La distancia entre el hype y la realidad de la IA en las finanzas

Inteligencia artificial y automatización se convirtieron en las palabras de moda en el mundo de las finanzas, pero la distancia entre el discurso y la práctica sigue siendo enorme. Más de tres años después de que ChatGPT reavivara el interés global en IA, muchas empresas siguen descubriendo, en la práctica, dónde encaja realmente esta tecnología en el día a día financiero.

Un relevamiento reciente de Gartner mostró algo bastante revelador: casi 60% de los equipos de finanzas ya están probando o implementando proyectos de IA, pero apenas 7% de los CFOs reportan un impacto real y significativo en esas iniciativas. Es decir, la diferencia entre un proyecto piloto y un resultado concreto que mueva la aguja del negocio sigue siendo una brecha enorme para la mayoría de las organizaciones.

Como Mohit Sharma, cofundador de la startup Pinaka AI y profesional con décadas de experiencia en finanzas, lo planteó de forma directa: la IA está pasando por una crisis de identidad en este momento. Pero eso no significa que nada esté funcionando. Al contrario — existen casos reales, con personas reales, que muestran dónde la tecnología entrega valor de verdad. 🎯

Tres profesionales de finanzas de distintas partes del mundo compartieron cómo están usando IA y automatización en sus contextos, qué funcionó, qué no funcionó y qué lecciones quedaron en el camino.

Predecir quién va a retrasar el pago antes de que suceda

Mohit Sharma cofundó Pinaka AI en 2023 para resolver un dolor que escuchó repetidamente a lo largo de su carrera global en finanzas. El problema era simple de entender y extremadamente difícil de resolver: cerca de 60% de las facturas emitidas en entornos B2B no se pagan a tiempo.

Cuando un pago se atrasa, las consecuencias se multiplican rápidamente. El equipo comercial puede necesitar renegociar contratos. La empresa puede necesitar endeudarse para cubrir el hueco en el flujo de caja. Es un ciclo vicioso que consume tiempo, energía y dinero de varias áreas al mismo tiempo.

La solución de Pinaka AI, que hoy cuenta con alrededor de una docena de empleados, es un software que predice qué clientes van a retrasar el pago e identifica el motivo específico por el cual eso debería ocurrir. La plataforma está siendo probada en fase piloto por dos grandes fabricantes en India.

Según Sharma, el algoritmo de la empresa logra hacer predicciones con 96% de precisión. Alojada en Oracle Cloud, la plataforma también utiliza IA generativa para recomendar acciones al usuario y puede redactar y enviar correos electrónicos personalizados para ayudar a cobrar pagos antes del vencimiento.

El sistema funciona integrando datos dispersos en diferentes fuentes — como sistemas de CRM, ERP, agencias de crédito e incluso noticias — para crear lo que Sharma describe como una versión única de la verdad sobre el comportamiento de pago de cada cliente. Utiliza cuatro tipos de IA en conjunto: un mecanismo de recomendación, inteligencia de decisiones, un algoritmo de clasificación e IA generativa.

La startup todavía está en etapas iniciales, habiendo completado recientemente un programa de aceleración, pero Sharma destaca que la nueva generación de herramientas de IA hizo mucho más rápido y económico desarrollar este tipo de producto. En otros tiempos, la automatización tradicional podría haber abordado parte del problema, pero no con la misma velocidad ni con la capacidad de manejar la complejidad de los datos involucrados.

Cuando estamos resolviendo complejidad, necesitamos sistemas inteligentes, resumió Sharma.

Unificando planes de cuentas desordenados con ChatGPT

Janice Stucke, CPA y candidata a CGMA, asumió el año pasado el cargo de CFO de CREW Network, una asociación que conecta a más de 14 mil mujeres del mercado inmobiliario comercial en todo el mundo.

Al llegar, Stucke encontró un departamento financiero que todavía emitía cheques en papel y necesitaba una reformulación profunda. Era exactamente su área de especialidad — ya había implementado automatización de procesos robóticos (RPA) e IA generativa en empleos anteriores.

Pero antes de automatizar cualquier cosa, había un obstáculo gigantesco por delante. Los datos contables de la organización estaban dispersos en cerca de 50 entidades diferentes, cada una con su propio plan de cuentas. Había subsidiarias, entidades adyacentes, operaciones en varios países y formatos completamente distintos. Este escenario fragmentado generaba más de 10 mil líneas de transacciones en el libro mayor por mes y hacía que el procesamiento de pagos fuera extremadamente lento.

Mantener todo funcionando requería codificación personalizada constantemente actualizada — una deuda técnica enorme para una organización con apenas 35 empleados.

El dividendo de tiempo que la IA proporcionó

Stucke decidió crear un plan de cuentas consolidado para todas las entidades, pero transformar todo el histórico de la estructura antigua a la nueva era un proyecto masivo. De la forma tradicional, su equipo habría tardado semanas, incluso con ayuda de consultores, usando macros de hojas de cálculo o RPA — y ambos enfoques habrían requerido personalización para las innumerables variaciones de formato y definición de los datos.

La solución de Stucke fue diferente: usó su cuenta corporativa de ChatGPT para hacer la transformación. Introdujo los planes de cuentas y le pidió a la IA que mapeara los datos al nuevo formato unificado. La herramienta lograba, incluso, resolver la variabilidad en la forma en que cada entidad etiquetaba sus transacciones — usando IA generativa para interpretar las diversas maneras en que los planes podían categorizar algo como ingresos por eventos, por ejemplo.

Funcionó — hasta cierto punto. Después de ejecutar la transformación perfectamente en diez planes consecutivos, la IA podía implementar un método nuevo e no deseado en el siguiente. Stucke también enfrentó frustraciones comunes con la IA generativa, como alucinaciones y errores. Intentó hacer que ChatGPT incluyera fórmulas que mostraran y verificaran su propio trabajo, pero simplemente no consiguió que la herramienta lo hiciera correctamente.

¿La solución? Implementar sus propias fórmulas de verificación, de la misma forma que lo haría con trabajo humano o con RPA, para cotejar el libro mayor unificado contra los datos antiguos.

Mi proceso de controles internos no cambió, explicó Stucke.

Incluso con las frustraciones, el enfoque con IA entregó resultados más rápidos y confiables en días — permitiéndole avanzar con la automatización de la función financiera. Y todo sucedió con un producto relativamente genérico, accesible y económico.

Stucke cree que esta nueva ola de productos de IA está empoderando a las pequeñas y medianas empresas para experimentar. Muchas de estas organizaciones sienten que no tienen el talento necesario para implementar sistemas complejos, pero ahora es posible tomar un producto genérico y automatizar procesos con mucho menos esfuerzo que antes — siempre y cuando haya una visión clara detrás de la iniciativa. 💡

Corrigiendo procesos manuales a escala continental

Los avances más valiosos en IA y automatización no suceden sin una fuente de datos unificada y accesible. Esta ha sido una prioridad central en el trabajo de Lawrence Amadi, socio y líder del negocio de riesgo tecnológico de KPMG África.

Entre sus clientes están algunas de las mayores operadoras de telecomunicaciones del continente — una de ellas con más de 85 millones de suscriptores. Amadi viene trabajando con estas empresas para transformar sus sistemas de gestión de tarjetas SIM, que autentican y administran las identidades de los usuarios y sus dispositivos en la red.

La empresa dependía de procesos manuales para administrar ese volumen colosal de datos. Aproximadamente una vez por semana, empleados descargaban los datos y verificaban registros incompletos o anómalos. Este proceso manual aumentaba el riesgo de exportación incompleta de datos y de fatiga de auditoría entre los empleados.

Se vuelve muy estresante y desalentador, describió Amadi.

El objetivo de KPMG África era automatizar la exportación, análisis y generación de excepciones a partir de los mismos datos — un proyecto que llevó siete meses e involucró profesionales de diversas áreas de la organización. Amadi enfatizó que el proyecto requería personas con conocimiento profundo de los productos, de las reglas de negocio y de la forma en que se generan los datos, además de analistas de datos capaces de desempaquetar, analizar y reorganizar grandes volúmenes de información.

La solución fue construida con Automation Anywhere, que se describe como un sistema de automatización de procesos agénticos que combina el poder de la IA, automatización y RPA.

¿El resultado? En lugar de descargas manuales periódicas, ahora existe una exportación automática funcionando en el sistema. Existe un análisis automático ejecutándose continuamente. Y existen excepciones siendo levantadas automáticamente. Todo esto llevó a menos errores, mayor eficiencia y reportes más consistentes para el directorio y para el comité de auditoría y riesgo.

Con los datos organizados y centralizados, la empresa ahora está lista para aplicar automatización e IA en aún más áreas del negocio.

Tres lecciones prácticas de quienes ya están implementando IA en finanzas

Las experiencias de estos tres profesionales revelan patrones que valen para cualquier equipo financiero que esté pensando en embarcarse en este camino. Aquí están las lecciones más relevantes que surgieron de sus proyectos.

Entiende los costos reales antes de empezar

Sharma aprendió en la práctica que ejecutar IA cuesta mucho más de lo que la mayoría de las personas imagina. Un producto mal configurado puede consumir tokens — una medida práctica de poder computacional y costo — a una velocidad alarmante. Además de los costos directos, existen riesgos indirectos: ¿qué pasa si una IA generativa comete un error grave o causa una controversia, como usar un lenguaje inadecuado con un cliente?

Existen capas de costo, directo e indirecto. En el momento en que pierdes visibilidad, pierdes dinero, advirtió Sharma.

Esos costos y riesgos necesitan ser sopesados contra una previsión realista de ingresos y eficiencias a obtener. La pregunta fundamental, según Sharma, no es qué tecnología usar, sea OpenAI o Google, sino: ¿cuál es el retorno para mi negocio? ¿Cuándo la solución alcanza el punto de equilibrio? 📊

Construye adhesión antes de construir el sistema

En organizaciones grandes, un proyecto de IA o automatización puede requerir la combinación de habilidades y datos de varias áreas de la empresa. Según Amadi, nada de eso sucede si las personas no entienden y aceptan la misión.

Necesitas la adhesión de todos ellos. El porqué es crucial, afirmó Amadi.

Ese porqué puede variar — mejora en la cobertura de controles, mejor visibilidad del negocio, reducción de retrabajo. No importa cuál sea, si el propósito y los medios del proyecto no están claros para todos, simplemente no habrá progreso.

No hagas todo solo — permite que otros aprendan

Stucke logró usar IA generativa para completar una transformación de datos gigantesca en apenas cuatro a cinco días, sola. Lo que habría llevado a un equipo entero de consultores y empleados de dos a tres semanas fue resuelto por una persona con la herramienta correcta.

Pero esa eficiencia vino con un precio: mi equipo entero no fue parte de ese camino, reconoció Stucke. Es decir, su equipo no tuvo la oportunidad de practicar el uso de IA ni de entender cómo y por qué la herramienta era tan eficaz.

El dominio de la IA seguirá siendo una habilidad esencial para equipos financieros, especialmente a medida que la automatización absorba más trabajo operativo. Involucrar a todos desde el inicio puede ayudar a preparar las carreras de las personas para el futuro y a acelerar la transformación de la función financiera en su conjunto.

Lo que estas experiencias nos dicen sobre el futuro

Cuando juntamos todos estos relatos, algunos patrones quedan bastante evidentes. El primero es que el éxito con inteligencia artificial en finanzas rara vez ocurre de forma lineal. Casi siempre existe una fase de frustración antes de que aparezcan los resultados, y las organizaciones que abandonan en esa fase pierden exactamente cuando estaban más cerca de cosechar los frutos. Tener expectativas realistas desde el inicio es lo que separa los proyectos que avanzan de los que quedan eternamente en modo piloto.

El segundo patrón tiene que ver con el alcance. Proyectos más pequeños, enfocados en problemas específicos y bien definidos, tienen una tasa de éxito significativamente mayor que iniciativas amplias que intentan transformar todo de una vez. La transformación real sucede de forma incremental — cada proceso automatizado, cada modelo de predicción implementado, cada reporte que deja de hacerse manualmente va construyendo una base sólida para iniciativas más complejas en el futuro.

Y el tercer patrón, quizás el más importante, tiene que ver con los datos. Sin datos de calidad, ninguna estrategia de IA va a funcionar. Antes de elegir cualquier herramienta o plataforma, vale mucho la pena hacer un diagnóstico honesto de la madurez de los datos de la organización. Esto incluye entender dónde están, cómo están estructurados, qué tan actualizados son y si existen vacíos relevantes. Este trabajo previo puede parecer poco glamuroso comparado con implementar un modelo de machine learning, pero es lo que va a determinar si el proyecto va o no a salir del papel con resultados reales. 🔍

La IA no es una solución que enciendes y esperas que ocurra el milagro. Es un camino que exige preparación, paciencia y una visión clara de adónde se quiere llegar.

El sector financiero está en un momento de inflexión real. Las herramientas están más accesibles, los costos de experimentación bajaron y los casos de éxito se están multiplicando. Pero la distancia entre el hype y la entrega concreta todavía exige mucho trabajo — y mucha honestidad sobre dónde se encuentra realmente cada organización en este camino de automatización e innovación.