El estado del uso de IA en finanzas: Parte 1 del informe

El estado de la IA en finanzas: por qué algunos equipos están escalando con IA y otros se están quedando atrás

El rol del CFO atraviesa otro punto de inflexión. La IA ya no es una capacidad futura que se prueba en los márgenes de la organización. Cada vez está más integrada en la toma de decisiones financieras del día a día, desde la previsión y las aprobaciones hasta los controles, el cumplimiento normativo y el reporting. Hasta aquí, todo parece claro. El reto es que, al mismo tiempo, la presión económica, la regulación y la complejidad operativa siguen creciendo a un ritmo vertiginoso.

Este informe analiza el nivel de madurez de la IA en finanzas, por qué su adopción es desigual entre organizaciones y qué factores determinan de verdad si la IA puede escalar de forma segura dentro de los flujos de trabajo del CFO.

Para los líderes financieros, esto genera una tensión conocida. La IA se integra cada vez más en los procesos financieros justo cuando aumentan la presión regulatoria, la exposición al riesgo y la responsabilidad.

Como ocurrió antes con la “transformación digital”, ahora la IA promete velocidad, eficiencia y mejor información. Pero los equipos financieros no pueden adoptar tecnología por el simple entusiasmo ni por expectativas poco concretas de eficiencia. Cualquier sistema que intervenga en el gasto, las aprobaciones o los datos debe ser gobernable, auditable y defendible ante una revisión externa, igual que cualquier otro proceso financiero. Y aquí es donde muchas iniciativas de IA se ralentizan o se bloquean, incluso en organizaciones que se consideran avanzadas en IA o tecnológicamente maduras.

Resumen ejecutivo: comprender la adopción desigual de la IA y por qué la "orquestación” es clave

Para entender cómo los CFO se están adaptando a este nuevo contexto, Payhawk se ha asociado con IResearch y ha entrevistado a 1.520 profesionales a nivel global, dando lugar a una serie de cuatro informes dirigidos a CFO. La metodología completa se detalla al final del informe.

Para el análisis, hemos agrupado el tamaño de las empresas en dos segmentos: de 50 a 250 empleados y de 251 en adelante (“a escala”).

La investigación pone de manifiesto un enfoque cada vez más simplista: la narrativa que presenta la adopción de la IA como un simple proceso que pasa por las fases de prueba piloto, despliegue de tecnología y escalabilidad es incompleta y poco realista. En este informe, “orquestación” se refiere al conjunto de controles que permiten que la IA ejecute tareas sin romper los flujos de aprobación, las trazabilidades de auditoría ni los marcos de responsabilidad.

Los CFO no se preguntan si la IA funciona ni lo fácil que es ponerla en marcha. La cuestión clave es si puede integrarse en flujos de trabajo reales sin aumentar el riesgo, debilitar los controles o generar exposición en auditorías.

El objetivo de este estudio es alejar la conversación de la visión genérica de la madurez de la IA basada en “adopción temprana frente a tardía” y centrarla en una cuestión mucho más útil para los líderes financieros: ¿qué factores determinan realmente que la IA pueda escalar de forma segura dentro de una organización financiera? Y, sobre todo, ¿cómo puede aplicarse en la práctica?

Otra nota sobre cómo medimos la madurez en este estudio: los participantes evaluaron el nivel de madurez en IA de su organización en una escala del 1 al 10. Se trata de una medida autodeclarada, por lo que debe interpretarse como “madurez percibida” y no como una evaluación auditada de capacidades. Aun así, en un mercado donde las decisiones de inversión se toman en función de la percepción, esta madurez percibida sigue siendo relevante para la toma de decisiones.

Estos nuevos hallazgos ofrecen una forma práctica de identificar de dónde surge la fricción antes de que se traduzca en despliegues bloqueados, aumento de excepciones o problemas con auditoría. En concreto, el informe muestra:

• Dónde se concentra realmente la madurez de la IA frente a dónde se suele asumir que está.
• Por qué quienes se consideran “líderes en IA” no forman un grupo homogéneo.
• Por qué escalar la IA en finanzas se ha convertido cada vez más en un reto de modelo operativo y orquestación, y no solo de tecnología.

Al final del informe, los CFO podrán ver con claridad en qué punto se encuentra su organización, entender qué factores estructurales frenan que la IA genere ROI de verdad y por qué los consejos de “ir más rápido” o “lanzar más pilotos” no funcionan en finanzas.

Cómo es realmente la madurez de la IA en finanzas en 2025/26

El mercado no está en una fase “temprana”. Es desigual.

En 2025, gran parte del discurso sobre IA en finanzas la describía como “temprana”, dando a entender que la adopción era el principal obstáculo, siguiendo una secuencia sencilla: primero pilotos, luego despliegue y, finalmente, automatización a escala. Entre medias, se asumían múltiples concesiones entre velocidad y visibilidad.

Nuestros datos muestran otra realidad. La madurez de la IA en finanzas ya no avanza como una “ola única”, sino que se fragmenta en distintos núcleos. Seguir considerando que la IA está en fase “temprana” hoy implica diagnosticar mal el problema y empuja a los equipos hacia pasos genéricos que ya no encajan con sus limitaciones reales.

Casi un tercio de los encuestados ni siquiera percibe la IA como “temprana” en su organización. De hecho, califican a sus empresas como altamente maduras y se posicionan como líderes. No obstante, aunque esta definición de “líderes” se mantiene a lo largo del informe, aquí tiene un sentido descriptivo y no implica necesariamente un nivel de preparación uniforme. Más adelante, esos mismos “líderes” se dividen en realidades operativas muy distintas al analizar qué pueden delegar de forma segura sin que el riesgo crezca más rápido que los controles.

Para el análisis, agrupamos la madurez en tres niveles: baja (1–3), media (4–6) y alta (7–10).

• Madurez baja: 1–3
• Proporción de madurez alta (7–10)
• Proporción de madurez media (4–6)

Estos rangos no representan una escalera de madurez. Describen dónde se concentran hoy las organizaciones, no el orden en el que necesariamente evolucionarán.

Si estás en el “tramo medio” (4–6), tu siguiente paso no es lanzar más pilotos. Es definir un conjunto mínimo de reglas y contar con datos utilizables para los flujos de trabajo que quieres delegar.

La Figura 1 muestra la distribución de las puntuaciones de madurez de la IA en el conjunto total de la muestra (n=1.520). Destacan tres patrones clave.

El centro de gravedad se sitúa en la madurez media. La mayoría de las organizaciones se concentra en el rango 4–6. Estos equipos ya no están experimentando desde cero, pero tampoco operan la IA como una capacidad central y fiable.

Para los CFO, este tramo intermedio concentra el mayor riesgo de ejecución: hay suficiente actividad como para generar expectativas, pero no la estructura necesaria para garantizar el escalado.

Los “líderes en IA” autodeclarados son numerosos, no excepcionales. Casi un tercio de los encuestados sitúa a su organización entre 7 y 10 en madurez de IA. Esto hace que la etiqueta de “líder” sea demasiado común como para tratarla como una única realidad operativa y demasiado amplia como para obviar un análisis más profundo.

El mercado avanza de forma desigual, no secuencial. La distribución no refleja un progreso uniforme hacia arriba. Muestra estados simultáneos: un grupo reducido que ya está escalando, un amplio tramo intermedio que lucha por convertir la actividad en operaciones estables y una cola que sigue en fases tempranas. Es esta dispersión, más que cualquier media, la que define el mercado actual.

Lo que la Figura 1 no muestra es si esa madurez es gobernable. En finanzas, el escalado depende menos de la ambición y más de la orquestación entre reglas, datos y responsabilidades. Es decir, la adopción de IA solo se sostiene si supera políticas internas, controles, auditorías y marcos claros de accountability.

La distribución desigual de la madurez que refleja la Figura 1 no es casual. Anticipa dónde las iniciativas de IA se traducirán en cambios duraderos en los flujos de trabajo y dónde se quedarán bloqueadas, independientemente del entusiasmo inicial o del alcance planteado.

El riesgo para los equipos financieros está en diagnosticar mal el problema. Cuando las iniciativas de IA se estancan, el punto de fallo rara vez es el caso de uso en sí. Suele aparecer cuando las decisiones automatizadas chocan con políticas, requisitos de auditoría o procesos de gestión de excepciones que no estaban diseñados para delegar.

Cuando la madurez se trata como una única etiqueta, estas diferencias quedan ocultas. Por eso, el asesoramiento genérico dirigido a los “líderes” suele fallar al explicar por qué la IA escala en algunos equipos financieros y se bloquea en otros.

Konstantin lo explica así:

En finanzas, escalar la IA es menos un problema de integración y más un problema de orquestación. La integración conecta sistemas y datos; la orquestación gobierna cómo fluye el trabajo a través de aprobaciones, excepciones, registros y responsables. Los CFO necesitan control basado en políticas, trazabilidad y gestión de excepciones a lo largo de los flujos de trabajo.

Esto nos lleva a la siguiente pregunta: si la madurez de la IA es desigual, ¿dónde se concentra a nivel estructural y qué condiciones determinan esos resultados?

Cómo el sector, el tamaño y la complejidad condicionan la adopción de la IA en finanzas

Los datos muestran que la madurez desigual no es aleatoria, sino que sigue patrones estructurales claros.

Otra tendencia que emerge del análisis es que el nivel de preparación para la IA en finanzas depende mucho del contexto. Dos organizaciones pueden estar igual de motivadas y, aun así, mostrar niveles de madurez muy distintos porque operan bajo restricciones diferentes: el entorno de datos, el grado de estandarización de procesos, la exposición al cumplimiento normativo, los efectos de escala o el coste de gobernar el cambio.

Antes de analizar cómo se comportan los líderes en IA, mapeamos dónde se concentra la madurez a lo largo del mercado.

Dimensiones de contexto utilizadas en el mapa:

1. Sector:

• Tech: software e internet; IT y electrónica
• Servicios: servicios empresariales; medios y entretenimiento
• Regulados: servicios financieros; healthcare y farma; energía y utilities
• Economía real: resto de sectores, incluidos retail, fabricación, mayorista, logística, viajes, educación y servicios al consumidor

2. Tamaño de la empresa:

• 50–250 empleados
• 251+ empleados

En todo el informe, “a escala” se refiere al grupo de 251+ empleados. Indica el punto a partir del cual la coordinación, los controles, los sistemas y la gestión del cambio se convierten en limitaciones clave.

A partir de aquí, definimos seis segmentos de contexto, que se utilizan de forma coherente en todo el informe, siempre con su nombre y definición:

• Tech a escala (Tech, 251+)
• Servicios a escala (Servicios, 251+)
• Adopción rápida, controles ligeros (Tech/Servicios, 50–250)
• Regulados a escala (Regulados, 251+)
• Economía real a escala (Otros sectores, 251+)
• Operadores core de pymes (Regulados/Economía real, 50–250)

Los operadores core son organizaciones en las que la función financiera se evalúa principalmente por la continuidad operativa y la solidez ante auditorías, con poca tolerancia a la experimentación en los flujos de trabajo críticos.

La economía real hace referencia a sectores en los que el valor se crea principalmente mediante la operación y coordinación de sistemas físicos a escala (por ejemplo, fabricación, retail, logística, energía o prestación sanitaria), y no a través de productos de software o servicios profesionales.

“A escala” significa, en esencia, una cosa: la misma intención de aplicar IA se comporta de forma distinta cuando la organización alcanza un tamaño en el que la coordinación, los controles y los sistemas pasan a ser el principal límite.

Figura 2. Los segmentos de contexto muestran dónde se concentra la madurez (n=1.520).
La Figura 2 representa cada segmento de contexto según su peso en la muestra y la proporción de organizaciones que declaran una alta madurez en IA (7–10).

La concentración de alta madurez varía entre el 73,3 % en Tecnología a escala (6,6 % de la muestra) y el 13,5 % en operadores core de PYMES (29,8 % de la muestra), lo que pone de relieve hasta qué punto la preparación para la IA difiere según el contexto.

Entonces, ¿qué hacer con estos segmentos? Úsalos para definir el primer paso adecuado. Cada contexto tiende a tropezar en un punto distinto, por lo que un único manual de “madurez en IA” puede resultar engañoso.

(Ver tabla de segmentación más abajo).

Esto es deliberadamente de alto nivel. El objetivo no es lograr una gobernanza perfecta, sino elegir un flujo de trabajo y eliminar la restricción que impida escalar en tu contexto. Si el escalado se percibe lento, empieza por el cuello de botella de la fila anterior. Tu trabajo es construir orquestación para que la delegación siga siendo defendible. Por eso, el progreso de la IA en finanzas depende de la orquestación entre controles, datos y responsabilidades, y no solo de la integración de nuevas herramientas, de modo que el trabajo avance a través de aprobaciones, excepciones, registros y responsables sin generar riesgos de auditoría.

Para la mayoría de los CFO, el avance depende menos de la velocidad de experimentación y más de si los controles, datos y procesos pueden sostener el trabajo delegado a escala.

Tu contexto suele determinar el primer cuello de botella. El éxito al escalar pasa por resolver primero la orquestación, antes de ampliar la experimentación. Como antes, el entusiasmo tiene un alcance limitado, y destacan tres implicaciones clave:

En primer lugar, Tech a escala marca el techo de preparación, pero no es la norma. Este segmento concentra la mayor proporción de organizaciones con alta madurez, pero representa solo una pequeña parte del mercado. Lo que funciona aquí refleja condiciones favorables, no un modelo que la mayoría de los equipos financieros pueda replicar.

En segundo lugar, la economía real es el centro de gravedad del mercado. Las organizaciones de la economía real, tanto a escala como en el mid-market, representan la mayoría de los equipos financieros, pero muestran niveles de madurez mucho más bajos. Esta brecha es estructural, no de motivación. Suelen operar con flujos de trabajo variados, sistemas fragmentados y menor tolerancia al cambio no controlado, lo que dificulta escalar la IA incluso con una intención clara.

En tercer lugar, la regulación redefine la adopción más que bloquearla. De forma quizá inesperada, las organizaciones más grandes y reguladas pueden alcanzar niveles de madurez en IA similares a los de los adoptantes más rápidos, aunque lo hacen bajo restricciones más estrictas.

Surge además una señal estructural relacionada con la complejidad organizativa.

En todos los segmentos de contexto, los grupos con mayor madurez también presentan una mayor proporción de estructuras complejas y multi-entidad (11+ entidades):

• Tech a escala: 48,5 % complejas
• Servicios a escala: 45,6 %
• Regulados a escala: 44,7 %
• Economía real a escala: 43,9 %

A primera vista, puede parecer contraintuitivo: ¿por qué una mayor complejidad se correlaciona con una mayor madurez?

Porque la complejidad obliga a invertir: modelos de servicios compartidos, procesos estandarizados, controles centralizados y mayores incentivos para automatizar.

Sin embargo, la complejidad por sí sola no garantiza la preparación. Los dos segmentos de la economía real también son complejos, pero siguen mostrando menor madurez, lo que indica que la estandarización y la capacidad de gobernanza son tan importantes como la complejidad.

Konstantin añade:

La complejidad impulsa la inversión, pero no garantiza la preparación.

Las organizaciones grandes y multi-entidad invierten primero en estandarización y controles, pero muchas siguen rezagadas porque la consistencia de los datos y la alineación de procesos siguen sin resolverse. La escala genera presión para modernizar, pero es la capacidad de gobernanza la que determina si la IA puede sostenerse de verdad.

Qué significa esto para los CFO, hoy

A partir de aquí, las implicaciones se vuelven prácticas para los líderes financieros. La madurez de la IA en finanzas no se retrasa por falta de intención ni por el momento del mercado. Es desigual porque los equipos financieros operan bajo restricciones estructurales distintas.

Por eso, el consejo genérico de “ir más rápido” o “lanzar más pilotos” falla tan a menudo. La verdadera limitación no está en la ambición ni en la tecnología. Es si la IA puede ampliarse de forma defendible ante auditoría, políticas internas y marcos de responsabilidad dentro del contexto operativo de tu organización.

Antes de preguntarte cómo escalar la IA, conviene pausar y responder a un conjunto más simple de preguntas para identificar tus propias restricciones.

Pregúntate:

1. ¿Dónde está ya activa la IA hoy en nuestros flujos financieros, aunque sea de forma informal?
2. ¿Cuáles de esos usos aguantarían un escrutinio de auditoría si se ampliaran más allá de un grupo reducido?
3. ¿Dónde siguen existiendo aprobaciones, excepciones o brechas de datos que obligan a soluciones manuales?
4. ¿Qué decisiones podríamos delegar con mayor alcance mañana sin aumentar el riesgo?
5. ¿Dónde nos expondría primero el escalado de la IA: en reglas, en datos o en responsabilidad?

Cómo avanzar con confianza

Esta investigación señala un camino más claro para los líderes financieros. Trata la madurez de la IA como algo dependiente del contexto, no como una única escalera. Reconoce que el “liderazgo en IA” puede adoptar formas distintas, con fortalezas y limitaciones diferentes. Y céntrate en entender dónde la gobernabilidad se mantiene antes de ampliar la automatización a flujos de trabajo más amplios.

En un mercado desigual, el progreso llega a través de la orquestación. Cuando la IA se despliega con reglas claras, responsabilidades definidas y una base de datos sólida, la velocidad genera valor en lugar de riesgo.

En la práctica, los CFO lo consiguen cambiando la pregunta de «¿a qué velocidad podemos adoptar IA?» a «dónde podemos delegar trabajo de forma segura hoy».

1) Diagnostica antes de escalar
Mapea tus casos de uso actuales de IA frente a la realidad financiera. ¿Dónde está influyendo ya la IA en decisiones, aprobaciones o clasificaciones? ¿Cuáles de esos usos estarías dispuesto a defender ante auditoría mañana?

2) Identifica la primera restricción
Sé explícito sobre qué está limitando el escalado ahora mismo. ¿Faltan reglas, hay responsabilidades poco claras, datos fragmentados o procesos inconsistentes? Normalmente, solo uno de estos factores es el verdadero bloqueador.

3) Define guardarraíles mínimos, no una gobernanza perfecta
Establece límites claros sobre dónde puede operar la IA: tareas aprobadas, umbrales de escalado, requisitos de registro y responsables de los resultados. Se trata de hacer defendible la delegación, no de construir un imperio de gobernanza.

4) Vincula la expansión de la IA a datos en los que confíes
Prioriza los casos de uso en los que los datos maestros, el histórico transaccional y las integraciones sean lo suficientemente fiables como para sostener resultados consistentes. La IA escala donde los datos ya son utilizables.

5) Secuencia la expansión de forma deliberada
Amplía la IA solo al ritmo que permitan los controles y los datos. Cada nuevo flujo de trabajo debería añadir trabajo delegado más rápido de lo que incrementa el riesgo.

Este enfoque convierte la adopción de la IA de una carrera en una decisión operativa. También prepara la siguiente pregunta, que abordamos en el próximo informe: incluso entre las organizaciones que se consideran líderes, ¿qué partes del conjunto tecnológico faltan realmente cuando la IA no consigue escalar?

En el próximo informe de esta serie, entramos en el grupo de los “líderes en IA” y analizamos qué determina de verdad si la IA puede escalar dentro de los flujos financieros. Miramos más allá de las etiquetas y nos adentramos en el stack operativo: ejecución, reglas mínimas, capacidades, presupuesto y preparación de los datos.

Si quieres ver cómo es la IA gobernable dentro de flujos financieros reales, explora cómo Payhawk aplica la IA con controles integrados, trazabilidad de auditoría y responsabilidad por diseño. Verás ejemplos concretos de cómo la IA permite delegar trabajo sin debilitar aprobaciones, aplicación de políticas ni la preparación para auditorías, basados en cómo Payhawk aplica la IA en flujos de gasto, cuentas a pagar y control financiero.

Metodología:

A partir de afirmaciones diseñadas en estrecha colaboración con líderes financieros y de negocio, IResearch realizó entrevistas en ocho países para reflejar realidades operativas y retos reales.

La cobertura incluye:

• Regiones: DACH, UE, España, Francia, Benelux, Reino Unido e Irlanda, Estados Unidos
• Nivel de responsabilidad: C-suite, VP, directores y profesionales senior individuales
• Funciones: Finanzas, Contabilidad, Ventas, RR. HH., Compras
• Sectores: Servicios, digital, manufactura, cuidados, educación y organizaciones sin ánimo de lucro, B2C
• Tamaño de la empresa: 50–100 FTE, 101–250 FTE, 251–500 FTE, 501–1.000 FTE y más de 1.000 FTE