IA en finanzas: qué automatizar de verdad en administración antes de soñar con el CFO robot

Casi todas las conversaciones sobre IA en finanzas empiezan por el sitio equivocado: modelos que predicen el negocio, cuadros de mando que hablan solos, un director financiero asistido por un copiloto que lo sabe todo. Y mientras tanto, alguien del equipo lleva tres días cuadrando extractos bancarios contra facturas en un Excel de 4.000 líneas. El valor real está ahí abajo, en el trabajo repetitivo que nadie presume en LinkedIn, y ahí es donde la tecnología ya funciona con garantías razonables.

Este artículo es lo que le contamos a un director financiero cuando nos pregunta por dónde empezar. Ordenado por lo que menos riesgo tiene y más horas devuelve, con las trampas incluidas.

¿Qué hace realmente la IA en finanzas hoy?

Conviene separar tres familias de tecnología que la gente mete en el mismo saco, porque tienen madurez, coste y riesgo muy distintos:

• Extracción y clasificación. Leer un documento (factura, extracto, contrato) y sacar campos estructurados. Es lo más maduro que hay. Un modelo lee una factura escaneada mejor que las reglas de posición que se usaban hace diez años, y aguanta que el proveedor cambie el formato.
• Predicción sobre datos históricos. Cobros, morosidad, consumo de tesorería, demanda. Requiere histórico limpio, y devuelve rangos con incertidumbre, no verdades. Lo tratamos en detalle en análisis predictivo.
• Lenguaje aplicado al dato. Resumir una desviación, redactar el comentario del cierre, contestar «¿cuánto llevamos gastado en logística este trimestre?». Útil como capa de consulta encima de datos que ya son fiables. Peligroso como fuente de verdad.

La regla que usamos: empieza por donde el resultado se puede verificar en segundos. Una factura extraída se comprueba mirándola. Una previsión de tesorería a seis meses no se comprueba hasta dentro de seis meses. Ese detalle ordena el plan de implantación entero.

En finanzas no premian la innovación: premian que el número cuadre. Cualquier automatización que no se pueda auditar hacia atrás sobra, por buena que sea su tasa de acierto.

¿Por dónde se empieza: conciliación bancaria y facturas?

Sí, y no es casualidad que sea lo menos glamuroso. La conciliación y la captura de documentos comparten tres propiedades ideales: alto volumen, criterio repetitivo y verificación inmediata.

Captura de facturas de proveedor. El flujo típico: llega el PDF al correo, alguien lo abre, teclea proveedor, base imponible, IVA, cuenta contable y centro de coste. Con extracción automática, el sistema propone todos esos campos y la persona valida. El cambio de rol es el punto clave: se pasa de teclear a revisar excepciones. Lo que hay que medir no es «cuántas facturas procesa», sino qué porcentaje pasa sin tocar nada y cuántos errores se cuelan en las que sí pasaron.

Conciliación bancaria. Aquí el criterio no es leer, es emparejar: este apunte de 1.240,50 € del día 3 corresponde a esta factura, o a estas tres agrupadas, o a una factura menos un descuento por pronto pago. Las reglas clásicas resuelven los casos limpios; el modelo se gana el sueldo en los sucios: importes agrupados, referencias mal puestas, pagos parciales, remesas.

Gestión de gasto y tarjetas. Clasificación automática de tickets por categoría y centro de coste, detección de duplicados y de importes fuera de política. Es el caso con menos resistencia interna, porque el equipo que lo sufre es el que lo pide.

Tres cosas que fallan siempre si nadie las decide antes:

• El umbral de confianza. Por debajo de cierto nivel, a revisión humana. Si lo pones muy alto no ahorras nada; muy bajo y metes basura en el ERP. Se calibra con datos reales, no con la demo del proveedor.
• Los casos raros de tu empresa. Facturas en varias divisas, autofacturación, proveedores con retención, abonos parciales. Pide siempre una prueba con tus documentos difíciles, no con los que el proveedor trae de muestra.
• La vuelta atrás. Si el sistema propuso mal y se contabilizó, ¿cómo se corrige y queda registrado quién lo aprobó? Sin eso, no pasas una auditoría.

¿Se puede acelerar el cierre contable con IA?

Se puede, pero casi nunca por donde la gente mira. El cierre no se alarga porque las personas escriban despacio: se alarga por esperas, por datos que llegan tarde y por la caza de descuadres. La IA ayuda en dos puntos concretos de esa cadena:

• Detección de anomalías antes del cierre. Un modelo que aprende el patrón normal de cada cuenta y avisa de lo raro durante el mes: un asiento con signo invertido, un gasto duplicado, una cuenta que se mueve un 400 % sin motivo. Cambiar la caza de errores del día 5 del mes siguiente al día en que ocurren es donde de verdad se acorta el calendario.
• Redacción del comentario de gestión. El análisis de desviaciones lo hace la persona; el borrador estructurado y las cifras contrastadas las prepara el sistema. Ahorra tarde de viernes, no sustituye criterio.

Lo que no recomendamos automatizar en el cierre: la decisión de provisiones, las estimaciones que dependen de información no registrada y cualquier asiento con impacto fiscal relevante que no tenga aprobación explícita. No por miedo: porque el ahorro es pequeño y el coste de un error es grande. Esa asimetría manda.

Si tu contabilidad la lleva fuera una asesoría, la conversación cambia de sitio pero no de fondo; lo desarrollamos en IA para asesorías.

¿Cómo se hace una previsión de tesorería que alguien use?

Este es el caso con más demanda y más decepciones. La previsión de tesorería falla casi siempre por lo mismo: se construye un modelo elegante sobre datos que no reflejan cómo cobra la empresa de verdad.

Lo que funciona es más aburrido y más útil: un modelo de fecha probable de cobro por factura, no un agregado mensual. Cada cliente tiene su comportamiento —el que paga a 30 días clavados, el que paga a 75 aunque firmara 60, el que retiene el 10 % hasta cerrar el proyecto—, y ese patrón está en tu histórico de cobros. Con eso construyes una curva de entradas con rango, no una cifra única.

Requisitos mínimos para que salga algo defendible:

• 24 meses de histórico de facturas emitidas con su fecha de cobro real (no la de vencimiento: la real).
• Compromisos de salida conocidos: nóminas, alquileres, impuestos, cuotas de préstamo, recurrentes.
• La cartera de pedidos o los contratos firmados, para lo que aún no está facturado.
• Un dueño, que suele ser el controller, con autoridad para ajustar a mano lo que sabe y el modelo no.

Ese último punto es el que separa un cuadro bonito de una herramienta viva. Y el listón para juzgarla no es la precisión teórica: es si el comité usa el número para decidir. Si a las tres semanas nadie lo abre, no ha fallado el modelo, ha fallado el encaje con la operativa. Es el patrón que analizamos en por qué fracasan los pilotos de IA.

¿Qué datos hacen falta antes de automatizar nada?

Casi todo el trabajo de un proyecto de IA en finanzas es anterior al modelo. Esta es la lista de verificación que pasamos antes de prometer nada:

| Caso de uso | Dato imprescindible | Señal de que no estás listo | |---|---|---| | Captura de facturas | Documentos originales accesibles y maestro de proveedores único | Facturas en tres buzones y un proveedor dado de alta cuatro veces | | Conciliación bancaria | Extractos normalizados con concepto y referencia; histórico de emparejamientos | Se descargan a mano en PDF cada semana | | Detección de anomalías | 24 meses de asientos con plan contable estable | Se cambió el plan de cuentas hace seis meses y no hay mapeo | | Previsión de cobros | Fecha de cobro real por factura, no solo vencimiento | Solo consta «pagado/no pagado» | | Análisis de gasto | Centro de coste obligatorio y categorías consistentes | El 30 % del gasto cae en «varios» | | Consulta en lenguaje natural | Un origen de verdad único y documentado | Tres informes distintos dan tres ventas distintas |

Si tu tabla se llena de señales de la derecha, el proyecto no es de IA todavía: es de orden. Duele decirlo y ahorra dinero. La forma corta de arreglarlo está en estrategia de datos y el reparto de responsabilidades, en gobierno del dato.

¿Qué controles y riesgos no puedes saltarte?

Finanzas es el departamento donde peor sienta la improvisación, y con razón. Los controles mínimos que exigimos en cualquier implantación:

• Trazabilidad completa. Cada propuesta automática guarda de dónde salió, con qué confianza y quién la aprobó. Si el auditor pregunta por un asiento de hace ocho meses, tiene que haber respuesta en un clic.
• Segregación de funciones. El sistema propone; una persona con permiso distinto aprueba. Especialmente en pagos: no se automatiza la orden de pago, se automatiza su preparación.
• Límites duros por importe. Por encima de un umbral, revisión humana obligatoria pase lo que pase.
• Datos fuera de casa. Antes de mandar facturas o extractos a un servicio externo, mira qué guarda, cuánto tiempo y si reutiliza tu información. Hay datos personales de por medio (proveedores autónomos, nóminas) y aplica el marco que contamos en consultoría RGPD e IA.
• Plan de degradación. Si el servicio cae en pleno cierre, ¿cómo se sigue? Un proceso automatizado sin modo manual documentado es un riesgo operativo, no una mejora.

Y un aviso sobre el fraude: la misma tecnología que te ayuda ayuda al que intenta colarte una factura falsa con el IBAN cambiado. El control de cambio de cuenta bancaria de un proveedor debe seguir siendo humano y con verificación por un canal distinto al correo. Sin excepciones.

¿Cómo se mide el retorno sin engañarse?

El error clásico es contar horas ahorradas en una hoja y darlo por bueno. Un marco más honesto mide cuatro cosas por caso de uso:

| Métrica | Qué responde | Cómo se mide | |---|---|---| | Tasa de paso automático | ¿Cuánto pasa sin tocar nada? | % de documentos u operaciones sin intervención | | Tasa de error escapado | ¿Qué se cuela mal? | Muestreo mensual sobre lo aprobado automáticamente | | Tiempo de ciclo | ¿Va más rápido el proceso? | Días de cierre, días de factura a contabilización | | Coste total | ¿Sale a cuenta? | Licencias + integración + mantenimiento + revisión humana |

Ese último bloque es el que se olvida en los cálculos de ROI de los proveedores: la revisión humana no desaparece, se reduce. Y el mantenimiento existe, porque los formatos cambian y los modelos se degradan.

Un orden razonable para los primeros doce meses, sin heroicidades: meses 1-2, ordenar datos y elegir el caso; meses 3-4, piloto en un subconjunto real con medición desde el día uno; meses 5-6, decisión de escalar o parar con números encima de la mesa; resto del año, un segundo caso apoyado en la misma infraestructura. Lo caro es el primero, y por eso conviene que el primero sea el aburrido. Cómo priorizar entre procesos lo desarrollamos en automatización de procesos con IA.

Preguntas frecuentes

¿La IA en finanzas sustituye al equipo de administración?

En la práctica cambia la mezcla de trabajo, no la plantilla. Desaparece el tecleo y crece la revisión de excepciones, el control y el análisis. Las empresas que hemos visto ordenar bien esto no despiden: dejan de contratar refuerzos para picos y liberan tiempo de gente sénior que estaba haciendo tareas de nivel administrativo.

¿Qué precisión es aceptable en la captura de facturas?

Depende del campo. En proveedor, fecha e importe total el listón es muy alto y cualquier duda debe ir a revisión; en cuenta contable o centro de coste se puede convivir con una propuesta que la persona corrige. Lo importante no es una cifra global de precisión, sino tener un umbral de confianza calibrado y medir cuántos errores llegan a contabilizarse.

¿Necesito cambiar de ERP para usar IA en finanzas?

Casi nunca. La mayoría de los casos útiles se montan alrededor del ERP leyendo y escribiendo por sus interfaces, no dentro de él. Cambiar de ERP para meter IA suele ser una decisión que ya estaba tomada por otros motivos; si te la venden como requisito, pide que te enseñen por qué no es posible integrarlo.

¿Y la previsión de tesorería, cuánto se equivoca?

Se equivoca, y ese es el punto: lo que se pide a una previsión de cobros es un rango con intervalo de confianza y una lista de las facturas que más lo mueven, no un número exacto. Si mejora la visibilidad a 8-13 semanas lo suficiente para anticipar una tensión de caja, ya está pagando su coste.

Si tienes un departamento financiero con más Excel del que te gustaría y quieres saber qué se puede automatizar de verdad en tu caso —y qué no, con motivo—, ese diagnóstico es exactamente lo que sale de la auditoría: casos ordenados por esfuerzo y retorno, con el estado real de tus datos como punto de partida. Si prefieres contrastarlo en media hora antes de mover nada, hablemos.