Líderes de opinión
La IA solo es tan inteligente como los datos financieros que la respaldan

Puntos claveLa IA falla cuando los sistemas no coinciden en qué significa un único campo como la…
Ver más
- La IA falla cuando los sistemas no coinciden en qué significa un único campo como la fecha de pago.
- Los datos financieros conectados permiten a la IA distinguir cambios significativos de fluctuaciones rutinarias.
- Los contratos de datos y los flujos basados en eventos importan más que la propia aplicación de IA.
La IA se ha convertido en parte de casi todas las conversaciones sobre el futuro de las finanzas. Las organizaciones invierten en IA para automatizar tareas rutinarias, mejorar las previsiones y ayudar a sus empleados a tomar decisiones más rápido. La mayoría de esas conversaciones empiezan por los modelos y las aplicaciones. En mi experiencia, deberían empezar por la calidad, la conectividad y la gobernanza de los datos en los que se basan esos sistemas.
He dedicado mi carrera a crear y ampliar infraestructuras de pagos, y los problemas más difíciles rara vez han tenido que ver con los algoritmos. Han sido los relacionados con la infraestructura subyacente que necesitan las plataformas contables, los bancos, los proveedores de servicios de nómina y las redes de pago para describir de la misma manera un mismo evento empresarial.
El desafío es especialmente evidente en las finanzas. La contabilidad, la banca, la nómina, la facturación y los pagos generan información que influye en las decisiones empresariales. Cuando esos sistemas funcionan de manera independiente, crean entornos de datos fragmentados que dificultan mucho que la IA establezca el contexto en toda la organización. La IA puede identificar patrones dentro de sistemas individuales, pero no puede explicar de forma fiable qué ocurre en el conjunto de la empresa sin una visión conectada de las finanzas de la organización. Al principio de nuestra trayectoria en Melio, nos encontramos con una situación que parece trivial, pero no lo es: ¿qué significa «pagado»? Un cliente aprueba un pago el lunes. El dinero sale de su cuenta el martes. El banco del proveedor lo pone a su disposición el jueves. La transacción se vincula con una factura la semana siguiente. Cuatro marcas de tiempo, cuatro respuestas defendibles a la pregunta «¿cuándo se pagó?», y ninguna es incorrecta. Un contable humano resuelve esa ambigüedad sin pensarlo. Un modelo de previsión que trata la «fecha de pago» como un único campo produce predicciones que, con gran confianza y de forma sistemática, se equivocan sobre el momento del pago, que es precisamente lo que una previsión del flujo de caja debe acertar. Conectar esos sistemas fue el primer paso necesario. Lograr que coincidieran en el significado de los campos fue lo que hizo que esa conexión tuviera valor. En finanzas, estar «preparado para la IA» empieza por estar conectado, y la conexión solo cuenta cuando los sistemas describen de la misma manera un mismo evento.
Una mejor visibilidad conduce a mejores decisiones
La necesidad de contar con datos financieros conectados es cada vez más urgente. El informe Small Business Insights de Xero reveló que las pequeñas empresas de EE. UU. ahora esperan una media de 29,3 días para recibir el pago, mientras que el crecimiento anual de las ventas, del 4,0 %, sigue por debajo de su promedio a largo plazo. Cuando los plazos de pago, los gastos y la demanda evolucionan de forma independiente, las organizaciones necesitan sistemas capaces de conectar esas señales en lugar de analizar cada una por separado. Esto es tan cierto para la gestión de tesorería de una gran empresa como para un negocio con 10 empleados.
Pensemos en una empresa que debe decidir si puede contratar a otra persona antes de que termine el trimestre. Esa decisión depende de más que el saldo bancario de hoy: también cuentan los pagos previstos de los clientes, los compromisos de nómina, los gastos recurrentes, las próximas obligaciones fiscales y los ingresos proyectados. Ningún indicador por sí solo ofrece una respuesta fiable. Reunir esos datos permite a los directivos comprender mejor la situación financiera de la empresa y proporciona a la IA información significativa sobre la que razonar. La automatización requiere acceso a las transacciones. El razonamiento requiere contexto.
Los equipos de finanzas pueden dedicar la primera parte de cada mes a conciliar datos de distintos sistemas antes de empezar cualquier análisis significativo. Para cuando disponen de una visión completa, el cambio en el flujo de caja que intentan comprender puede tener ya varias semanas. Los datos conectados pueden reducir precisamente ese retraso.
La IA aporta valor cuando entiende el negocio
La primera generación de IA en las finanzas se centró en la eficiencia: clasificar transacciones, procesar facturas y ayudar a los equipos a completar más rápido las tareas rutinarias. Esas capacidades siguen aportando valor, pero las expectativas están pasando de la automatización de tareas a la asistencia para la toma de decisiones con conocimiento del contexto: detectar antes los riesgos para el flujo de caja, mejorar la precisión de las previsiones y comprender cómo los cambios en los hábitos de pago, los gastos o los patrones de ingresos podrían afectar al desempeño futuro.
Para lograrlo, la IA debe analizar los datos financieros en su contexto. El significado de cualquier transacción depende de las circunstancias que la rodean: un aumento de los gastos podría indicar un exceso de gasto o reflejar compras de inventario anticipadas ante la demanda estacional; una disminución de las reservas de efectivo podría señalar problemas de liquidez o deberse simplemente al calendario de los pagos trimestrales de impuestos. La IA aporta valor cuando puede hacer lo mismo: conectar patrones de transacciones históricas, saldos de efectivo, cuentas por cobrar y señales operativas para distinguir un cambio significativo de una fluctuación habitual.
Construir los cimientos adecuados
Para los responsables de tecnología que evalúan la IA en las finanzas, la pregunta decisiva no es qué aplicación implementar primero, sino si el entorno de datos subyacente puede proporcionar el contexto completo y oportuno que esas aplicaciones necesitan. Al construir estos sistemas, hay algunas inversiones que son prioritarias:
Trate las integraciones como contratos, no como conexiones. Una sincronización puntual entre una plataforma contable y un sistema de pagos acabará desajustándose. Defina contratos de datos explícitos —esquemas, definiciones de campos y garantías de actualización— para que, cuando cambie un sistema de origen, la IA de los sistemas posteriores no se degrade sin que nadie lo advierta.
Pase de la conciliación por lotes a los flujos de datos impulsados por eventos. Si los datos financieros se concilian semanal o mensualmente, la IA hace previsiones basándose en información desactualizada. Las canalizaciones impulsadas por eventos, que propagan las transacciones a medida que se producen, proporcionan a los modelos la actualidad que necesitan para detectar cambios con antelación.
Establezca una capa semántica para las métricas financieras. «Posición de efectivo», «cuentas por cobrar pendientes» e «ingresos» deben significar lo mismo en todos los sistemas. Sin definiciones coherentes, la IA producirá con seguridad respuestas que ningún par de equipos interpretará de la misma manera.
Evalúe los resultados de la IA frente a datos de referencia verídicos. El libro mayor es una ventaja de las finanzas frente a la mayoría de los ámbitos de la IA: existe un registro verificable. Los análisis financieros generados por IA deben someterse al mismo estándar que el trabajo de un analista júnior: deben contrastarse con los datos reales y su precisión debe medirse a lo largo del tiempo. La confianza en las recomendaciones de la IA se gana mediante la medición, no se da por sentada.
Estas inversiones reciben menos atención que las aplicaciones de IA que se construyen sobre ellas, pero determinan si esas aplicaciones funcionan.
El verdadero factor diferenciador
A medida que la IA se integra en la gestión financiera, el desafío técnico está dejando de centrarse en lo que pueden hacer los modelos individuales para enfocarse en la eficacia con que operan dentro de la arquitectura más amplia de datos financieros.
Las organizaciones que invierten en datos conectados identificarán antes los cambios en el flujo de caja y tendrán más confianza en las previsiones generadas por IA. La diferencia no está en el modelo, sino en los datos que lo sustentan.












