Informe del estado del uso y preparación de IA en Finanzas:
Parte 3

La mayoría de los equipos financieros empiezan con pilotos de IA razonables. Detectan excepciones en facturas, sugieren la codificación contable y ahorran tiempo en las revisiones. La confianza crece rápido, hasta que alguien plantea la pregunta más difícil: ¿puede esa misma IA respaldar aprobaciones, comprobaciones de políticas o sugerencias de asientos contables a escala, sin dejar de responder ante una auditoría? Ahí es donde muchos equipos financieros empiezan a frenar y donde afloran dos grandes frustraciones.

La primera: “Tenemos mucha actividad en IA, pero nada consigue escalar a los flujos de trabajo clave”. La segunda: “Hemos mantenido conversaciones sobre gobernanza, pero nunca terminan traduciéndose en capacidades ya desplegadas.”

Estas frustraciones apuntan a problemas distintos en tipos de organizaciones diferentes. Hasta que no puedas distinguirlos, es fácil seguir invirtiendo en la solución equivocada.

Los dos primeros informes de esta serie sobre preparación para la IA sentaron las bases. El primero mostró que la madurez de la IA en finanzas es estructuralmente desigual y que está condicionada por el sector, el tamaño de la empresa y su contexto. El segundo mostró que escalar depende de cinco condiciones operativas clave: capacidad de ejecución, reglas mínimas de gobernanza, habilidades, presupuesto y preparación de los datos. También mostró que, incluso entre quienes ya van por delante en adopción, esas condiciones rara vez se dan al mismo tiempo.

Este informe va un paso más allá. Entre los equipos financieros que ya se sitúan como líderes en IA, ¿por qué unos consiguen escalar mientras otros se quedan estancados?

Los líderes en IA no forman un único grupo. Operan desde enfoques distintos, con fortalezas diferentes, carencias diferentes y bloqueos distintos a la hora de escalar. Y eso importa, porque el siguiente paso no es el mismo para todos. Algunos equipos necesitan reglas más claras. Otros, fundamentos de datos más sólidos. Y otros, convertir la preparación que ya tienen en un despliegue operativo real. Para los CFOs, la decisión clave es saber qué condición es la que realmente está frenando un flujo de trabajo en producción.

Los líderes no forman un único grupo

Para este informe, se analizaron en detalle las respuestas de 405 participantes que obtuvieron entre siete y diez puntos en madurez en IA y completaron el bloque de gobernanza de la encuesta. Cada una de las cinco condiciones necesarias para escalar se evalúa en una escala de acuerdo del uno al siete. A lo largo del informe, “claramente implantada” hace referencia a una puntuación de seis o siete, es decir, los dos niveles más altos de la escala, que reflejan un alto grado de acuerdo en que esa condición ya está presente. La asignación a cada segmento se mantiene fija para garantizar la coherencia de los resultados.

La Figura 4 muestra cómo se distribuyen los líderes en seis posturas operativas.

Adoptantes escalados (26,9 %): representan la posición más cercana a una preparación completa para escalar, con resultados sólidos en las cinco condiciones al mismo tiempo. Cuentan con capacidad de ejecución, un marco mínimo de gobernanza, habilidades, presupuesto y una base de datos capaz de sostener resultados fiables. Uno de cada cuatro líderes ya tiene implantado este stack operativo al completo. Y ese dato es relevante porque demuestra que una IA escalable en finanzas no es una hipótesis, sino una realidad que ya existe a una escala significativa. También pone de manifiesto lo difícil que resulta reunir al mismo tiempo todos los elementos necesarios.

Mejoradores graduales (17,5 %): avanzan de forma real, pero desigual. Algunas condiciones están consolidadas, mientras que otras siguen rezagadas. La IA progresa, pero ese avance no se traslada todavía de forma acumulativa al conjunto del modelo operativo.

Implementadores impulsados por la ejecución (16,0 %): están centrados en desplegar. El 100 % afirma con claridad que la ejecución está implantada y el 96,9 % dice lo mismo de las habilidades. Sin embargo, un 0 % afirma con ese mismo nivel de claridad que las reglas mínimas de gobernanza estén implantadas. Son equipos que saben construir y desplegar, pero cuya capa de control no ha evolucionado al mismo ritmo.

Primero agentes, después control (14,1 %): muestran interés por la IA y un grado real de experimentación, pero con una disciplina operativa limitada. De nuevo, un 0 % afirma con claridad que las reglas mínimas estén implantadas. Solo el 24,6 % dice lo mismo de la ejecución y el 35,1 % de la preparación de los datos. La IA está presente en estas organizaciones, pero no se apoya todavía en una base estable.

Escaladores con la gobernanza por delante (13,8 %): esta es una de las posiciones más reveladoras del análisis, porque cuestiona una idea muy extendida sobre lo que significa estar preparado. La ejecución alcanza el 92,9 %, las reglas mínimas llegan al 100 % y las habilidades al 92,9 %. La preparación de los datos, en cambio, cae hasta el 30,4 %. Son organizaciones que han hecho muchas cosas bien. Lo que está frenando su capacidad de escalar no es la gobernanza, sino la calidad y solidez de los datos sobre los que se apoya el flujo de trabajo.

Planificadores con el control por delante (11,6 %): cuentan con habilidades, presupuesto y datos en una situación relativamente sólida, pero la ejecución no está implantada. La capacidad existe. Lo que falta es convertir esa preparación en despliegue real.

Como explica Konstantin Dzhengozov, CFO de Payhawk:

La adopción avanzada de la IA puede traducirse en realidades muy distintas. En finanzas, un equipo puede estar preparado para escalar porque cuenta con los controles, los datos y la disciplina operativa necesarios. Otro puede parecer igual de activo desde fuera, pero seguir sin cumplir una condición esencial para dar el siguiente paso.

El modelo de madurez tradicional parte de una idea lineal del progreso: a mayor madurez, mayor desarrollo, y todas las organizaciones avanzan por la misma escalera. En finanzas no ocurre así. Escalar exige que varias condiciones coincidan al mismo tiempo: capacidad de implementación, capacidad de gobernanza, capacidad de inversión y unos datos que realmente puedan respaldar las decisiones que se están automatizando. Cuando falta una de esas piezas, las demás no pueden compensarla.

Cada postura refleja tanto lo que una organización tiene hoy como aquello en lo que está poniendo el foco.

• Los implementadores impulsados por la ejecución priorizan el despliegue, pero su límite está en la gobernanza.
• Los escaladores con la gobernanza por delante priorizan la capacidad de defender sus decisiones, pero su límite está en los datos.
• Los planificadores con el control por delante han construido la preparación, pero su reto sigue siendo convertirla en ejecución.

Ninguna de estas posiciones es errónea. Pero cada una arrastra un cuello de botella previsible. Las organizaciones no suelen elegir esas limitaciones de forma deliberada; en la mayoría de los casos, las heredan de sus sistemas, de su enfoque del riesgo y de su trayectoria operativa.

El verdadero freno no es más IA

La Figura 5 muestra qué proporción de líderes, dentro de cada postura, afirma con total claridad que cada una de las condiciones necesarias para escalar ya está implantada.

De ahí se desprenden dos patrones estructurales que explican buena parte de los bloqueos incluso entre las organizaciones más avanzadas.

El primero es una brecha de gobernanza:

Se produce cuando el trabajo con IA avanza más rápido que el marco mínimo necesario para sostenerlo.

Los implementadores impulsados por la ejecución son el ejemplo más claro: un 100 % afirma que la ejecución está implantada, un 96,9 % dice lo mismo de las habilidades y un 0 % lo afirma en el caso de las reglas mínimas de gobernanza. El grupo primero agentes, después control refleja esa misma brecha desde otra posición: hay interés, hay experimentación real, pero sigue faltando una capa de control suficiente.

Esto es especialmente relevante en finanzas, donde cualquier proceso debe poder justificarse, revisarse y atribuir responsabilidades. En cuanto la IA interviene en aprobaciones, clasificaciones de gasto, codificación de facturas, alta de proveedores o propuestas de asientos contables, la organización tiene que poder responder con claridad a preguntas básicas: qué podía hacer la IA, qué activaba una escalación, quién asumía la responsabilidad del resultado y qué quedaba registrado para fines de auditoría.

En la práctica, este patrón suele desarrollarse de forma parecida. Un equipo financiero pone en marcha un piloto de IA para detectar excepciones en facturas o sugerir codificaciones contables. Los resultados son positivos, la confianza aumenta y la organización decide ampliar el alcance: automatizar la aprobación de facturas de bajo riesgo o generar sugerencias de asientos contables a mayor escala. Es entonces cuando la falta de gobernanza deja de ser un riesgo abstracto y se convierte en una limitación operativa. No porque la IA no pueda ejecutar la tarea, sino porque la lógica de aprobación, los criterios de escalación y la trazabilidad exigida no están lo bastante definidos como para sostener un despliegue más amplio. El piloto funciona, pero el escalado se detiene. Y, en muchos casos, la respuesta instintiva es añadir más casos de uso o seguir ajustando el modelo, aunque el verdadero problema esté en otra parte.

El segundo patrón es una brecha de datos:

Los escaladores con la gobernanza por delante la ilustran con claridad. El 100 % afirma que las reglas mínimas están implantadas; el 92,9 %, que lo está la ejecución, y otro 92,9 %, que también lo están las habilidades. Sin embargo, solo el 30,4 % afirma con ese mismo grado de claridad que sus datos están preparados para la IA. Son organizaciones que han avanzado en muchos frentes. Tienen intención de gobernanza y disciplina en la ejecución. Lo que sigue limitando su capacidad de escalar es si los datos en los que se apoyan sus flujos de trabajo son lo bastante consistentes y fiables.

En finanzas, la IA empieza a integrarse de verdad en las operaciones cuando puede apoyarse en datos maestros consistentes, historiales de transacciones limpios, estructuras claras de centros de coste, metadatos de políticas y una lógica de conciliación que se mantiene entre entidades y sistemas. Cuando esa base está fragmentada, el equipo todavía puede usar la IA para resúmenes o revisiones iniciales, pero le cuesta confiar en ella para procesos en los que el resultado tiene que ser sólido, trazable y defendible. La gobernanza puede estar presente. Pero eso, por sí solo, no garantiza una ejecución fiable.

Como explica Konstantin:

El error más común es asumir que el siguiente paso pasa siempre por añadir más IA. En finanzas, muchas veces el verdadero siguiente paso es reforzar la disciplina operativa. Hay que identificar con precisión si el freno está en las reglas, en los datos o en la ejecución. Cuando el diagnóstico falla, la inversión puede aumentar sin que desaparezca el bloqueo.

En ambos casos, el coste del error es el mismo: seguir invirtiendo en la solución equivocada. Los equipos con brechas de gobernanza suelen responder añadiendo casos de uso, copilots, pilotos y automatización sobre una base de salvaguardas que sigue sin estar resuelta. Los equipos con brechas de datos, en cambio, redoblan el esfuerzo en políticas y capas de gobernanza, aunque la base de datos siga sin poder sostener resultados fiables.

El contexto determina qué tipo de deuda pesa más

Ambas perspectivas importan y deben leerse de forma conjunta. El contexto, es decir, el sector y el tamaño de la empresa, define el entorno estructural en el que opera un equipo financiero. La postura, por su parte, describe la realidad operativa dentro de ese entorno. Juntas, ambas explican por qué una misma recomendación, una misma propuesta de producto o una misma buena práctica producen efectos muy distintos según la situación de partida de cada equipo.

La Figura 6 muestra cómo se distribuyen las distintas posturas entre los segmentos de contexto y permite identificar cuál es el cuello de botella dominante en cada uno. Cuatro de esos segmentos presentan un patrón de restricciones especialmente claro, y ayudan a explicar buena parte de la tensión que existe hoy a la hora de escalar la IA en finanzas. Los otros dos, las empresas de servicios a gran escala y las empresas de la economía tradicional a gran escala, muestran una distribución más equilibrada, sin una única limitación claramente dominante.

Se incluyen en la Figura 6 para ofrecer una visión completa, pero no se analizan de forma individual a continuación.

1. Empresas tecnológicas y de servicios, de 50 a 250 empleados
En este segmento predomina una postura orientada a la ejecución. Son equipos que se mueven con rapidez, adoptan herramientas con facilidad y operan con menos capas organizativas que ralenticen la toma de decisiones. Esa agilidad, sin embargo, suele ir acompañada de estructuras de cumplimiento más ligeras, funciones de auditoría más reducidas y una gobernanza menos formalizada que en compañías de mayor tamaño. El resultado es previsible: la adopción avanza más rápido que los mecanismos de control necesarios para sostenerla. La escalabilidad suele frenarse cuando los auditores exigen trazabilidad, cuando el negocio necesita una lógica de aprobación consistente a escala o cuando los clientes piden evidencias de que el proceso está bien definido. En este contexto, la limitación no está en la capacidad del modelo, sino en los mecanismos de gobernanza.

2. Empresas reguladas y de la economía tradicional, de 50 a 250 empleados
Aquí aparece uno de los hallazgos más contraintuitivos del análisis. La postura dominante es primero agentes, después control. Sería fácil pensar que la adopción entusiasta de la IA sin suficientes salvaguardas se concentra sobre todo en organizaciones tecnológicas, avanzadas y con más recursos. El mapa de posturas muestra otra realidad: en operadores más pequeños de sectores tradicionales y regulados también existe una ambición clara en torno a la IA, pero no siempre va acompañada de la infraestructura operativa necesaria para desplegarla con seguridad. Los equipos financieros reducidos, la presión del día a día, la capacidad limitada para diseñar políticas y la elevada sensibilidad al error hacen que escalar con seguridad resulte más difícil. En este segmento, la IA gana tracción cuando llega con límites predefinidos, trazabilidad de auditoría incorporada y gestión de excepciones integrada desde el inicio. La carga de gobernanza tiene que ser lo bastante baja como para que un equipo pequeño pueda absorberla sin añadir complejidad operativa.

3. Industrias reguladas, 251 empleados o más
En este grupo se observa una concentración significativa tanto de adoptantes escalados como de escaladores con la gobernanza por delante. Esto cuestiona la idea de que la regulación sea, por sí sola, el gran obstáculo para avanzar con IA. Los entornos regulados no impiden escalar; obligan a hacerlo con gobernanza. Estas organizaciones suelen contar con funciones de riesgo más sólidas, estructuras de responsabilidad más claras y políticas más formalizadas, lo que favorece un despliegue más controlado. Pero también arrastran entornos tecnológicos heredados, datos fragmentados entre entidades y requisitos de reporting más complejos. La gobernanza elimina un freno, pero deja otro más visible. En este segmento, la limitación que aparece con más claridad es la calidad y consistencia del dato, incluso cuando la disciplina operativa ya existe.

4. Empresas tecnológicas, 251 empleados o más
Este grupo concentra la mayor proporción de adoptantes escalados. Las organizaciones tecnológicas de mayor tamaño tienen más probabilidades de reunir las habilidades, el presupuesto y la capacidad de integración necesarios para construir todo el stack operativo. Aun así, la Figura 6 también muestra que esa preparación integral no es universal. Algunos equipos avanzan más rápido que su propia gobernanza. Otros disponen de los elementos necesarios, pero todavía no han conseguido convertir esa preparación en despliegue. El contexto hace que el stack completo sea más alcanzable, pero no garantiza por sí solo que llegue a traducirse en escalabilidad real.

Los dos segmentos restantes, las empresas de servicios a gran escala y las empresas de la economía tradicional a gran escala, no presentan la misma concentración en torno a una única limitación. La distribución de sus posturas es más mixta y combina, en proporciones relativamente similares, deuda de reglas, deuda de datos y mejora gradual. Esto no significa que no exista un cuello de botella. Significa que, en estos contextos, ese cuello de botella es menos uniforme entre los líderes, por lo que la solución adecuada variará más de una organización a otra. En estos segmentos, el diagnóstico que se desarrolla en la siguiente sección adquiere aún más importancia.

La lectura práctica por segmentos es clara. En los entornos que avanzan más rápido, la limitación dominante suele ser la gobernanza. En los entornos tradicionales de menor tamaño, la limitación está en la capacidad de absorber y mantener controles sin contar con una función específica que los sostenga. En los entornos regulados y de mayor escala, la limitación pasa a estar en los datos, incluso cuando la gobernanza es sólida. Y en los entornos tecnológicos de gran tamaño, la preparación integral es más habitual, pero sigue dependiendo de la disciplina operativa para convertirse en escalabilidad efectiva.

Por eso, escalar la IA en finanzas es, ante todo, un problema de secuencia. El error consiste en aplicar el mismo playbook de transformación a todos los contextos. Lo que corresponde es identificar primero cuál es la limitación dominante en cada entorno y resolverla antes de añadir más capacidad.

Qué deben priorizar los CFOs ahora

Los equipos financieros tienden a estancarse cuando siguen invirtiendo alrededor del verdadero cuello de botella, en lugar de resolverlo de forma directa.

Para un CFO, la pregunta más útil es sencilla: qué condición está impidiendo, ahora mismo, que un flujo de trabajo financiero real pueda escalar. En algunos casos, el freno estará en la gobernanza: bandas de aprobación, reglas de escalación y trazabilidad de auditoría que permiten que la IA opere dentro de procesos controlados. En otros, estará en los datos: registros maestros, historiales de transacciones y estructuras entre entidades que la IA necesita para generar resultados fiables y realmente accionables.

El coste de un diagnóstico equivocado es real. Los equipos pueden seguir destinando presupuesto a nuevas herramientas, más pilotos o capas adicionales de políticas, mientras el flujo de trabajo sigue sin escalar. Eso retrasa el ROI, alarga los plazos de despliegue y hace que finanzas asuma más actividad sin ganar más control.

La IA aplicada a finanzas genera más valor cuando opera dentro de aprobaciones, aplicación de políticas, gestión de excepciones y flujos de trabajo preparados para auditoría. Ahí es donde la orquestación marca la diferencia: permite que la IA haga avanzar el trabajo sin debilitar los controles que lo sostienen.

Como dice Konstantin:

Para un CFO, esta es, ante todo, una cuestión de secuencia. El valor surge cuando se identifica la única condición que está frenando un flujo de trabajo financiero real, se resuelve primero y se escala a partir de ahí.

La etiqueta de “líder en IA” abarca hoy realidades mucho más distintas de lo que sugiere a simple vista. Equipos diferentes se ven frenados por condiciones distintas, y el camino para avanzar no es el mismo en todos los casos. Los equipos financieros que más lejos llegarán serán los que diagnostiquen con honestidad cuál es su limitación concreta y actúen pronto sobre ella.

La siguiente fase de la IA aplicada a finanzas favorecerá a los equipos capaces de identificar qué está frenando la escalabilidad, resolver primero esa condición y avanzar sin perder el control.

Para verlo en la práctica, descubre cómo Payhawk aplica la IA dentro de flujos de trabajo financieros reales, con controles integrados, trazabilidad de auditoría y responsabilidad de principio a fin. Verás cómo los equipos financieros pueden pasar de iniciativas aisladas con IA a una ejecución gobernada, manteniendo la solidez en las aprobaciones, la aplicación de políticas y la preparación para auditoría.

Metodología:

Las afirmaciones analizadas en este estudio se diseñaron en estrecha colaboración con líderes financieros y empresariales. A partir de esa base, iResearch realizó entrevistas en ocho países para recoger realidades operativas y retos concretos. El estudio contó con 1.520 participantes.

La muestra incluye:

• Regiones: DACH, España, Francia, Benelux, Reino Unido e Irlanda y Estados Unidos
• Nivel de responsabilidad: perfiles de C-suite, vicepresidencias, direcciones y profesionales sénior con responsabilidad individual
• Funciones: Finanzas, Contabilidad, Ventas, Recursos Humanos y Compras
• Sectores: Servicios, empresas digitales, manufactura, salud, educación, organizaciones sin ánimo de lucro y B2C
• Tamaño de empresa: 50-100 FTE, 101-250 FTE, 251-500 FTE, 501-1.000 FTE y más de 1.000 FTE

Los cinco requisitos para escalar se evaluaron por separado en una escala de acuerdo del 1 al 7. A lo largo de la serie, “claramente implantado” se refiere a puntuaciones de 6 o 7, es decir, los dos valores más altos de la escala. Este umbral se aplica de forma consistente en los cuatro informes.