¿Cómo dar el paso del piloto al beneficio? IA Generativa en Finanzas

Si hablas con los consejos de administración, todos están “haciendo IA”. Pero si miras los P&L, casi nadie lo está. Esa brecha (intención altísima, impacto mínimo) fue el eje de un webinar del Financial Times (en colaboración con Payhawk) que funcionó menos como otra sesión de hype y más como un manual práctico para salir de la parálisis de los pilotos. El moderador lo dejó claro: aunque el 82 % de los líderes financieros dicen estar abiertos a la IA, solo alrededor del 20 % de las empresas ha avanzado más allá del proof-of-concept (PoC) para capturar valor tangible.

Lo que hizo la discusión realmente interesante es que los panelistas no debatieron sobre el “modelo de la semana”. Se centraron en la realidad operativa: límites claros, arquitecturas, incentivos y el trabajo complejo de reconfigurar cómo funciona realmente la función financiera.

La infraestructura empresarial marca la diferencia entre lanzamiento y riesgo

Hristo Borisov, cofundador y CEO de Payhawk, articuló lo que muchos compradores susurran: los pilotos mueren cuando las herramientas llamativas no cumplen con la checklist empresarial. En una era agentiva (donde el software puede tomar acciones, no solo redactar texto), permisos acotados, límites explícitos de flujo de trabajo y auditorías inmutables no son opcionales; son la clave para pasar a producción. “Poco emocionante”, admitió, pero sin ellos, la desconexión entre intención e impacto persiste y los PoC no llegan a la vida real.

Gaurav Sawhney, de Barclays, amplió el punto con una escalera de autonomía práctica (humano al mando → humano en el loop → humano sobre el loop) y una advertencia: en flujos agentivos, los errores se propagan rápidamente sin registros de decisiones meticulosos. Finanzas necesita que la “auditabilidad, explicabilidad, fiabilidad y repetibilidad” estén integradas desde el primer día. En otras palabras, la gobernanza es producto.

No es solo deuda tecnológica; es deuda de personas y procesos

Lilia Christofi, de PwC, cuestionó la comodidad de la industria con la experimentación por experimentar. Solo “quizás el uno por ciento” de las instituciones tiene la madurez para ejecutar IA a escala, argumentó, porque el éxito exige reconfigurar la cultura, el diseño organizativo y los modelos operativos, no solo conectar nuevos modelos. Por ahora, muchas empresas estarán mejor servidas por un stack de IA centralizado que garantice consistencia y control; con el tiempo, esto puede federarse.

Esa centralización no es monolítica. Christofi describió un enfoque modular donde un “agente” es en realidad un sistema de agentes —lógica de tareas, prompts, límites— más agentes de validación y revisión que se supervisan entre sí. La cuestión arquitectónica es hasta qué punto descomponer componentes para reutilizarlos en dominios como compras o legal. Sea cual sea la respuesta, necesitarás orquestación de herramientas y disciplina para financiar I+D continua, no solo demos.

Las plataformas superan a los modelos puntuales

Ermir Qeli, de Swiss Re, aportó datos del sector seguros, uno de los pocos rincones de finanzas que ya puede estar fuera del teatro PoC. Su equipo ha “superado la etapa piloto” en casos de uso dentro de los datos no estructurados de finanzas, incluyendo clasificación de reclamaciones, detección de fraude e inteligencia contractual. La lección no fue “elige el modelo X”. Fue: construye una plataforma de IA donde los modelos puedan cambiar sin romper la gobernanza, los procesos o la medición. Así se gestiona la entropía de un panorama que se actualiza semanalmente.

Qeli también hizo un punto más sutil: los modelos base no entienden tu negocio. No hay modelo que pueda evaluar riesgos o pagar una reclamación de extremo a extremo. Esto es buena noticia para los incumbentes, siempre que cuenten con roles de “traductor” que fusionen expertise del dominio con fluidez en IA y mantengan los esfuerzos alineados con los objetivos de negocio. Así es como se “sale de la trampa de experimentar… hacia un gran impacto”.

Los reguladores no son la excusa; la ambigüedad sí

Sí, los marcos regulatorios divergen: los niveles de riesgo del EU AI Act vs. el sandbox del Reino Unido vs. el mosaico sectorial de EE. UU. Pero la visión del panel fue refrescantemente pragmática: trata el EU AI Act como un pilar de un marco global, y luego adapta a las especificidades de APAC y EE. UU.; espera que los reguladores exijan claridad y remediación, no solo acaparamiento de datos; y asume que los vectores de fraude se expandirán con la IA, requiriendo controles explícitos sobre qué datos pueden acceder los agentes y hacia dónde fluyen. Estar “mejor preparado con lo que sabes” supera esperar una armonización perfecta.

Lo que realmente mueve la aguja ahora

La conversación volvía constantemente a tareas financieras discretas y de ciclo cerrado, donde el valor es medible y rápido: gestión de gastos y recibos, extracción de datos de facturas, convertir transacciones en registros listos para ERP, cerrar ciclos de conciliación. Si puedes cuantificar horas/FTE ahorradas, reducción de tiempos de ciclo y tasas de conciliación automática, los CFO escucharán. Si no, no lo harán. Payhawk estructura explícitamente su “Oficina de IA del CFO” en torno a estos resultados por partida.

Una postura de producción primero, o nada

La evaluación directa de Christofi sobre los últimos 18 meses —“experimentación costosa”— impactó porque reflejaba lo que sienten los compradores. Su elogio a la postura de Payhawk (“no hacer PoC sino llevar todo a producción de manera estructurada”) no resolverá comparativas de proveedores, pero deja una lección clave para el ecosistema: la producción es una decisión de producto. Los equipos que lo hagan dejarán de hablar de estrategias de IA y comenzarán a reportar ingresos de IA.

Hoja de trucos para CFOs: seis formas de salir de la trampa PoC

1. Lanza primero los límites: Rastrea el % de acciones de IA con auditorías completas e inmutables y el % ejecutado dentro de permisos acotados. Si esos números son bajos, tu propio equipo de riesgo detendrá la implementación.
2. Elige casos de uso de ciclo cerrado: Mide horas/FTE ahorradas, reducción de tiempo de ciclo, tasas de conciliación automática —no vibes. Tareas discretas con métricas claras hacen que la historia de ROI sea infalible.
3. Construye una plataforma portátil de modelos: Mide el tiempo para reemplazar/mejorar un modelo, cobertura compartida de orquestación y tasas de regresión tras cambios. Tu ventaja es la orquestación estable y el testing, no el vendor lock-in.
4. Mide más allá del ahorro de costes: Para journeys de servicio, rastrea CSAT, resolución en primer contacto, tiempo de gestión. Para riesgo, cuantifica detección y falsos positivos/negativos. Para ingresos, muestra conversión o upsell basado en insights de IA. Los boards quieren crecimiento rentable, no métricas de demo.
5. Codifica la escalera de autonomía: Reporta la mezcla de flujos por nivel de autonomía (al mando/en loop/sobre loop) y MTTR cuando intervienen humanos. Si no puedes explicar cuándo las personas están al mando, no escalarás agentes.
6. Trata el cumplimiento como input de diseño: Establece un marco global con EU AI Act como pilar, más playbooks para UK/US/APAC. Mide tiempo hasta evidencias para reguladores y rapidez en cerrar hallazgos de auditoría. La regulación es una restricción, no un bloqueo.

La narrativa más amplia es esperanzadora. Finanzas avanza de interfaces asistivas a acciones auditables. La ventaja competitiva no vendrá de elegir un modelo; vendrá de la disciplina operativa: la capacidad de convertir la salida de modelos en resultados financieros. Después de un año de “show-and-tell” de IA, el listón ha subido. La verdadera pregunta ahora es sencilla: ¿dónde está apareciendo el dinero?