Cómo los equipos financieros están usando realmente IA y automatización en 2026
La conversación sobre Inteligencia Artificial en finanzas está en todas partes, pero no siempre con los pies en la tierra. Se habla mucho de agentes autónomos sustituyendo contadores, de predicciones perfectas de flujo de caja y de un futuro en el que todo está automatizado. Solo que, en la práctica, el escenario de 2026 es mucho más mixto: mientras la mayoría de las empresas ya prueba alguna aplicación de IA, pocas logran ver un impacto fuerte en los resultados.
Un informe reciente de Gartner señala que cerca del 60% de los equipos financieros están pilotando o ya implementaron proyectos de IA. Aun así, solo el 7% de los CFO dicen sentir un efecto realmente relevante de esta tecnología en el desempeño del negocio. Es decir: muchas pruebas de concepto, muchas expectativas, pero todavía un largo camino hasta la madurez.
Mohit Sharma, ACMA, CGMA, ejecutivo con una larga trayectoria en finanzas que fundó dos startups de IA para el sector, resume este momento como una especie de crisis de identidad de la tecnología: el potencial es enorme, pero la forma correcta de encajar la IA en los procesos financieros todavía se está descubriendo. En lugar de soluciones mágicas, lo que empieza a aparecer son casos concretos en tres frentes principales:
- Predicción de pagos y reducción de morosidad;
- Unificación y transformación de datos contables dispersos en múltiples entidades y sistemas;
- Automatización de procesos manuales a gran escala, basada en datos confiables.
Tres líderes en finanzas y tecnología muestran en la práctica cómo están usando IA y automatización para atacar problemas muy específicos del día a día: cobrar en plazo, organizar el caos de planes de cuentas y acabar con verificaciones manuales extenuantes en bases de datos gigantes.
Predicción de pagos: IA en la primera línea para reducir retrasos
Sharma cofundó Pinaka AI en 2023 para resolver un dolor que oía repetidamente en sus viajes y proyectos por el mundo: el retraso crónico en pagos B2B. Según él, en promedio cerca del 60% de las facturas emitidas en entornos B2B no se pagan en el plazo acordado. Este retraso no es solo una molestia: puede desencadenar una cadena de problemas, como renegociación de contratos, caída de confianza, necesidad de tomar deuda de corto plazo y estrés permanente en el flujo de caja.
En lugar de tratar la morosidad como algo inevitable, Pinaka AI creó un producto de predicción de pagos que indica, por adelantado, qué clientes tienen alta probabilidad de retrasarse y, principalmente, por qué motivo puede ocurrir ese retraso. Según Sharma, el algoritmo alcanza hasta un 96% de precisión en las predicciones en sus pruebas actuales, realizadas con dos grandes fabricantes en India.
Para llegar a este nivel de precisión, la plataforma integra datos de varias fuentes:
- CRM (histórico de relación con el cliente, negociaciones, quejas);
- ERP (facturas emitidas, plazos, formas de pago, límites de crédito);
- Fuentes externas, como burós de crédito y noticias que puedan afectar la salud financiera del cliente.
Sharma resume el papel de la IA en este contexto de forma directa: el comportamiento de pago del cliente está disperso en varios sistemas; el trabajo de la IA es integrar todo y crear una visión única y confiable. Para eso, la herramienta combina cuatro tipos de inteligencia:
- Motor de recomendación para priorizar clientes y acciones;
- Inteligencia de decisión para sugerir el siguiente paso más adecuado;
- Algoritmos de clasificación para categorizar riesgo y comportamiento;
- IA generativa para crear textos y comunicaciones personalizadas.
Alojada en Oracle Cloud, la solución no solo predice quién puede retrasarse, sino que también recomienda acciones prácticas, semanas antes de que el problema aparezca. La plataforma, por ejemplo, genera y envía correos electrónicos personalizados de cobro o de ajuste de condiciones comerciales, adaptando el tono y el contenido para cada perfil de cliente.
Antes, algo así dependería de automatizaciones más rígidas y de una cantidad mayor de desarrollo manual. Con las herramientas actuales de IA, Sharma destaca que se volvió mucho más rápido y barato montar esta inteligencia, justamente porque los modelos consiguen aprender con datos sin que cada regla tenga que ser programada a mano.
Reciba el mejor contenido sobre innovación en su correo electrónico.
Todas las noticias, consejos, tendencias y recursos que buscas, directamente en tu bandeja de entrada.
Al suscribirte al boletín informativo, aceptas recibir comunicaciones de Método Viral. Nos comprometemos a proteger y respetar siempre tu privacidad.
El foco, sin embargo, sigue siendo muy pragmático: no se trata de sustituir a los analistas de cobranza, sino de dar visibilidad anticipada y recomendaciones accionables a una escala que sería imposible solo con trabajo humano.
Unificando datos contables: del papeleo a los modelos de IA
Si Pinaka AI lidia con predicciones de cobro, otro gran desafío es organizar la base sobre la que se apoya todo lo demás: el plan de cuentas y el libro mayor de decenas de entidades repartidas por el mundo. Es exactamente este el escenario que Janice Stucke, CPA y candidata a CGMA, encontró al asumir el cargo de CFO de CREW Network, una asociación que conecta a más de 14 mil mujeres del mercado inmobiliario comercial en varios países.
Stucke heredó un departamento financiero que todavía emitía cheques en papel y dependía de procesos manuales en prácticamente todo. Para empeorar, los datos contables estaban diluidos en cerca de 50 planes de cuentas diferentes, correspondientes a subsidiarias y entidades relacionadas en varios países. Cada una con su estructura, nomenclatura y formato.
El resultado era un caos operativo: procesamiento de pagos atrasado, alto volumen de ajustes manuales y una pila de código personalizado para mantener integraciones e informes funcionando. Para una organización con apenas 35 empleados, la cantidad de deuda técnica era demasiado pesada.
Stucke decidió atacar el problema de raíz: crear un plan de cuentas consolidado para todas las entidades. La meta era sencilla de enunciar y difícil de ejecutar: estandarizarlo todo para hacer viable la automatización a gran escala. Solo que eso significaba reclasificar y mapear más de 10 mil líneas de asientos contables por mes, reescribiendo el histórico para permitir comparaciones entre períodos y entidades.
IA generativa como aliada en la transformación de datos
Por el camino tradicional, esta transformación llevaría semanas, incluso con apoyo de consultores y uso intensivo de macros en hojas de cálculo o RPA. En lugar de eso, Stucke decidió experimentar algo diferente: usar su cuenta corporativa de ChatGPT para mapear y convertir los planes de cuentas antiguos a la nueva estructura unificada.
Alimentó el modelo con los diferentes planes y pidió que la IA sugiriera el mapeo hacia el nuevo estándar, teniendo en cuenta descripciones, contextos y usos históricos. Además de agrupar cuentas por período, la IA ayudó a normalizar variaciones de nomenclatura, por ejemplo, distintas formas de registrar algo equivalente a ingresos por eventos.
El resultado fue positivo, pero no perfecto. En varias rondas, la IA ejecutó la transformación de manera consistente y, de repente, en un nuevo conjunto de datos, pasó a aplicar una lógica diferente sin justificación clara. Además, cuando Stucke intentó que ChatGPT creara fórmulas de validación confiables dentro de las hojas de cálculo, los resultados fueron inconsistentes.
La salida fue combinar lo mejor de los dos mundos: usar la IA para acelerar el mapeo y la reclasificación, y mantener controles internos estrictos con fórmulas y verificaciones diseñadas por ella misma, como haría al revisar el trabajo de un humano o de un robot de RPA. En otras palabras, el proceso de control no cambió; lo que cambió fue la forma de llegar más rápido al borrador inicial.
Incluso con las limitaciones, el enfoque redujo el tiempo del proyecto de semanas a pocos días. En cuatro o cinco días, Stucke consiguió un avance que, por el modelo tradicional, exigiría de dos a tres semanas de un equipo entero más consultores externos. Eso creó una base lo suficientemente limpia como para que nuevas automatizaciones se construyeran sobre datos estandarizados.
Ella destaca aún un punto importante: herramientas genéricas de IA, accesibles y con costo relativamente bajo, empezaron a empoderar a pequeñas y medianas empresas que antes no tenían capacidad de invertir en grandes plataformas o proyectos gigantes de TI. El reto ahora es lograr que los equipos acompañen este movimiento, aprendiendo a usar la IA de forma práctica y crítica, sin renunciar a controles y validaciones robustas.
Automatización en masa: de la descarga manual al monitoreo continuo
Mientras algunos equipos luchan con planes de cuentas y retrasos en cuentas por cobrar, otros están en un nivel de volumen que hace imposible depender de verificaciones manuales. Es el caso de los clientes de Lawrence Amadi, ACMA, CGMA, socio y líder del área de technology risk de KPMG África, que trabaja con algunas de las mayores empresas de telecomunicaciones del continente.
Una de esas empresas, con más de 85 millones de suscriptores, necesitaba controlar y depurar constantemente el enorme volumen de datos de tarjetas SIM, los chips que autentican usuarios y dispositivos en la red. Todo ese control se hacía con un proceso semanal muy crítico y totalmente manual: empleados descargaban grandes volúmenes de datos, aplicaban filtros e intentaban identificar registros incompletos, inconsistentes o sospechosos.
Este tipo de rutina trae dos riesgos evidentes:
- Datos incompletos o corruptos en el momento de la exportación;
- Fatiga de auditoría, cuando el equipo deja de percibir problemas porque está sobrecargado.
Además de agotador, el proceso era frágil. Bastaba con que se olvidara una etapa o se aplicara mal un filtro para que buena parte de los errores pasara desapercibida. La propuesta de KPMG fue rediseñarlo todo usando un sistema de automatización inteligente, construido con la plataforma Automation Anywhere, que combina IA, automatización y RPA en un mismo entorno.
El proyecto duró cerca de siete meses e involucró a personas de diversas áreas, no solo de TI. Amadi destaca que el éxito de una automatización de este tamaño depende de tres perfiles trabajando juntos:
- Personas que entienden profundamente el producto y las reglas de negocio asociadas;
- Especialistas en datos, capaces de desentrañar, analizar, depurar y recomponer grandes volúmenes de información;
- Profesionales de tecnología y riesgo, que garantizan la robustez y el cumplimiento del proceso.
En el nuevo esquema, lo que antes era una descarga manual semanal se transformó en un flujo continuo:
- Exportación automática de datos en intervalos definidos;
- Análisis automático con base en reglas y modelos entrenados;
- Generación automática de excepciones y alertas dentro del propio sistema.
El impacto fue directo: menos errores, más eficiencia y informes mucho más confiables para el consejo y para el comité de riesgo y auditoría. Y, quizá más importante, la empresa pasó a tener una base de datos más organizada y rastreable, lista para recibir otras capas de automatización e IA en áreas diferentes, como facturación, prevención de fraudes o análisis de comportamiento de uso.
Tres lecciones para implementar IA en finanzas sin perderse en el hype
De las experiencias de Sharma, Stucke y Amadi, se pueden extraer algunas recomendaciones muy prácticas sobre cómo llevar adelante proyectos de IA en finanzas sin caer en trampas comunes.
Herramientas que usamos a diario
Entender el costo real de la IA
Para Sharma, uno de los mayores sustos de quien empieza es descubrir el costo operativo de la IA. Los modelos generativos y los algoritmos avanzados pueden consumir una cantidad enorme de tokens y recursos de computación si se configuran mal. Además, es necesario considerar riesgos no tan obvios, como el impacto financiero de un error grave de un modelo generativo en la interacción con clientes.
Él refuerza que todo debe verse desde la óptica financiera: cuál es el retorno esperado, cuál es el punto de equilibrio y cuándo el costo extra deja de compensar. No importa si la tecnología viene de OpenAI, Google o cualquier otro proveedor: sin claridad financiera, el proyecto puede convertirse simplemente en otro gasto recurrente difícil de justificar.
Construir adhesión es tan importante como elegir la tecnología
Amadi destaca que, en proyectos grandes, nada avanza si las personas adecuadas no están comprometidas con la iniciativa. Diferentes áreas necesitan abrir datos, revisar reglas y ajustar procesos. Sin entender el por qué de esa transformación, sea por más control, mejor visibilidad o reducción de riesgo, la tendencia es la resistencia silenciosa y los bloqueos políticos.
Él es directo: sin un motivo claro y compartido, no hay progreso real. En este punto, la comunicación interna y el alineamiento entre finanzas, TI y negocio valen tanto como el motor de IA que se use en segundo plano.
La IA debe ser una habilidad del equipo, no solo de una persona
En el caso de Stucke, el uso de ChatGPT para transformar el plan de cuentas trajo un efecto colateral: logró hacer en pocos días lo que le tomaría semanas a un equipo entero. Pero, al centralizar ese aprendizaje en ella, el equipo perdió la oportunidad de familiarizarse con la herramienta, poner a prueba sus límites y entender cómo la IA puede apoyar el trabajo diario.
Como la automatización tiende a asumir cada vez más tareas transaccionales, dominar herramientas de IA será una parte importante del perfil de los profesionales de finanzas. Involucrar al equipo en el proceso, dar espacio para la experimentación segura y garantizar que los controles internos sigan siendo sólidos son piezas clave para no crear una dependencia excesiva en pocas personas o en una única herramienta.
IA en finanzas en 2026: menos fantasía, más casos de uso reales
La fotografía actual del uso de Inteligencia Artificial y automatización en finanzas es mucho menos glamorosa de lo que suele vender el marketing, pero mucho más interesante para quien mira la práctica. Por un lado, los datos muestran que solo una minoría de los CFO ve un impacto fuerte en el resultado. Por otro, empiezan a surgir historias concretas de equipos que:
- Reducen retrasos en pagos con predicciones confiables y acciones proactivas;
- Transforman planes de cuentas caóticos en una base unificada lista para la automatización;
- Sustituyen procesos manuales y agotadores por flujos automatizados, rastreables y continuos.
El camino que funciona suele seguir algunos principios sencillos:
- Empezar pequeño, con un problema bien definido, e ir escalando a medida que el modelo se demuestra en la práctica;
- Trabajar datos y procesos con la misma prioridad que la propia tecnología;
- Mantener controles internos firmes, tratando la IA como un ejecutor más a ser auditado, no como un oráculo infalible;
- Compartir el aprendizaje entre las personas, para que la habilidad de usar IA se difunda en el equipo.
En este contexto, la tecnología deja de ser un fin en sí mismo y vuelve a lo básico: servir para que el área financiera sea menos reactiva, tenga visión anticipada de riesgos y oportunidades, y pueda dedicar más tiempo a las decisiones que realmente mueven el negocio. No es una revolución instantánea, es una evolución continua, pero para quienes logran encajar bien la IA y la automatización en la rutina, la diferencia ya empieza a notarse en los números y en la forma de trabajar.
