La IA está transformando las competencias de los equipos financieros
Descubra cómo los líderes financieros pueden utilizar la IA para la elaboración de previsiones y análisis, al tiempo que desarrollan las habilidades estratégicas y de comunicación que impulsan las decisiones empresariales.
Christian Wattig
Fundador de Inside FP&A
Uso de la IA: La IA puede elaborar análisis iniciales en finanzas, pero requiere una revisión humana exhaustiva para garantizar la precisión.
Problema de variaciones: Comprender las variaciones en las previsiones de IA depende de la calidad de los datos introducidos, no de fallos en el propio modelo.
Estandarización de procesos: Para beneficiarse de la IA, los equipos financieros deben estandarizar los procesos antes de su implementación.
Método de indicaciones: Utilizar el enfoque de indicaciones de Greg Brockman mejora la eficacia de las herramientas de IA en finanzas.
Habilidades estratégicas: Los equipos financieros deben centrarse en habilidades estratégicas y análisis profundos para aportar valor en la era de la IA.
Christian Wattig es el fundador de Inside FP&A, una plataforma de cursos en línea que enseña a los equipos de finanzas a impulsar mejores decisiones empresariales. Ha formado a líderes en empresas como Google, Merck, Lowe’s y Discover, y también ha ocupado cargos en finanzas en Procter & Gamble, Unilever y Squarespace.
Nos sentamos con él para entender las habilidades que se requieren actualmente en los líderes de finanzas, ahora que la IA puede hacerse cargo de gran parte del trabajo. Esto es lo que nos contó.
Liderando FP&A
Soy experto en FP&A, creador de cursos online y formador corporativo. Mis programas presenciales han capacitado a equipos financieros en Google, Merck, Lowe’s, Discover y muchos más para tomar mejores decisiones empresariales. También dirijo el programa de certificación en FP&A de la Wharton School de la Universidad de Pensilvania y comparto ideas en LinkedIn y en mi boletín semanal.
¿Quieres más de The CFO Club?
Crea una cuenta gratuita para terminar de leer este artículo y únete a una comunidad de CFOs y ejecutivos financieros modernos que acceden a marcos probados, herramientas e ideas para navegar las finanzas impulsadas por IA.
Have an account? Log In
Antes de fundar mi plataforma de cursos en línea, Inside FP&A, pasé más de una década en Procter & Gamble y Unilever, liderando equipos de FP&A y contabilidad en mercados globales. Y antes de eso, me uní a empresas tecnológicas de rápido crecimiento, incluyendo ayudar a llevar a Squarespace a la bolsa y preparar la primera historia financiera de la empresa para los analistas de Wall Street.
Cómo debe usarse la IA en FP&A
La IA debe usarse para el primer borrador de análisis y creación de modelos.
"Primer borrador" es el término clave aquí. Muchas personas me dicen que pensaban que la IA se encargaría del 95% de sus tareas de modelado, pero crear modelos financieros sólidos requiere más tiempo revisando los resultados, lo que elimina gran parte del ahorro de tiempo.
También es útil para la previsión basada en análisis de series temporales. Ya no necesitas un equipo de ciencia de datos ni software costoso para construir una previsión algorítmica. ChatGPT, Claude y Gemini son excelentes para generar previsiones estadísticas. Solo tienes que proporcionarles datos históricos y pedirles que creen código Python que ejecute un modelo ARIMA en Excel.
Y aquí hay otras formas en las que utilizo la IA en FP&A todos los días:
- Análisis de variaciones: Construir árboles de impulsores que expliquen las desviaciones.
- Preparación para socios de negocio: Llegar a las reuniones preparados para recopilar la información correcta de los socios.
- Revisiones de presupuesto: Identificar riesgos y oportunidades en el presupuesto de un socio de negocio sin dañar la relación.
- Pulido de informes: Contar la historia detrás de los números
- Presentaciones al consejo: Anticipar preguntas difíciles antes de que se formulen
Para ejemplos de prompts en cada uno de estos casos de uso, haz clic aquí.
Sin embargo, algunas tareas deben seguir siendo humanas:
- Análisis profundo
- Colaboración empresarial
- Influencia
- Evaluar compensaciones
Por qué la variación en la previsión con IA está dictada por los datos de entrada
Hace algunos años, cuando lideraba un equipo de FP&A en una gran empresa de bienes de consumo, mantenía la previsión de capital de trabajo. Era una previsión monstruosa, con docenas de subpronósticos para partidas y divisiones que se consolidaban en el número total de la empresa. Como era tan compleja y requería mucho tiempo, la elegimos para probar por primera vez un enfoque de aprendizaje automático.
Externalizamos el desarrollo del modelo de IA a un tercero. Cuando recibimos los primeros resultados del nuevo modelo y los comparamos un mes después con los resultados reales, estábamos emocionados. La precisión de la previsión fue significativamente mejor que la de nuestros resultados anteriores. Yo estaba seguro de que este proyecto sería un éxito rotundo hasta que el equipo directivo quiso una explicación sobre la variación restante entre las predicciones del modelo de aprendizaje automático y los resultados reales.
No tenía idea de cómo responder a esa pregunta porque no participé en la creación del modelo. Me puse en contacto con el científico de datos responsable del modelo en el tercero. Lo abordé de la misma manera en que analizaría una desviación de un modelo de pronóstico tradicional en Excel: le pedí que me explicara cómo funciona el modelo para poder identificar qué podría estar causando la desviación. Me dijo: «Utilizamos un conjunto de diferentes algoritmos de aprendizaje automático. Compiten entre sí cada mes, y el modelo que mejor desempeño tenga es el que hace el pronóstico. Específicamente, empleamos algoritmos de aprendizaje automático como DeepAR de Amazon, Temporal Fusion Transformer de Google y algoritmos tradicionales como Holt-Winters y modelos Autoregressive Integrated Moving Average. En total, el conjunto incluye 12 algoritmos diferentes que compiten entre sí. Probamos retrospectivamente cada uno y luego elegimos el que tiene mayor precisión.»
No entendí más de la mitad de lo que dijo, así que le pregunté: «Está bien, ¿por qué crees que todavía existe una desviación tan significativa entre los resultados reales y las predicciones del modelo?» Él respondió que no tenía idea porque no entendía nuestro negocio.
La situación era que yo no entendía cómo funcionaba el modelo de aprendizaje automático y el científico de datos no comprendía cómo funcionaba el negocio. ¿Cómo podíamos explicar una desviación aquí? Pensé en diferentes soluciones para este problema. ¿Deberíamos invitar al científico de datos a nuestra oficina para que podamos explicarle cómo funciona el negocio? ¿Deberíamos pedirle a alguien de nuestro equipo que tome un curso sobre aprendizaje automático y ciencia de datos? ¿Era siquiera posible aprender esto sin obtener un título en matemáticas o informática?
Me tomó un tiempo, pero finalmente me di cuenta de que estaba abordando el problema de forma incorrecta. De hecho, estaba intentando resolver el problema equivocado. Con el aprendizaje automático, no explicas las desviaciones señalando fallos en el propio modelo. Los algoritmos más avanzados se llaman "modelos de caja negra" por una razón: incluso los científicos que los construyeron a veces no entienden las conclusiones que generan. Me di cuenta de que todo depende de las entradas. Basura que entra, basura que sale.
Para explicar las desviaciones en el aprendizaje automático, debemos investigar si los datos que le damos al modelo son correctos y suficientes. La mejor manera de hacer esto es combinar la experimentación con un enfoque llamado «backtesting» o prueba retrospectiva. Con los modelos de IA, puedes simular que el último año aún no ha ocurrido y pedirle al modelo que genere un pronóstico. Por ejemplo, si estamos en mayo de 2026, puedo pedirle al modelo de IA que pronostique 2025 alimentándolo con datos históricos de 2020 a 2024. Así, puedes comparar de inmediato qué tanto se acerca a los resultados reales, ajustar los datos y volver a probar.
Al final, nos dimos cuenta de que la precisión de los pronósticos mejoraba significativamente cuando alimentábamos el modelo con datos adicionales de nuestros sistemas de inventario, datos que nunca habíamos considerado antes porque hacerlo habría hecho que nuestros modelos tradicionales basados en hojas de cálculo fueran aún más complejos.
Con el aprendizaje automático, no explicas las desviaciones señalando fallos en el propio modelo. Los algoritmos más avanzados se llaman “modelos de caja negra” por una razón: incluso los científicos que los construyeron a veces no entienden las conclusiones que generan.
Por qué los CFOs deben estandarizar los procesos antes de implementar IA
La IA no arregla los procesos financieros rotos. Los escala.
He visto suficientes equipos de finanzas adoptar nuevas tecnologías para saber cómo funciona esto. Las herramientas amplifican lo que ya existe, sea bueno o malo.
Si tus comentarios sobre desviaciones son un caos hoy, por ejemplo, cada analista los escribe diferente, no hay umbrales acordados, no hay una estructura consistente: la IA producirá ese mismo caos en todos los centros de costo, pero fluido y rápido. Si tu modelo no tiene documentación ni estándares de nomenclatura, la IA te ayudará a romperlo todavía con más confianza. Si tu pronóstico varía un 20% de un mes a otro sin una narrativa clara del motivo, la IA mantendrá esa variabilidad, solo que mejor formateada.
Los equipos de finanzas a los que veo obtener valor real de todo esto no son los que tienen la configuración más sofisticada. Son aquellos que ya sabían cómo se ve lo correcto. Tenían plantillas. Tenían una definición funcional de "útil". Habían hecho el trabajo poco glamoroso de estandarizar antes de pedirle nada a la IA.
Por qué los equipos de finanzas deben usar el método de instrucciones de Greg Brockman
Muchos equipos de finanzas tienen dificultades para obtener buenos resultados de sus herramientas de IA porque sus instrucciones son demasiado cortas o no son lo suficientemente específicas. Tratan a la IA como si fuera una búsqueda en Google.
Siempre sugiero el método de Greg Brockman para pedir razonamiento a los modelos:
- Objetivo
- Formato de salida
- Advertencias
- Contexto
Con este enfoque, los equipos siempre obtienen mejores resultados.
Cómo los CFOs deberían rediseñar la contratación para la era de la IA
Los CFOs necesitan rediseñar sus procesos de selección de candidatos. La era de la IA exige habilidades diferentes.
Tradicionalmente, los líderes se enfocan en la velocidad con hojas de cálculo, el dominio de Excel y la calidad en la redacción de informes. Pero la IA está automatizando todas estas tareas. En su lugar, busca lo siguiente:
- Juicio bajo incertidumbre
- Comunicación empresarial
- Pensamiento sistémico
- Velocidad de aprendizaje
- Fluidez de datos
Cuando entrevistes candidatos para cualquier puesto, prueba lo siguiente:
- Entrega a los candidatos una breve, plausible y generada por IA explicación de variación o resumen de rendimiento. Pídeles que identifiquen lo que es cuestionable y lo que habría que verificar. Después, pídeles que lo reescriban en unos pocos puntos clave para un ejecutivo.
- Pide al candidato que te dé las primeras cinco preguntas que haría si necesitara explicar por qué el pronóstico de ingresos fue inexacto — y por qué.
- Dile al candidato que esperas presión de margen e incertidumbre en la demanda el próximo trimestre. Pídele que defina tres escenarios, nombre los impulsores clave y recomiende qué hacer ahora.
Cuidado con el exceso de confianza, el pensamiento enfocado solo en herramientas, una comunicación débil y la ausencia de compensaciones. Estos tres ejercicios te ayudarán a evaluar los atributos que mencioné arriba.
Por qué ahora importan las habilidades estratégicas y el análisis profundo
Los equipos de finanzas necesitan saber para qué están optimizando.
Una vez que liberen todo ese tiempo con IA, los líderes sénior esperarán que aporten valor de otra manera: convirtiéndose en socios estratégicos y proporcionando análisis profundos. Se esperará que conecten los puntos entre las métricas operativas y los resultados financieros para hacer recomendaciones concretas sobre cómo la empresa debe aprovechar oportunidades o mitigar riesgos.
En otras palabras, deben mejorar sus capacidades en las habilidades financieras estratégicas de alto nivel que la IA no puede abordar. Esa es la única manera de ganarse un lugar en la mesa en un futuro habilitado por la IA.
Sigue aprendiendo
Sigue el trabajo de Christian Wattig en LinkedIn. Y aprende de él en su YouTube o revisa su plataforma de cursos online, Inside FP&A.
¡Más entrevistas con expertos pronto en The CFO Club!
