Informe del estado del uso y preparación de IA en Finanzas:
Parte 2

Incluso entre las organizaciones que se consideran líderes en IA, solo el 26% reúne el conjunto completo de condiciones operativas necesarias para escalar la IA en finanzas.

Esto ayuda a explicar el patrón actual del mercado: los proyectos piloto son habituales, pero la escalabilidad sostenida sigue siendo poco frecuente. En finanzas, escalar no significa que la IA genere resultados más rápido, sino que esos resultados puedan superar circuitos de aprobación, gestión de excepciones y revisiones de auditoría sin debilitar la rendición de cuentas.

Este informe, el segundo de nuestra serie de cuatro entregas sobre preparación para la IA, analiza las cinco condiciones que determinan si la IA puede escalar dentro de la función financiera. El análisis se basa en datos de nuestra investigación con más de 1.500 responsables de negocio y finanzas. Para este estudio, nos centramos en los “líderes en IA”, definidos como los encuestados que valoraron la madurez en IA de su organización entre 7 y 10 en una escala de autoevaluación del 1 al 10 (n = 405).

El modelo operativo de IA en finanzas

En muchos sectores, la IA puede probarse con una preparación mínima. Un equipo adquiere una herramienta, ejecuta una prueba de concepto y demuestra ahorro de tiempo.

Y en finanzas tampoco suele haber barreras en la fase piloto. El bloqueo surge cuando la IA se acerca al ámbito de la toma de decisiones, donde todo está sujeto a control y supervisión.

Nuestra investigación identifica cinco requisitos clave que determinan si la IA puede escalar dentro de la función financiera, y no limitarse a experimentos aislados. Son las condiciones mínimas que los líderes consideran necesarias para que la IA supere el escrutinio propio del entorno financiero.

Los cinco requisitos son:

Medidas de ejecución implantadas: “Ya hemos implementado medidas y preparativos para integrar la IA.”
En la práctica: responsables asignados para cada caso de uso, métricas de éxito definidas, calendario de despliegue y seguimiento de la adopción.

Normas mínimas establecidas: “Nuestra organización ha definido normas mínimas para el uso de la IA.”
En la práctica: qué puede hacer la IA, cuándo debe escalar o elevar un caso, qué debe registrarse y quién es responsable del resultado.

Capacidades y herramientas disponibles: “Los empleados cuentan con las habilidades y herramientas necesarias para implementar la IA de forma eficaz.”
En la práctica: acceso a herramientas, formación y capacidad para desarrollar, probar y mantener soluciones de IA en producción.

Presupuesto comprometido: “Existe inversión asignada a iniciativas de IA.”
En la práctica: hoja de ruta financiada, recursos dedicados (personas y tiempo) y presupuesto para datos, integraciones y gestión del cambio.

Datos aptos para analítica con IA: “Nuestros datos pueden respaldar eficazmente la analítica impulsada por IA.”
En la práctica: datos maestros coherentes, integraciones fiables y resultados que se concilian con los sistemas de registro oficiales.

Cada elemento se evaluó en una escala de acuerdo del 1 al 7. Para garantizar la coherencia del análisis, consideramos que las puntuaciones de 6 y 7 indican que el requisito está ‘sólidamente implantado.’

En conjunto, estos cinco elementos conforman lo que denominamos el modelo operativo de IA en finanzas: la base que determina si la IA puede pasar de la adopción a una ejecución sostenida dentro de la función financiera.

Como explica Konstantin, CFO en Payhawk: “La IA en finanzas no escala porque el modelo mejore. Escala cuando los controles, la responsabilidad y los fundamentos de datos son lo suficientemente sólidos como para sostenerla”

Incluso los líderes en IA no están preparados de forma homogénea

Si la madurez en IA fuera simplemente una cuestión de ambición o experimentación, cabría esperar que las organizaciones que se autodenominan «líderes» presentaran un nivel de preparación sólido en todos los ámbitos.

Pero en finanzas la IA no escala solo por intención. Escalar exige una base operativa clara: normas definidas, disciplina en la ejecución, datos utilizables y una gobernanza capaz de sostener la IA cuando pasa a integrarse en flujos de trabajo reales.

El gráfico 3, que se muestra a continuación, indica que incluso entre las organizaciones más maduras de nuestra muestra, la preparación es desigual. Los líderes suelen desarrollar primero las capacidades y solo más adelante formalizan los mecanismos de control necesarios para lograr una escalabilidad sostenida.

Esta brecha ayuda a explicar por qué muchos equipos financieros pueden demostrar el valor de la IA en proyectos piloto, pero tienen dificultades para hacerla operacional en los procesos que realmente importan.

Porcentaje de líderes en IA (n=405) que puntúan 6–7 en los cinco requisitos necesarios para escalar

Los resultados muestran un patrón claro en el orden en que los responsables financieros consolidan las capacidades necesarias: primero refuerzan la capacidad y la inversión, como herramientas y recursos, mientras que la gobernanza y las normas quedan rezagadas.

• Capacidades y herramientas: 78%
• Presupuesto comprometido: 69%
• Medidas de ejecución implantadas: 64%
• Datos utilizables: 61%
• Normas mínimas: 55%

Conclusión clave
La madurez en IA no es una escalera de casos de uso. Es preparación para delegar: la capacidad de trasladar trabajo desde las personas a los sistemas sin romper la rendición de cuentas.

La limitación del mercado no es el nivel de conocimiento en IA, sino su gobernanza.

En este informe, gobernabilidad significa que la IA puede operar dentro de los controles financieros: con límites claros sobre lo que puede hacer, mecanismos de escalado ante excepciones, registro por defecto de la actividad y un responsable claramente identificado que asume la rendición de cuentas sobre los resultados.

Gran parte del discurso público sobre la IA parte de la premisa de que la adopción en finanzas es lenta porque los equipos carecen de habilidades o confianza. Sin embargo, los datos apuntan a una realidad más concreta.

Entre los líderes, las capacidades y herramientas son la dimensión más sólida, con un 78% en las puntuaciones más altas (6–7). Las normas mínimas son la dimensión con menor nivel de acuerdo, con un 55% en las puntuaciones más altas (6–7).

Esta brecha es relevante porque la IA en finanzas no es solo una capa de productividad. En el momento en que influye en aprobaciones, clasificaciones contables, decisiones de gasto o evidencia para auditoría, la gobernanza se convierte en el factor determinante.

• La pregunta ya no es: ¿Podemos usar IA?
• La pregunta es: ¿Podemos usar IA de una manera que podamos defender como responsables financieros?

Como explica el CFO de Payhawk:

Los equipos financieros se están quedando bloqueados porque nadie puede explicar con claridad quién es el responsable del resultado. La tecnología es potente, sí, pero por sí sola no puede generar resultados para líderes financieros que operan bajo requisitos explícitos de auditoría, políticas internas y marcos de delegación.

Aquí es donde empieza a abrirse la brecha en la escalabilidad, y se manifiesta primero en la existencia de normas mínimas claramente definidas.

El riesgo oculto entre los líderes: deuda de normas

Entre los líderes en IA, las capacidades rara vez son la limitación; las normas, en cambio, sí lo son. Según nuestros datos, el 32,1% de los líderes afirma tener las capacidades sólidamente implantadas, pero no dispone de normas mínimas establecidas. Además, el 21,7% declara contar con medidas de ejecución sólidas sin que existan normas mínimas definidas.

Esa brecha es lo que llamamos deuda normativa: el uso de la IA avanza más rápido que la definición de permisos, circuitos de escalado ante excepciones, requisitos de registro y responsables designados. Al principio, las mejoras pueden ocultar el problema. Pero se vuelve evidente cuando los resultados de la IA entran en circuitos de aprobación, generan excepciones o se someten a auditoría, y la organización no puede demostrar con claridad qué estaba autorizado a hacer el sistema ni bajo qué condiciones.

Profundizamos en la deuda normativa en la Parte 3. Por ahora, el mensaje es claro: si no puedes explicar con precisión qué puede hacer la IA y quién asume la responsabilidad de sus resultados, no estás preparado para escalarla.

La preparación de los datos es una puerta de entrada para escalar

El segundo gran obstáculo es la calidad y usabilidad de los datos. Solo el 61% de los líderes afirma con rotundidad que sus datos pueden respaldar de forma eficaz la analítica impulsada por IA.

Cuando los datos maestros son inconsistentes y se rompen las correspondencias entre entidades, los resultados de la IA no pueden conciliarse con los registros financieros de referencia. Eso es deuda de datos: la organización tiene la intención y la capacidad, pero la base de datos no es lo suficientemente sólida como para integrar la IA en los flujos operativos.

Profundizamos en la deuda de datos en la Parte 3. La conclusión aquí es clara: si los resultados no pueden vincularse a una única fuente de verdad, no puedes integrar la IA en los procesos financieros.

La preparación integral ya existe, pero sigue siendo la excepción

Tras el gráfico 3 surge una pregunta lógica: ¿cuántos líderes tienen sólidamente implantados los cinco requisitos?

La respuesta es clara: solo el 26% de los líderes en IA obtiene puntuaciones 6–7 en las cinco dimensiones. Este matiz es clave porque demuestra que la preparación integral ya está presente en el mercado. Pero no es la situación habitual, ni siquiera entre quienes lideran.

Por tanto, pueden ser ciertas dos afirmaciones al mismo tiempo: la IA ya está aquí y la IA puede escalar en finanzas.

Y, aun así, la IA escalable en finanzas sigue siendo minoritaria. La mayoría de las organizaciones destacan en algunos ámbitos, pero no cuentan con una preparación operativa verdaderamente integral.

Qué implica esto para la siguiente fase de escalabilidad de la IA

Las cinco dimensiones analizadas apuntan a una trayectoria clara en la adopción de la IA en finanzas.

La IA escalará primero allí donde:

1. los requisitos normativos sean más ligeros,
2. las exigencias de datos estén más acotadas,
3. y el coste del error sea asumible.

Esto implica que veremos antes flujos de trabajo acotados y de apoyo que procesos centrales de toma de decisiones. La expansión hacia el cierre financiero, los controles, las aprobaciones y la gobernanza dependerá menos del rendimiento del modelo y más de que el diseño operativo mínimo se ponga al día.

Como señala el CFO de Payhawk:

Finanzas no necesita un imperio de gobernanza. Necesita mecanismos de control mínimos y exigibles que permitan que el trabajo avance sin perder el control.

Mecanismos mínimos como:

• quién puede usar qué,
• para qué tareas,
• bajo qué umbrales,
• cómo se registran los resultados,
• qué ocurre ante excepciones,
• y quién asume la responsabilidad final.

Las bases de datos determinarán si la IA se convierte en parte operativa del día a día financiero o si permanece como una capa auxiliar.

Sin integraciones fiables y datos limpios, la IA seguirá siendo asistencial. Con ellos, pasará a integrarse en el modelo operativo de finanzas.

Guía práctica para CFOs: cómo construir un conjunto tecnológico

Para los responsables financieros, la conclusión no es que los líderes en IA estén fallando. Es que escalar exige un diseño operativo deliberado.

Para que puedas evaluar en qué punto estás, puedes hacer el siguiente ejercicio: Elige un flujo de trabajo en el que la IA ya influya en una decisión financiera, directa o indirectamente. Si no puedes demostrar lo siguiente, no estás preparado para escalar ese proceso:

• qué puede hacer la IA, según el rol, la tarea y los umbrales definidos;
• cómo se escalan y resuelven las excepciones;
• qué se registra por defecto para respaldar una posible auditoría;
• quién asume la responsabilidad del resultado;
• y cómo el resultado se concilia con los sistemas de registro oficiales.

En la práctica, la escalabilidad se bloquea cuando falta uno de estos elementos, aunque los proyectos piloto parezcan exitosos.

Por qué la segmentación es el siguiente paso

El gráfico 3 pone de manifiesto que los líderes en IA no son un grupo homogéneo. Algunos cuentan con el modelo operativo completo. Otros avanzan en ejecución, pero con pocas normas definidas; y otros priorizan la gobernanza, aunque estén limitados por la calidad de sus datos.

Está claro que «líder en IA» no es una categoría homogénea. Por eso, en el tercer informe de la serie analizamos dos cuestiones clave: por un lado, las formas de deuda operativa que bloquean de forma silenciosa la escalabilidad incluso en los niveles más altos de madurez, en concreto la deuda normativa y la deuda de datos; y, por otro, las distintas posiciones operativas en las que se sitúan los equipos financieros como consecuencia de ello.

Porque la próxima fase de la IA en finanzas no estará marcada por la adopción, sino por qué modelos operativos resisten realmente el escrutinio.

Mientras tanto, si quieres ver cómo es la IA gobernable en la práctica, descubre cómo Payhawk impulsa una verdadera orquestación financiera con IA nativa integrada directamente en los flujos de gasto, respaldada por controles integrados, trazabilidad completa y responsabilidad incorporada desde el diseño. Encontrarás ejemplos concretos de delegación que refuerzan, en lugar de debilitar, las aprobaciones, el cumplimiento de políticas y la preparación para auditorías.

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 muestra incluye:

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