Cómo los equipos financieros están utilizando la IA en la actualidad

La inteligencia artificial (IA) ha dominado las noticias del mundo empresarial durante los últimos dos años, y las funciones financieras no son la excepción. En una encuesta exclusiva de McKinsey a 102 directores financieros (CFOs) de distintos sectores y regiones del mundo, el 44 por ciento afirmó haber utilizado la IA generativa en más de cinco casos de uso en 2025, frente al 7 por ciento en la encuesta del año anterior. La inversión en herramientas de IA también está creciendo: el 65 por ciento de los encuestados indicó que sus organizaciones aumentarán la inversión en IA generativa en 2025; hace dos años, solo alrededor de una cuarta parte dijo lo mismo.

Sin embargo, la realidad en el panorama corporativo refleja lo difícil que sigue siendo capturar valor tangible: una encuesta reciente de McKinsey reveló que casi dos tercios de los encuestados afirmaron que sus organizaciones aún no han comenzado a escalar la IA en toda la empresa. Los malos resultados se deben en gran medida a que los proyectos piloto se desmoronan en condiciones reales, no logran adaptarse a medida que surgen nuevos datos y permanecen poco integrados en los procesos centrales.

No obstante, algunos equipos financieros están utilizando con éxito la IA, la IA generativa y, cada vez más, la IA agéntica para impulsar la eficiencia, mejorar las perspectivas y automatizar tareas manuales que consumen mucho tiempo (vea el recuadro “Guía de términos de automatización y de IA”). En lugar de depender de proyectos piloto aislados, estas organizaciones aplican la IA en dominios financieros fundamentales. Hemos observado que algunos CFOs y sus equipos usan la IA para realizar pronósticos más precisos, supervisar el capital de trabajo en tiempo real, acelerar los ciclos de reporte y detectar nuevas oportunidades de ahorro de costos. Estos esfuerzos les permiten volverse más ágiles, con una visión más orientada al futuro y mejor alineados con las necesidades de sus organizaciones.

Este artículo analiza tres áreas en las que, según nuestra experiencia, los equipos financieros están generando más valor con la IA: planeación y control estratégicos, gestión de caja y capital de trabajo, y optimización de costos. Cada sección incluye casos prácticos que ilustran cómo las organizaciones líderes utilizan la IA generativa y los sistemas agénticos para mejorar la operación de las funciones financieras. Por último, identificamos cinco errores comunes que pueden ralentizar el progreso y lo que se necesita para superarlos.

Planeación y control estratégico: Cómo la IA puede ofrecer mejores perspectivas

Las herramientas de apoyo a la toma de decisiones, impulsadas por una combinación de analítica predictiva e IA generativa, aceleran y facilitan el acceso a los datos de la empresa, la generación de informes y la ejecución de pronósticos o escenarios. Estas herramientas respaldan a los líderes financieros y sus equipos, al tiempo que hacen que los datos sean más accesibles para los responsables de la toma de decisiones en toda la organización. Normalmente, las herramientas de IA combinan algunas capacidades comunes: alertas que ayudan a los líderes financieros a centrar su tiempo y atención, análisis interactivo de causas raíz que permite al usuario comprender qué está influyendo en el desempeño y escenarios alternativos a considerar. La IA es adecuada para estas tareas porque es especialmente eficaz integrando múltiples capas de información —como fuentes externas, financieras y operativas— en una visión coherente.

Por ejemplo, en una empresa global de bienes de consumo, un asistente de IA generativa ayuda a los profesionales de finanzas a ofrecer perspectivas sobre las desviaciones presupuestarias a los líderes de negocio en diferentes divisiones y mercados. La herramienta reemplaza el análisis manual de datos, lo que supone un ahorro estimado del 30 por ciento del tiempo de los profesionales de finanzas.

En otro ejemplo, en una gran institución financiera de Norteamérica, una herramienta de IA generativa ayuda a generar primeros borradores de informes que documentan los requisitos y actualizaciones de los modelos internos de riesgo. La herramienta también contribuye a generar modelos de riesgo específicos por mercado combinando datos internos con fuentes públicas, agilizando un proceso que antes requería mucho tiempo.

En múltiples sectores, las empresas están desarrollando y desplegando agentes de apoyo a la toma de decisiones, habilitados por IA generativa e IA agéntica, para reducir de forma sustancial el tiempo que el equipo financiero necesita para tomar decisiones de asignación de recursos. En lugar de extraer informes manualmente y unir perspectivas de distintas funciones, estos equipos generan ahora escenarios complejos mediante lenguaje natural durante las sesiones de planeación. Estas herramientas de IA integran datos de múltiples fuentes, incluidos sistemas de gestión de relaciones con clientes y conjuntos de datos financieros, operativos o de marketing, para detectar alertas de gestión (por ejemplo, cuando hay un ROI decreciente). También proporcionan análisis de causas raíz (por ejemplo, “El problema se origina en la categoría de costos A en la región Y”). A continuación, las herramientas sugieren pasos de acción basados en datos (por ejemplo, “Basándose en los ROIs recientes y en los pronósticos, considere trasladar el 10 por ciento del presupuesto de ventas al marketing digital para fomentar un mayor crecimiento”).

Por supuesto, la implementación específica de la IA varía según la organización. En varias funciones financieras donde se ha adoptado de manera sólida, hemos observado que los profesionales de finanzas dedican entre un 20 y 30 por ciento menos de tiempo al análisis de datos. El tiempo liberado lo destinan a su función como socios del negocio que apoyan la ejecución de la estrategia. Al generar rápidamente informes personalizados que mantienen los controles adecuados de seguridad y acceso jerárquico, las herramientas de IA también facilitan que los departamentos financieros ofrezcan perspectivas en toda la organización.

Gestión de caja y capital de trabajo: Cómo la IA examina los términos y las facturas para lograr mayor precisión

Los flujos de trabajo agénticos impulsados por IA están habilitando el siguiente nivel de automatización tanto en los procesos de cuentas por pagar como de cuentas por cobrar, lo que ayuda a que los equipos de compras y otras áreas de back office sean más eficientes.

Por ejemplo, una empresa biotecnológica global introdujo un sistema de cumplimiento factura-a-contrato mediante un sistema de IA agéntica que incorpora contratos y facturas a lo largo del año y verifica que todos los términos contractuales se apliquen correctamente. Este enfoque ayuda a evitar pérdidas de valor cuando los proveedores omiten o aplican de forma incorrecta términos como descuentos por pronto pago, precios escalonados o reembolsos por volumen. Funciona en paralelo con la automatización ya existente, ampliando la cobertura a toda la base de gasto de la empresa y reduciendo la necesidad de supervisar manualmente los contratos de alto valor. El sistema puede interpretar cada contrato de proveedor y sus términos, rastrear las facturas entrantes para verificar el cumplimiento e identificar problemas que solo emergen al analizar múltiples facturas, como cuando los volúmenes de compra acumulados activan la elegibilidad para un nivel de precio inferior.

Gracias a este sistema de IA, la empresa identificó fugas de contratos equivalentes a aproximadamente el 4 por ciento del gasto total (un nivel de fuga común en el sector). Esto se tradujo en una clara oportunidad para recuperar valor perdido y mejorar el desempeño del margen. Para ponerlo en un contexto hipotético, en una empresa con un gasto nominal de $1,000 millones de dólares, cerrar esa brecha podría resultar en una mejora recurrente del margen de $40 millones de dólares.

Optimización de costos: Cómo la IA encuentra ahorros analizando el gasto granular

La IA puede simplificar la tarea tradicionalmente muy laboriosa de categorizar costos detallados analizando facturas y órdenes de compra complejas y organizándolas en categorías claras y estructuradas. Con una mayor visibilidad, los equipos de finanzas pueden aplicar algoritmos avanzados para detectar anomalías y áreas de despilfarro.

Para comprender y controlar mejor su base de gasto indirecto, una gran institución financiera europea se propuso identificar ineficiencias ocultas en sus operaciones. Comenzó recopilando datos a nivel de factura de miles de proveedores y organizándolos en una taxonomía de costos detallada con cuatro niveles de profundidad y aproximadamente 400 subcategorías. Para procesar y clasificar estos datos de manera eficiente, la organización utilizó una combinación de grandes modelos de lenguaje y analítica avanzada. Con el conjunto de datos estructurado, identificó ineficiencias aplicando métodos automatizados y semiautomatizados (en los que un experto revisó los resultados) para la detección de anomalías y patrones. Este análisis reveló oportunidades específicas para reducir costos y desperdicios en áreas como consumo de energía, viajes y transporte, y gestión de instalaciones. Si bien cada categoría generó ahorros modestos por sí sola, en conjunto ayudaron a reducir los costos en aproximadamente el 10 por ciento de una base de gasto de varios miles de millones de euros.

Otra gran empresa europea del sector del embalaje logró un mejor control de una base de proveedores fragmentada gracias al uso de IA generativa para categorizar a más de 10,000 proveedores. Tradicionalmente, la dirección se había centrado en los proveedores de mayor gasto, mientras que numerosos proveedores más pequeños —muchos en categorías de gasto indirecto— seguían poco comprendidos. Mediante la IA generativa, la empresa clasificó a todos los proveedores con mayor precisión, identificando patrones y solapamientos que antes habían pasado desapercibidos. Esta mayor visibilidad ayudó a descubrir oportunidades de ahorro de costos y a optimizar las estrategias de compras. La categorización también reveló brechas en la diversidad de proveedores, lo que permitió a la empresa ampliar su abastecimiento en áreas desatendidas.

Superar las barreras para escalar la IA en las finanzas

Para captar el potencial de la IA en las finanzas, los equipos tendrán que hacer algo más que añadir nuevas herramientas a las antiguas formas de trabajar. Deben reconfigurar procesos centrales, talento y tecnología para que la adopción se consolide y genere valor. En este camino, el progreso puede ralentizarse o detenerse debido a estos errores habituales:

• Esperar a tener datos perfectos. Algunos equipos retrasan la transformación de procesos hasta que todos los conjuntos de datos sean perfectamente precisos, conectados y estandarizados. En la práctica, los equipos de finanzas pueden generar valor entregando casos de uso que funcionen con los datos actuales, al tiempo que fortalecen las bases de datos.
• Intentar transformarlo todo a la vez. Esperar a que toda la función esté “lista para la IA” ralentiza el progreso. La mejor opción es transformar dominio por dominio, construyendo impulso y capacidades que generen resultados sostenibles.
• Empezar sin una hoja de ruta clara. Los proyectos piloto lanzados sin dirección rara vez escalan. Los líderes financieros necesitan una hoja de ruta alineada con sus prioridades de negocio, con decisiones claras sobre qué casos de uso abordar primero y cuáles después. Además, los casos de uso deben contar con el respaldo del talento técnico necesario para que tengan éxito.
• Descuidar la gestión del cambio. La principal barrera suele ser la adopción, no la tecnología. Dotar a los equipos de las capacidades necesarias y construir compromiso interno son esenciales para captar y sostener el impacto.
• Automatizar procesos fragmentados. Sin simplificar y estandarizar primero los flujos de trabajo centrales, la IA solo aumenta la complejidad. Eliminar pasos innecesarios y hacer que los procesos sean coherentes entre equipos permite que la tecnología escale de forma eficaz.

Para evitar estos escollos se requiere una visión clara, una sólida alineación con el negocio y un enfoque en la ejecución práctica. Los líderes financieros que aborden la IA con una estrategia basada en las necesidades del negocio estarán en la mejor posición para lograr un impacto duradero.

A medida que se amplía la adopción de la IA, la diferencia entre los proyectos piloto que se diluyen y aquellos que generan valor duradero se hace más evidente. Como muestran los casos prácticos de este artículo, las empresas que están logrando resultados son las que vinculan la IA a necesidades específicas del negocio, simplifican los procesos centrales y utilizan la tecnología para liberar capacidad para trabajo de mayor valor. Para los directores financieros, el mensaje es inequívoco: la oportunidad es real, pero captarla requiere ir más allá de la experimentación y avanzar hacia una ejecución disciplinada, anclada en las prioridades de la empresa.