8 flujos de trabajo financieros que ya deberían ser agentes de IA (y uno que no)

La mayoría de los equipos financieros ya saben perfectamente qué tareas les están consumiendo el tiempo. La conciliación de facturas a tres bandas. Las revisiones de gastos. El papeleo de cumplimiento de proveedores. Los asientos de diario de cierre de mes que alguien tiene que organizar en una hoja de cálculo en cada ciclo de cierre. No se trata de decisiones ambiguas que requieran un gran juicio profesional. Son procesos repetitivos y basados en reglas que siguen la misma lógica siempre y, sin embargo, siguen estando en manos de personas que podrían estar aportando un valor mucho mayor.

La defensa habitual es que las finanzas son un área demasiado sensible para la automatización, que el riesgo de error supera al coste de que un humano lo haga manualmente. Pero ese argumento confunde dos cosas muy distintas: los procesos que requieren juicio humano y los procesos que, simplemente, resulta que los realiza un humano. La mayor parte de lo que los equipos financieros hacen en su día a día pertenece a la segunda categoría. Gartner estima que el 42 % de las actividades financieras podrían automatizarse por completo, y otro 34 % podría automatizarse en su gran mayoría. La tecnología no es el cuello de botella. El auténtico cuello de botella es saber por dónde empezar y comprender qué hacen los agentes de IA de manera diferente a los scripts de RPA y macros que ya fracasaron en su día.

1. Conciliación de facturas a tres bandas

La conciliación a tres bandas consiste en comparar un pedido de compra, un recibo de mercancías y una factura de proveedor para confirmar que lo solicitado, lo recibido y lo facturado coinciden. En teoría, es sencillo. En la práctica, es una de las tareas que más tiempo consume en cuentas por pagar porque es raro que los tres documentos lleguen en el mismo formato, al mismo tiempo o con las mismas descripciones de línea.

Por qué sigue siendo manual: Los equipos de cuentas por pagar le dirán que la conciliación ya está "automatizada" porque su ERP detecta las discrepancias. Pero detectar una discrepancia y resolverla son dos problemas muy distintos. El ERP identifica el desfase, pero un humano sigue teniendo que abrir tres documentos, averiguar si la discrepancia es un error de redondeo, un envío parcial, una actualización de precios o un error de facturación real, y luego decidir qué hacer al respecto. La investigación de APQC muestra que las organizaciones con un rendimiento medio siguen gastando 6,30 $ en procesar una sola factura, mientras que las de mayor rendimiento gastan 2,07 $. Esa diferencia se debe casi en su totalidad al coste de mano de obra en la gestión de excepciones.

Qué hace un agente de IA de forma diferente: Un agente de IA no se limita a contrastar campos de forma rígida. Lee facturas no estructuradas (PDF, documentos escaneados, archivos adjuntos de correo electrónico), extrae los datos relevantes, los coteja con los pedidos de compra y recibos en el ERP, y resuelve las excepciones comunes de forma autónoma. Una variación de cantidad del 2 % en un pedido de 200 $ no necesita la intervención de un humano. Una discrepancia de precios que coincide con una enmienda de contrato conocida tampoco la necesita. El agente gestiona estos casos, aprende de las correcciones que hacen los humanos en los casos realmente ambiguos y deriva únicamente los problemas reales al personal de cuentas por pagar.

2. Revisión y aprobación de informes de gastos

Toda empresa con más de 50 empleados tiene alguna versión de este proceso: los empleados presentan informes de gastos, un responsable los aprueba y alguien de finanzas los revisa para comprobar que cumplen con las políticas corporativas antes de procesar el reembolso. Aquí es donde se pierde el tiempo. Alguien tiene que comparar los recibos con la política de viajes, comprobar las dietas de la ciudad correspondiente, marcar las comidas que superan el límite y confirmar que los códigos de proyecto son correctos.

Por qué sigue siendo manual: La mayoría de las empresas han intentado automatizar esto con herramientas de gastos basadas en reglas, y estas herramientas detectan las infracciones obvias. Pero las políticas de gastos tienen zonas grises. Una cena con un cliente de 75 $ en Nueva York es razonable; una cena con un cliente de 75 $ en Des Moines merece una segunda revisión. Ese tipo de juicio contextual es exactamente donde los sistemas basados en reglas fallan y los responsables acaban optando por revisarlo todo manualmente.

Qué hace un agente de IA de forma diferente: Un agente puede evaluar cada línea de gasto frente a la política completa de la empresa, incluidos los factores contextuales que las reglas rígidas no pueden captar. Puede identificar patrones en los informes (el mismo empleado que presenta gastos dudosos todos los meses), autoaprobar el 80 % de las líneas de gasto que cumplen claramente con la política y mostrar solo el 20 % que realmente requiere revisión humana, con un resumen del motivo. Con el tiempo, aprende qué excepciones aprueban sistemáticamente los responsables y cuáles rechazan, por lo que la cola de aprobación se reduce progresivamente en lugar de crecer.

3. Alta de proveedores y controles de cumplimiento

Dar de alta a un nuevo proveedor en el sistema implica recopilar formularios fiscales (W-9 o W-8BEN-E), verificar números de identificación fiscal, realizar comprobaciones de sanciones, verificar certificados de seguros, confirmar datos bancarios e introducir toda la información en el ERP. Para empresas con un departamento de compras activo, esto ocurre decenas de veces al mes.

Por qué sigue siendo manual: El alta de proveedores afecta a múltiples sistemas (compras, legal, finanzas, cumplimiento) y los documentos llegan en formatos inconsistentes de partes externas que no se pueden controlar. La mayoría de los módulos de alta de los ERP asumen la entrada de datos estructurados, pero lo que llega en realidad es una mezcla de PDF, formularios escaneados y archivos adjuntos de correo electrónico con distintos niveles de completitud.

Qué hace un agente de IA de forma diferente: El agente gestiona todo el flujo de trabajo de recepción. Envía al proveedor una solicitud estructurada con los documentos requeridos, extrae la información de cualquier formato que faciliten, valida las identificaciones fiscales con las bases de datos oficiales, realiza cribados de sanciones y listas OFAC, alerta sobre documentos faltantes o caducados y crea el registro maestro del proveedor. Si falta algo, realiza el seguimiento automáticamente. El equipo de cumplimiento solo interviene cuando hay una señal de alerta real, no cuando un formulario tiene un problema de formato.

4. Conciliación intercompañía

Las empresas con múltiples filiales o entidades legales necesitan conciliar las transacciones entre ellas, cruzando lo que la Entidad A registró como venta a la Entidad B con lo que la Entidad B registró como compra a la Entidad A. Las discrepancias causadas por diferencias de tiempo, conversiones de divisas y codificaciones contables inconsistentes hacen de esta una de las partes más tediosas del cierre financiero.

Por qué sigue siendo manual: La conciliación intercompañía suele implicar diferentes instancias de ERP, distintas estructuras de planes de cuentas y diversas convenciones de registro entre entidades. Las discrepancias rara vez son errores en el sentido contable; son diferencias de temporización y clasificación que requieren que alguien rastree una transacción a través de dos o más sistemas para determinar si la diferencia es real o simplemente una cuestión de cuándo y cómo se registró.

Qué hace un agente de IA de forma diferente: Un agente se conecta al libro mayor de cada entidad, mapea las transacciones entre diferentes estructuras de planes de cuentas, identifica las parejas que coinciden, clasifica las discrepancias por tipo (temporización, tipo de cambio, codificación) y resuelve automáticamente las previsibles. Una diferencia temporal en la que la Entidad A registró el 30 de marzo y la Entidad B el 1 de abril no requiere intervención humana. El agente las resuelve de forma masiva durante el proceso de cierre y genera un informe de conciliación limpio, donde solo se señalan las discrepancias reales para su revisión. Para las empresas que tienen dificultades con los plazos de cierre financiero, esto por sí solo puede reducir varios días del ciclo.

5. Preparación de asientos de diario para el cierre de mes

En cada cierre mensual, los equipos financieros preparan docenas de asientos de diario recurrentes: periodificaciones, amortizaciones anticipadas, depreciación, asignaciones. Muchos de estos siguen la misma lógica mes tras mes, cambiando únicamente los importes. Sin embargo, en la mayoría de las organizaciones, alguien todavía los crea manualmente o copia la plantilla del mes anterior y actualiza las cifras.

Por qué sigue siendo manual: Los asientos de diario se consideran demasiado importantes para delegarlos en la automatización porque un asiento incorrecto afecta de forma directa al libro mayor general. Además, las plantillas requieren pequeñas actualizaciones —un nuevo centro de costes aquí, un porcentaje de asignación modificado allá— lo que hace que una automatización totalmente autónoma parezca arriesgada con las herramientas tradicionales.

Qué hace un agente de IA de forma diferente: El agente genera asientos recurrentes basados en los datos del mes en curso, aplicando la misma lógica utilizada en meses anteriores pero extrayendo cifras actualizadas de los libros auxiliares. Compara cada asiento con la versión del mes anterior y marca cualquier elemento que se desvíe más allá de un umbral definido (un asiento de depreciación que de repente se duplica, una periodificación que cae a cero). El contable revisa las excepciones marcadas en lugar de crear 40 asientos desde cero. Esto no es una simple macro de plantilla; el agente comprende la lógica contable, se adapta a los cambios en los datos subyacentes y aprende de las correcciones que realizan los contables.

6. Previsión de tesorería a partir de datos de cuentas a cobrar y pagar

La previsión de flujo de caja en la mayoría de las medianas empresas consiste en que alguien exporte informes de antigüedad de cuentas a cobrar y cuentas a pagar, los combine en una hoja de cálculo, los ajuste según patrones de tiempo conocidos ("este cliente siempre paga con 10 días de retraso") y elabore una proyección que ya está desactualizada para cuando llega al CFO.

Por qué sigue siendo manual: Realizar previsiones requiere combinar datos estructurados (facturas, condiciones de pago) con conocimientos no estructurados (comportamiento de pago del cliente, patrones estacionales, próximos gastos previstos). La mayoría de las herramientas de previsión de los ERP gestionan la parte estructurada pero no tienen en cuenta la capa de comportamiento. Por tanto, es una persona con conocimiento interno de la empresa quien rellena esos vacíos de forma manual.

Qué hace un agente de IA de forma diferente: Un agente extrae datos de cuentas a cobrar y cuentas a pagar en tiempo real, superpone los patrones de pago históricos a nivel de cliente y proveedor, incorpora los compromisos conocidos de contratos y pedidos de compra, y genera una previsión dinámica que se actualiza continuamente. Cuando el comportamiento de pago de un cliente importante cambia (pasa de pagar en 25 días a hacerlo en 40), el agente detecta el cambio y ajusta la previsión antes de que alguien en el equipo de finanzas note la tendencia. El resultado no es una hoja de cálculo estática, sino una proyección viva que refleja lo que realmente está ocurriendo en el negocio.

7. Clasificación y enrutamiento de documentos fiscales

La temporada fiscal y las declaraciones trimestrales generan un gran volumen de documentos (formularios, notificaciones estatales, correspondencia de las autoridades fiscales) que deben clasificarse por tipo, asignarse a la entidad o jurisdicción correcta y enrutarse a la persona o flujo de trabajo adecuado. En empresas que operan en varios estados o países, el volumen hace que la clasificación manual sea inviable, pero eso es exactamente lo que muchos equipos fiscales siguen haciendo.

Por qué sigue siendo manual: Los documentos fiscales se presentan en demasiados formatos y proceden de demasiadas fuentes como para aplicar un enrutamiento sencillo basado en reglas. Una notificación de la agencia tributaria estatal no se parece en nada a una notificación de la agencia nacional, y ninguna de ellas se parece a un certificado de retenciones de una sociedad colectiva. Los sistemas de gestión documental basados en OCR pueden digitalizarlos, pero tienen dificultades para clasificarlos correctamente si los formatos no están estandarizados.

Qué hace un agente de IA de forma diferente: El agente lee los documentos entrantes, los clasifica por tipo y jurisdicción, extrae los datos clave (identificación fiscal, período, importe, entidad) y los envía al flujo de trabajo o al miembro del equipo correspondiente. Resuelve el problema del volumen que hace inviable la clasificación manual y detecta documentos que llegan en formatos inesperados o de fuentes nuevas. A medida que el agente procesa más documentos, su precisión de clasificación aumenta, especialmente en aquellos casos complejos que hacían fracasar los intentos anteriores de automatización.

8. Seguimiento de renovación de contratos y alertas

Los equipos financieros son responsables de realizar el seguimiento de cientos de contratos con proveedores y clientes, cada uno con fechas de renovación, cláusulas de renovación automática, plazos de notificación de rescisión y condiciones de escalada de precios diferentes. Pasar por alto una fecha límite de renovación puede suponer quedar cautivo en un contrato desfavorable un año más, o perder a un cliente porque nadie inició la conversación de renovación a tiempo.

Por qué sigue siendo manual: Los contratos residen en múltiples sistemas (herramientas de CLM, unidades compartidas, correo electrónico o, a veces, simplemente en el cajón de alguien) y las cláusulas críticas están enterradas en un lenguaje legal que difiere de un contrato a otro. Configurar recordatorios en el calendario funciona para cinco contratos, pero no para quinientos.

Qué hace un agente de IA de forma diferente: El agente recopila los contratos de dondequiera que se encuentren, extrae las condiciones de renovación, los plazos de notificación y las cláusulas de escalada de precios, y mantiene un sistema de seguimiento unificado. Envía alertas con los intervalos adecuados (90 días antes del cierre del plazo de rescisión, 60 días antes de que se active la renovación automática, 30 días como advertencia final) junto con un resumen de las condiciones comerciales clave. Cuando el proceso de ventas genera nuevos contratos, el agente los detecta e incorpora automáticamente. Sin introducción manual, sin renovaciones olvidadas y sin sorpresas desagradables.

Lo que no se debe delegar: la validación final de la auditoría

No todo lo que gestiona un equipo financiero debe transformarse en un agente de IA. La validación de auditoría final, concretamente la decisión de juicio profesional sobre si los estados financieros son sustancialmente correctos y presentan una imagen fiel, es el ejemplo más claro.

No se trata de una falta de conocimiento o de una limitación tecnológica. Es una realidad estructural. La aprobación de una auditoría conlleva una responsabilidad legal personal para el socio firmante. Los marcos regulatorios (SOX, normas PCAOB, requisitos de auditoría de las NIIF) exigen explícitamente el juicio profesional humano sobre los umbrales de materialidad, las evaluaciones de empresa en funcionamiento y la evaluación de las estimaciones de la dirección. Un juicio de incorrección material no es un ejercicio de coincidencia de patrones. Requiere sopesar información incompleta, considerar qué aspectos de la gestión podrían verse incentivados a ocultarse y aplicar el escepticismo profesional de una manera que, por diseño, no es reducible a reglas.

Los agentes de IA pueden ayudar enormemente a los auditores en el trabajo previo a este momento. Pueden analizar el 100 % de las transacciones en lugar de realizar muestreos. Pueden señalar anomalías que los auditores humanos podrían pasar por alto. Pueden automatizar la preparación de los papeles de trabajo de auditoría y los cuadres de datos. Pero el juicio final, aquel en el que un profesional estampa su firma y pone en juego su carrera, debe seguir perteneciendo a un humano. No porque la IA sea incapaz de procesar la información, sino porque la estructura de responsabilidad de la auditoría financiera requiere una persona que asuma la responsabilidad legal de la conclusión.

Incluir esta distinción no es una cuestión académica. Importa porque el miedo a automatizar lo que no debe automatizarse es exactamente lo que impide a los equipos financieros automatizar los ocho flujos de trabajo anteriores que, sin lugar a dudas, sí deberían automatizarse. Saber con precisión dónde está el límite facilita la toma de decisiones sobre todo lo que queda al otro lado de este.

Por dónde empezar

El patrón en estos ocho flujos de trabajo es idéntico: el proceso sigue una lógica coherente, las entradas de información son mayoritariamente estructuradas (o pueden estructurarse mediante extracción) y las excepciones son lo suficientemente estables como para que un agente aprenda a gestionarlas en su mayoría con el tiempo. La razón por la que estos flujos siguen siendo manuales no es la falta de tecnología, sino que los equipos financieros han tenido malas experiencias con intentos previos de automatización (scripts de RPA que fallaban al cambiar un formulario, macros que nadie sabía mantener) y se muestran lógicamente cautos.

Los agentes de IA pertenecen a una categoría de herramientas totalmente diferente. No dependen de coordenadas de pantalla perfectas a nivel de píxel ni de frágiles reglas de tipo condicional "si-entonces". Leen documentos, comprenden el contexto, aprenden de las correcciones y gestionan la variabilidad que hacía que la automatización anterior resultara tan frágil. La brecha no es de capacidad, sino de conocimiento: la mayoría de los líderes financieros saben que su equipo dedica demasiado tiempo a tareas que deberían estar automatizadas, pero no tienen una imagen clara de lo que las plataformas de agentes actuales pueden llegar a hacer.

Si de esta lista identifica al menos dos o tres flujos de trabajo familiares, el siguiente paso no es diseñar una estrategia de IA a seis meses. Consiste en elegir uno —el que cause más problemas o consuma más tiempo— y lanzar un proyecto piloto delimitado. La plataforma de Beam está diseñada precisamente para este tipo de despliegues: agentes de IA autoaprendices que se conectan a sus sistemas actuales, gestionan las excepciones que hicieron fallar su anterior intento de automatización y mejoran con cada corrección que realice su equipo.

Los ocho flujos de trabajo de esta lista llevan tiempo listos para los agentes de IA. La única pregunta es cuánto tiempo más va a seguir su equipo realizándolos de forma manual.