¿Cómo están usando realmente la IA y la automatización los equipos financieros en 2025?

El hype alrededor de la Inteligencia Artificial en el mundo de las finanzas es fácil de encontrar. Por un lado, hay gente preocupada por agentes de software que reemplacen a los contadores. Por el otro, están quienes sueñan con un área financiera superpotente, capaz de predecir el futuro con una precisión sin precedentes. Pero lo que no resulta tan obvio es cómo las empresas están realmente usando IA en sus operaciones financieras en 2025 y 2026.

Más de tres años después de que ChatGPT catalizara una nueva ola de interés e inversión en Inteligencia Artificial, muchas compañías todavía están intentando entender cómo las iteraciones más recientes de esta tecnología pueden encajar en sus modelos de negocio. Y los números confirman esa desconexión entre entusiasmo y resultados concretos.

Un informe reciente de Gartner reveló que, aunque casi el 60% de los equipos financieros ya están pilotando o implementando proyectos de IA, apenas el 7% de los CFOs reportan un impacto fuerte y significativo de esa inversión. O sea, la mayoría está gastando tiempo y dinero, pero pocos están viendo un retorno real.

Se entiende la frustración, ¿verdad? 😅

Es exactamente ese escenario el que Mohit Sharma, ACMA, CGMA, resume de forma certera. Sharma lanzó recientemente dos startups de IA enfocadas en el sector financiero tras décadas de carrera en el área, y su valoración es directa: en este momento, la IA está pasando por una crisis de identidad.

Pero calma, porque la historia no termina ahí. Mientras el debate entre hype y realidad continúa, algunas empresas y profesionales ya están manos a la obra y encontrando formas prácticas, concretas y replicables de usar IA para resolver problemas reales en sus procesos financieros. 🙌

En este artículo vas a conocer tres casos reales que muestran cómo la automatización financiera está saliendo del papel, con ejemplos que van desde la predicción de morosidad hasta la consolidación de datos contables fragmentados y la automatización de procesos manuales a gran escala. Son historias de quienes probaron, se equivocaron, ajustaron y encontraron un camino que funciona.

Recibiendo pagos a tiempo con Inteligencia Artificial predictiva

Mohit Sharma cofundó Pinaka AI en 2023 para atacar una frustración que escuchó repetidamente de líderes financieros a lo largo de su carrera internacional. El problema era siempre el mismo, sin importar el país o el tamaño de la empresa.

Cerca del 60% de las facturas de clientes generadas en un entorno B2B no se pagan a tiempo.

Parece simple, pero un pago atrasado puede causar una cascada de consecuencias. El equipo de ventas puede necesitar renegociar un contrato. La empresa puede necesitar asumir deuda para cubrir la caja. Y así el ciclo se repite, convirtiéndose en lo que Sharma describe como un problema vicioso que consume recursos de varias áreas de la organización.

Pinaka AI, que emplea alrededor de una docena de personas, desarrolló un producto de software que hace algo que sería imposible a escala para un equipo humano: predecir qué clientes van a retrasar un pago y, más importante aún, identificar el motivo específico por el cual ese cliente probablemente va a incumplir el plazo.

El producto está siendo pilotado actualmente por dos grandes fabricantes en la India, y los resultados iniciales son impresionantes. Según Sharma, el algoritmo de la empresa logra hacer predicciones con un 96% de precisión.

Alojada en Oracle Cloud, la plataforma también utiliza IA generativa para recomendar acciones que el usuario puede tomar y es capaz de redactar y enviar correos electrónicos personalizados para ayudar a cobrar el pago antes del vencimiento.

En la práctica, el sistema da recomendaciones sobre qué hacer para resolver la situación hoy, semanas antes de la fecha de pago. Esto es posible porque la herramienta integra datos que normalmente están dispersos por diferentes sistemas de la empresa.

Sharma explica que el comportamiento de pago de un cliente está repartido entre diferentes plataformas. Y ese es justamente el trabajo de la IA: integrar todo y crear una versión única de la verdad.

Las predicciones de Pinaka AI se basan en datos provenientes de sistemas de CRM y ERP del cliente, además de fuentes externas como agencias de crédito y fuentes de noticias. La startup combina cuatro tipos diferentes de IA para alcanzar ese resultado: un motor de recomendación, inteligencia de decisión, un algoritmo de clasificación e IA generativa.

La empresa todavía está al inicio de su camino, habiendo completado recientemente un programa de aceleración y trabajando en sus pruebas con los grandes fabricantes. Pero Sharma hace un punto importante: esta es una tarea que la automatización tradicional podría haber intentado resolver años atrás, sin embargo el auge de las nuevas herramientas de IA hizo que el desarrollo del producto fuera mucho más rápido y económico.

Cuando estamos resolviendo problemas complejos, necesitamos sistemas inteligentes, resume él. 💡

Unificando registros contables desordenados

Janice Stucke, CPA y candidata al CGMA, asumió el año pasado el cargo de CFO de CREW Network, una asociación comercial que conecta a más de 14.000 mujeres en el mercado inmobiliario comercial alrededor del mundo.

Stucke heredó un departamento financiero que todavía emitía cheques en papel y necesitaba una reformulación completa. Era exactamente el tipo de desafío que le gustaba, ya que había implementado automatización de procesos robóticos (RPA) e IA generativa en sus empleos anteriores.

El primer paso, sin embargo, no era implementar ninguna herramienta sofisticada. Era enfrentar un problema de datos que parecía insuperable.

La organización tenía datos contables repartidos en alrededor de 50 entidades diferentes, cada una con su propio plan de cuentas. Algunas eran subsidiarias, otras eran entidades adyacentes, distribuidas por varios países y, por supuesto, en formatos variados. Esa fragmentación estaba retrasando el procesamiento de pagos y exigía codificación personalizada constantemente actualizada para mantenerse funcionando, una montaña de deuda técnica para una organización con apenas 35 empleados.

Con tantas entidades y cada una con su propio plan de cuentas, la organización podía generar más de 10.000 líneas de transacciones en el libro mayor por mes.

Stucke decidió crear un plan de cuentas consolidado para todas las entidades, permitiendo la automatización de los sistemas. Pero el proceso de migrar todo el historial de actividades a la nueva estructura para fines de comparación histórica fue, en sus propias palabras, un proyecto masivo.

El dividendo de tiempo que la IA proporcionó

Habría llevado semanas al equipo de Stucke, incluso con ayuda de consultores, transformar los datos de la estructura antigua del libro mayor a la nueva. La forma tradicional habría sido implementar macros de hojas de cálculo o configurar robots de RPA. Pero Stucke evaluó que ambas soluciones requerirían una personalización excesiva para las incontables variaciones en formato y definiciones de datos.

Tuvo una idea diferente: usar su cuenta empresarial de ChatGPT para transformar los planes de cuentas. Logró insertar los datos y pedirle a la IA que mapeara todo al nuevo formato unificado. Además de fusionar datos por período, la herramienta también podía resolver las variaciones en la forma en que cada entidad etiquetaba transacciones, usando IA generativa para interpretar las diversas maneras en que los planes podrían categorizar algo como ingresos por eventos.

Funcionó. Hasta cierto punto.

Stucke también enfrentó frustraciones comunes con la IA generativa. Después de ejecutar la transformación perfectamente en 10 planes de cuentas consecutivos, la herramienta podía implementar un método nuevo e no deseado en el siguiente. En la práctica, le costó convencer al software de cooperar el 100% de las veces.

También estaba la cuestión de las alucinaciones y errores, algo común en software de IA generativa. Stucke intentó hacer que ChatGPT incluyera fórmulas que mostraran y verificaran su trabajo, pero simplemente no funcionó correctamente.

¿La solución? Implementar sus propias fórmulas de verificación, exactamente como haría con productos humanos o de RPA, para cotejar el nuevo libro mayor unificado contra los datos antiguos.

Mi proceso de controles internos no cambió, explicó ella.

Incluso con las frustraciones, el enfoque con IA entregó resultados más rápidos y aun así confiables en cuestión de días, permitiéndole actualizar los sistemas y seguir avanzando con la automatización de la función financiera. Y todo esto ocurrió con un producto relativamente genérico, accesible y barato.

Stucke cree que esta nueva ola de productos de IA está empoderando a las pequeñas y medianas empresas para experimentar. Muchas organizaciones más pequeñas sienten que no tienen el talento necesario para implementar estos sistemas. Sin embargo, es posible tomar un producto genérico y automatizar con mucho menos esfuerzo que antes, siempre que haya la visión correcta detrás del proyecto.

Corrigiendo procesos manuales a escala continental

Los avances más valiosos en IA y automatización simplemente no ocurren sin una fuente de datos unificada y accesible. Ese ha sido un foco central del trabajo de Lawrence Amadi, ACMA, CGMA, socio y líder del negocio de riesgo tecnológico de KPMG Africa.

Entre los clientes de Amadi están algunas de las mayores operadoras de telecomunicaciones del continente africano, incluyendo una con más de 85 millones de suscriptores. Amadi venía trabajando con ellas para transformar sus sistemas de SIM (Subscriber Identity Module), que autentican y gestionan las identidades de los usuarios y sus dispositivos en la red.

La empresa dependía de procesos manuales para gestionar ese volumen gigantesco de datos. Aproximadamente una vez por semana, el equipo descargaba los datos y verificaba manualmente si había registros incompletos o anómalos.

Esas revisiones manuales aumentan el riesgo de que los datos no se exporten completamente o de que el equipo sufra la llamada fatiga de auditoría, como describe Amadi. Se vuelve muy estresante y desalentador, observó.

El objetivo de KPMG Africa fue automatizar la exportación, análisis y señalización de excepciones a partir de esos mismos datos. El proyecto llevó siete meses e involucró a personas de diferentes áreas de la organización.

Amadi enfatiza que el proyecto requirió profesionales con habilidades diversas. Se necesitaban personas que entendieran el producto, conocieran las reglas de negocio y comprendieran cómo se producían los datos. También eran fundamentales analistas de datos sólidos, capaces de darle sentido a los datos, desempaquetarlos, analizarlos y reorganizarlos.

El proyecto se construyó con Automation Anywhere, que se describe como un sistema de automatización de procesos agénticos que combina el poder de la IA, la automatización y el RPA.

El resultado fue un cambio completo en el flujo de trabajo. En lugar de las descargas manuales periódicas, ahora existe una exportación automática ejecutándose en el sistema, un análisis automático corriendo y excepciones siendo levantadas automáticamente.

Según Amadi, el nuevo sistema trajo reducción de errores, mayor eficiencia y mejor calidad en los informes presentados al consejo y al comité de auditoría y riesgo.

Y ahora que la empresa organizó y centralizó una fuente importante de datos, está lista para expandir la aplicación de automatización e IA a otras áreas del negocio. 🚀

Qué separa los proyectos de IA que funcionan de los que se quedan en el papel

Mirando estos tres casos, es fácil identificar un patrón que diferencia las iniciativas exitosas de la mayoría de los proyectos que se quedan atrapados en la fase de piloto. En todos los ejemplos, había un problema específico y bien delimitado siendo atacado, con métricas claras de éxito definidas antes de cualquier implementación.

Pinaka AI no intentó reinventar todo el ciclo financiero, se enfocó en la predicción de morosidad B2B. Janice Stucke no intentó automatizar la CREW Network entera de una vez, empezó por la unificación de los planes de cuentas. Lawrence Amadi y KPMG Africa no propusieron transformar toda la operación de la telecom, atacaron primero la gestión de los datos de SIM.

Este enfoque incremental es mucho más sostenible que intentar que todo funcione al mismo tiempo, y es lo que explica por qué estos proyectos llegaron a un impacto real mientras tantos otros siguen en la fase de piloto eterno.

Otro elemento común es la calidad de los datos como punto de partida innegociable. En los tres casos, hubo una inversión significativa en limpiar, estructurar y estandarizar los datos antes de poner cualquier modelo de IA a trabajar. Ese trabajo de base es tedioso, lento y poco glamuroso, pero es el que determina si el modelo va a funcionar o no. Las empresas que se saltan esta etapa terminan con modelos que generan resultados inconsistentes, lo que mina la confianza del equipo en la tecnología.

Por último, todos estos casos mantuvieron al ser humano en el centro del proceso, especialmente en las decisiones que involucran ambigüedad o alto impacto. La IA se usó para ampliar la capacidad del equipo, no para reemplazarlo. Y esa combinación, máquina haciendo lo que hace mejor y humano haciendo lo que hace mejor, es lo que está produciendo resultados reales.

Tres consejos de implementación de IA para profesionales de finanzas

Los tres profesionales entrevistados compartieron lecciones valiosas aprendidas en la práctica. Si estás pensando en lanzar tu propio proyecto de IA en el área financiera, vale la pena prestar atención a estos puntos.

Entiende los costos reales

Mohit Sharma aprendió muchas lecciones con su startup. Una de las más importantes es cuánto dinero cuesta operar la IA.

Un producto mal configurado puede consumir tokens, que funcionan como una medida práctica de poder computacional y costo, a una velocidad alarmante. Ejecutar un producto de IA también introduce nuevos riesgos que necesitan ser contabilizados: ¿cuánto va a costar si un producto de IA generativa comete un error o causa una controversia, tal vez usando un lenguaje inadecuado con un cliente?

Existen capas de costo, directas e indirectas. En el momento en que pierdes visibilidad, pierdes dinero.

Esos costos y riesgos necesitan ser ponderados contra una previsión realista de ingresos y eficiencias a obtener con el proyecto. No importa si es tecnología de OpenAI o de Google. El razonamiento tiene que ser financiero: ¿cuál es el retorno para mi negocio? ¿Cuándo la solución alcanza el punto de equilibrio?

Construye adhesión organizacional

Especialmente en grandes organizaciones, un proyecto de IA o automatización puede requerir la combinación de habilidades y datos de diferentes áreas de la empresa. Esto simplemente no ocurre a menos que las personas entiendan y acepten la misión, según Lawrence Amadi.

Necesitas la adhesión de todos. El porqué es crucial.

Ese porqué puede variar desde mejor cobertura de controles hasta mayor visibilidad del negocio. Independientemente de cuál sea, no habrá progreso si el propósito y los medios del proyecto no están claros para todos los involucrados.

Permite que otros aprendan contigo

Janice Stucke usó IA generativa para completar una transformación de datos intimidante en apenas unos días, ella sola.

Logré realizar en cuatro a cinco días lo que le habría tomado a un equipo entero de consultores y a mi equipo de dos a tres semanas.

Pero esa eficiencia tuvo un costo que no siempre es obvio: mi equipo entero no fue parte de ese camino, reconoció Stucke. En otras palabras, el equipo no tuvo la oportunidad de practicar el uso de IA ni de ver exactamente cómo y por qué la herramienta era tan eficaz.

El dominio de la IA va a seguir siendo una habilidad esencial para los equipos financieros, especialmente a medida que la automatización absorba más trabajo. Involucrar a todos ahora puede ayudar a preparar carreras para el futuro y a acelerar la transformación digital de la función financiera en su conjunto. ✅

El escenario que se dibuja para el futuro de las finanzas con IA

Los tres casos presentados en este artículo pintan un cuadro realista y al mismo tiempo esperanzador sobre el estado actual de la IA en las finanzas. La tecnología funciona, sí, pero no de forma mágica. Los resultados más expresivos vienen de equipos que hicieron el trabajo duro de preparar sus datos, definir problemas claros y mantener expectativas realistas sobre lo que la IA puede y no puede entregar por sí sola.

El dato de Gartner sobre el 7% de CFOs que reportan un impacto fuerte no debería leerse como una señal de fracaso de la tecnología. En realidad, es un reflejo de dónde se encuentra la mayoría de las empresas en la curva de madurez. A medida que más organizaciones sigan el ejemplo de los casos descritos aquí, enfocándose en problemas específicos, invirtiendo en la calidad de los datos y manteniendo al humano en el centro del proceso, ese porcentaje tenderá a crecer de forma significativa.

La IA en las finanzas no necesita ser una revolución instantánea. Los mejores resultados están llegando de quienes tratan este camino como una evolución continua, proyecto por proyecto, problema por problema, con cada victoria abriendo paso a la siguiente. Y eso es algo que cualquier equipo financiero, de cualquier tamaño, puede empezar a hacer ahora. 🎯