuda a explicar por que organizações que percebem benefícios semelhantes permanecem em estágios distintos.

4.6.2. Escada Móvel de Barreiras

O estudo identifica uma escada móvel de barreiras. Na automação básica, predominam acesso financeiro e alfabetização tecnológica. Na experimentação analítica, tornam-se centrais interoperabilidade, treinamento e comprovação de retorno. No uso estratégico emergente, sobressaem qualidade dos dados, confiança, ética, responsabilização e compliance. Barreiras, portanto, não são eliminadas; elas se sofisticam conforme a adoção avança.

Esse achado complementa estudos que listam antecedentes da adoção, pois adiciona uma perspectiva processual. Políticas uniformes tendem a ser pouco eficazes. Subsídio à aquisição pode ajudar casos iniciais, mas não resolve integração nos casos intermediários nem governança nos avançados. A intervenção deve corresponder ao estágio e à configuração organizacional.

4.6.3. Automação, IA Percebida e Valor Estratégico

Os resultados também recomendam cautela na mensuração de adoção. Planilhas, regras automáticas e módulos convencionais podem ser chamados de IA pelos usuários, embora não utilizem aprendizado de máquina ou outros métodos inteligentes. Em vez de excluir essas percepções, o estudo as utiliza para revelar como o conceito circula na prática, mas separa rótulo tecnológico de profundidade organizacional.

O valor estratégico surge quando a tecnologia é vinculada a tarefas que exigem análise, julgamento e interação com clientes. A automação de lançamentos e conciliações pode gerar eficiência, mas somente a reorganização do trabalho libera tempo e cria capacidade consultiva. Essa interpretação converge com a literatura que situa o impacto da tecnologia na complementaridade entre automação e julgamento profissional, e não na simples substituição do contador.

4.6.4. Modelo Interpretativo

Quadro 3. Modelo interpretativo de maturidade

Fonte: dados da pesquisa (2025).

O modelo sintetiza a proposição de que cada estágio exige capacidade central distinta. A passagem entre estágios depende de resolver o gargalo predominante sem abandonar os controles anteriores. Escritórios que avançam para usos estratégicos continuam necessitando de infraestrutura e capacitação, mas adicionam governança, validação e responsabilização.

4.7. Implicações

4.7.1. Contribuições Teóricas

O artigo contribui para a pesquisa contábil ao deslocar o foco da intenção favorável para a capacidade de assimilação. A tipologia proposta diferencia três profundidades de uso e oferece categorias para estudos comparativos. A escada móvel de barreiras mostra que antecedentes da adoção variam com a maturidade, sugerindo que modelos futuros devem incorporar interações e sequências, em vez de pressupor efeitos constantes.

A segunda contribuição é conceitual. Ao tratar adoção percebida separadamente da certificação técnica, o estudo reduz o risco de atribuir a sistemas convencionais capacidades que não possuem. Pesquisas futuras podem combinar entrevistas com inventários técnicos, observação de processos e indicadores de uso para mensuração mais precisa.

4.7.2. Implicações para Escritórios e Entidades Profissionais

Para pequenos escritórios, a prioridade é selecionar processos de baixo risco e alto volume, desenvolver alfabetização em dados e avaliar custos totais. Para médios, recomenda-se integrar bases, definir responsáveis e mensurar tempo, erros e retrabalho antes e depois dos pilotos. Para grandes, a agenda deve incluir governança de dados, validação, segurança, documentação, supervisão humana e regras para uso de ferramentas generativas.

Entidades profissionais e instituições de ensino podem estruturar trilhas diferenciadas por maturidade. Formação introdutória deve separar automação, análise de dados e IA. Programas intermediários devem tratar de integração e avaliação de retorno. Programas avançados precisam abordar explicabilidade, proteção de dados, ética e responsabilização profissional.

5. CONCLUSÃO/CONSIDERAÇÕES FINAIS

O estudo analisou como fatores tecnológicos, organizacionais e ambientais configuram a adoção percebida de IA em 12 escritórios contábeis de Rondonópolis, Mato Grosso. Os resultados revelam três estágios: automação básica nos pequenos escritórios, experimentação analítica nos médios e uso estratégico emergente nos grandes. Essa distribuição não autoriza concluir que o porte determine a adoção; indica que recursos associados ao porte favorecem a experimentação quando combinados a competências, integração, liderança e governança.

A principal conclusão é que a desigualdade de capacidades digitais explica melhor a heterogeneidade do que a disponibilidade isolada de ferramentas. Além disso, as barreiras mudam com a maturidade: acesso e conhecimento dão lugar a integração e retorno e, posteriormente, a confiança, governança e responsabilização. A agenda de adoção deve ser, portanto, contingente ao estágio organizacional.

As limitações incluem amostra intencional e local, dados autorrelatados, ausência de auditoria técnica das aplicações e impossibilidade de generalização estatística. Estudos futuros podem ampliar a amostra, comparar regiões, acompanhar os casos longitudinalmente, validar a tipologia por levantamento quantitativo e medir relações entre maturidade, qualidade, produtividade e desempenho.

REFERÊNCIAS BIBLIOGRÁFICAS

APPELBAUM, Deniz; KOGAN, Alexander; VASARHELYI, Miklos; YAN, Zhaokai. Impact of business analytics and enterprise systems on managerial accounting. International Journal of Accounting Information Systems, v. 25, p. 29–44, 2017. DOI: https://doi.org/10.1016/j.accinf.2017.03.003.

ARAÚJO, Leticia; BEHR, Ariel; SCHIAVI, Giovana Sordi. Adoção de business analytics na contabilidade. Revista Contabilidade & Finanças, São Paulo, v. 34, n. 93, e1771, 2023. DOI: https://doi.org/10.1590/1808-057x20231771.en.

BARDIN, Laurence. Análise de conteúdo. São Paulo: Edições 70, 2016.

COOPER, Randolph B.; ZMUD, Robert W. Information technology implementation research: a technological diffusion approach. Management Science, v. 36, n. 2, p. 123–139, 1990. DOI: https://doi.org/10.1287/mnsc.36.2.123.

GOODHUE, Dale L.; THOMPSON, Ronald L. Task-technology fit and individual performance. MIS Quarterly, v. 19, n. 2, p. 213–236, 1995. DOI: https://doi.org/10.2307/249689.

KOKINA, Julia; DAVENPORT, Thomas H. The emergence of artificial intelligence: how automation is changing auditing. Journal of Emerging Technologies in Accounting, v. 14, n. 1, p. 115–122, 2017. DOI: https://doi.org/10.2308/jeta-51730.

MOLL, Jodie; YIGITBASIOGLU, Ogan. The role of internet-related technologies in shaping the work of accountants: new directions for accounting research. The British Accounting Review, v. 51, n. 6, art. 100833, 2019. DOI: https://doi.org/10.1016/j.bar.2019.04.002.

ROGERS, Everett M. Diffusion of innovations. 5. ed. New York: Free Press, 2003.

SUTTON, Steve G.; HOLT, Matthew; ARNOLD, Vicky. The reports of my death are greatly exaggerated: artificial intelligence research in accounting. International Journal of Accounting Information Systems, v. 22, p. 60–73, 2016. DOI: https://doi.org/10.1016/j.accinf.2016.07.005.

TORNATZKY, Louis G.; FLEISCHER, Mitchell; CHAKRABARTI, Alok K. The processes of technological innovation. Lexington, MA: Lexington Books, 1990.

YIN, Robert K. Case study research and applications: design and methods. 6. ed. Thousand Oaks, CA: SAGE Publications, 2018.

¹ Doutor em Administração pela Universidade Nove de Julho (UNINOVE), Mestre em Controladoria e Contabilidade pela Universidade de São Paulo (USP). Professor da Universidade Federal de Rondonópolis (UFR). E-mail: [clique para visualizar o e-mail]acesse o artigo original para visualizar o e-mail.

² Mestrando em Propriedade Intelectual e Transferência de Tecnologia para a Inovação (PROFNIT) pela Universidade Federal de Rondonópolis (UFR). E-mail: [clique para visualizar o e-mail]acesse o artigo original para visualizar o e-mail.