La IA está reconstruyendo el ciclo de informes

Antes de fundar TheFinanceNewsletter.com y BeFluentInFinance.com, Andrew Lokenauth ocupó puestos de director y vicepresidente de finanzas en varios bancos reconocidos. Hoy es un referente de opinión en disciplinas financieras, con más de 3 millones de seguidores.

Hablamos con Andrew para conocer su perspectiva sobre cómo la IA está transformando el sector: sus riesgos y sus beneficios. Esto es lo que nos contó.

Automatización antes de que la IA se convirtiera en una palabra de moda

Comencé mi carrera en Citi y después trabajé en Goldman Sachs, AIG, JPMorgan y Signature Bank, en puestos relacionados con FP&A, finanzas estratégicas, relaciones con inversores y desarrollo corporativo. Automatizaba flujos de trabajo financieros con Python, SQL y VBA mucho antes de que la IA se convirtiera en un tema de conversación. En Goldman, reduje varios días los ciclos de elaboración de informes de pérdidas y ganancias. En Signature Bank, desarrollé sistemas que redujeron de varios días a menos de 24 horas el tiempo que necesitaban los ejecutivos para obtener información. Cuando apareció la IA generativa, no me pareció algo disruptivo. Me pareció el siguiente paso natural del trabajo que ya llevaba casi dos décadas realizando.

Después de dejar las finanzas institucionales, fundé TheFinanceNewsletter.com y BeFluentInFinance.com, donde escribo sobre finanzas y tecnología para más de 100.000 suscriptores del boletín y más de 3 millones de seguidores en redes sociales. Mis análisis sobre este tema han aparecido en Forbes, CNBC, The Wall Street Journal y Business Insider. Sigo escribiendo sobre ello por la misma razón por la que me interesé en el tema: la mayor parte de la conversación sigue siendo demasiado teórica, demasiado orientada por los proveedores y demasiado alejada de cómo funcionan realmente las finanzas en la práctica.

También dirijo una consultoría de asesoramiento fraccionado, donde ejerzo como CFO y COO fraccionado para startups de alto crecimiento y empresas del mercado intermedio con ingresos de entre 1 y 5 millones de dólares.

Cómo cambia la IA los informes mensuales

El mayor cambio en mi trabajo durante los últimos 12 meses ha sido sustituir los paquetes estáticos de informes mensuales por una capa de FP&A impulsada por IA que se sitúa sobre los sistemas financieros principales de un cliente. Extrae datos del software de contabilidad, el CRM y las nóminas, y ejecuta análisis automatizados de variaciones de forma continua.

Antes, un equipo financiero dedicaba los primeros cinco a siete días laborables de cada mes a recopilar datos, conciliarlos y dar formato a una presentación que ya estaba desactualizada cuando la dirección la veía. Ahora esa misma información está disponible en cuestión de horas: la IA se encarga de agregar los datos y detectar variaciones, mientras una persona revisa el resultado para aportar contexto y tomar decisiones que requieren criterio.

El resultado ha sido constante en todos los proyectos:

• Los ciclos de cierre mensual se reducen aproximadamente entre un 30 y un 40 %.
• La elaboración de la presentación para el consejo pasa de unos 3 días a menos de 6 horas.
• Las tasas de error disminuyen porque menos pasos manuales implican menos errores manuales.
• Los equipos financieros pasan de recopilar datos a centrarse en el análisis real del negocio.
• La calidad de las decisiones mejora en toda la empresa porque el CFO puede consultar sus datos financieros en tiempo real.

La tecnología no es complicada. Lo que le falta a la mayoría de los equipos es la voluntad de rediseñar el flujo de trabajo.

Un flujo de trabajo de cierre e informes impulsado por IA

Este es el desglose paso a paso del flujo de trabajo de cierre e informes:

1. Extracción automatizada de datos mediante Fivetran: una canalización programada extrae datos del software de contabilidad, el CRM y las nóminas y los incorpora a una base de datos limpia y centralizada cada 24 horas.
2. Conciliación basada en IA y señalización de variaciones mediante BlackLine: la capa de IA compara los resultados reales con el presupuesto en cada partida importante, señala las variaciones que superan los umbrales definidos y genera una explicación en lenguaje sencillo de cada señalización.
3. Revisión humana: el responsable de finanzas revisa cada elemento señalado, añade contexto empresarial y decide qué requiere una escalación. FloQast AI le ayuda con los comentarios sobre las variaciones.
4. Panel y resultados narrativos mediante Datarails: una presentación formateada para el consejo y un resumen ejecutivo se generan automáticamente a partir de los datos revisados y quedan listos para su distribución.

Lo que antes llevaba 3 días ahora lleva de 4 a 6 horas.

Ejemplos reales de cómo la IA ayuda y perjudica a los informes mensuales

Los pensamientos de Andrew

Un resultado que parece convincente no es lo mismo que uno fiable.

Este es un ejemplo. Trabajé con una empresa de tecnología financiera de Serie B en la que implementamos un sistema de monitorización del flujo de caja basado en IA que señaló un riesgo de concentración de clientes seis semanas antes de que se convirtiera en un problema de liquidez.

El modelo detectó un patrón en el vencimiento de las cuentas por cobrar que un revisor humano había pasado por alto durante los cierres mensuales anteriores. Ese único hallazgo valió más que el coste total de la implementación.

En el lado negativo, tuve un cliente cuyo pronóstico generado por IA se desvió entre un 15 y un 20 % en los meses con una alta variabilidad en las facturas. El modelo se había entrenado con patrones históricos que no reflejaban un cambio reciente en la composición de los ingresos. El resultado parecía pulido y convincente, y nadie lo cuestionó hasta que el director financiero detectó la variación en una reunión del consejo.

Un resultado que parece convincente no es lo mismo que uno fiable.

La IA se ocupa del «qué»; los humanos, del «y qué»

Las actividades más adecuadas para la IA son aquellas que tienen reglas claras, patrones históricos y un alto nivel de repetición. Utilizo la IA para:

• Ejecuciones de modelos de pronóstico
• Análisis de variaciones
• Modelización de escenarios de flujo de caja
• Detección de anomalías
• Informes rutinarios

El punto en el que los humanos siguen participando corresponde a las decisiones de asignación de capital, los juicios sobre riesgos, la negociación de contratos, las comunicaciones con inversores, las interpretaciones normativas y cualquier aspecto que requiera comprender un contexto empresarial que no aparece en los datos. Un modelo puede señalar que tu tasa de consumo de efectivo se está acelerando. No puede decirte que el motivo es un problema en la relación con los fundadores o que un representante de ventas está ocultando deliberadamente parte de las oportunidades de venta.

El modelo mental que utilizo es el siguiente: la IA se ocupa del «qué» y los humanos, del «y qué».

Esta es una de las formas más prácticas de pensar en la integración de la IA en una función financiera. Una sin la otra está incompleta, y ambos modos de fallo (automatizar en exceso o no automatizar lo suficiente) cuestan dinero real a las organizaciones.

Por qué la automatización excesiva y el exceso de confianza en la IA son grandes riesgos para los equipos financieros

La IA aporta muchos beneficios. Pero sus inconvenientes también son reales.

La IA crea una falsa sensación de confianza cuando los datos subyacentes no están limpios. He visto a equipos financieros confiar en informes de variaciones generados por IA sin cuestionar la calidad de los datos de origen, y eso crea un riesgo real.

También existe una trampa de la automatización excesiva: cuando eliminas la revisión humana de demasiados pasos, pierdes el conocimiento institucional que detecta lo que los modelos no pueden ver.

Creo que el sector necesita informes más honestos sobre esto y menos exageraciones de los proveedores.

En qué se queda corta la IA

En lo que respecta a las finanzas, la IA se queda corta principalmente en tres aspectos.

En primer lugar, esperaba que la IA estuviera más avanzada en la interpretación del cumplimiento normativo y el criterio regulatorio. Durante mis años en Signature Bank y Amalgamated Bank, gran parte del trabajo de controles financieros dependía de decisiones basadas en matices: leer las directrices regulatorias, anticipar las expectativas de los examinadores y saber cuándo una cifra cumple técnicamente, pero aun así merece una señal de alerta. Las herramientas de IA actuales pueden identificar normas relevantes y resumir documentos de orientación. Pero no pueden replicar el criterio que se adquiere tras años de sentarse frente a los reguladores.

En segundo lugar, la generación de pistas de auditoría y la explicabilidad dentro de flujos de trabajo financieros complejos. Cuando gestionaba las relaciones con inversores en Signature Bank para una institución de más de $110B, cada cifra que aparecía en una presentación ante la SEC, una llamada sobre resultados o un informe regulatorio tenía una pista de auditoría documentada y un responsable humano claramente definido. Los resultados generados por IA, especialmente los producidos por sistemas basados en modelos de lenguaje de gran tamaño, rara vez cuentan con una cadena de razonamiento que satisfaga a un regulador o a un auditor externo. El resultado puede ser correcto, pero no siempre puedes mostrar tu trabajo de la forma que exige un entorno de cumplimiento normativo.

Y, en tercer lugar, las empresas en sus primeras etapas con una infraestructura de datos desordenada. La propuesta de la IA presupone datos razonablemente limpios y conectados. La mayoría de las empresas emergentes no los tienen. Profundicemos en ello.

Por qué toda iniciativa de IA debería comenzar con una auditoría de datos

Pensamientos de Andrew

La calidad de los datos es el verdadero cuello de botella. No el modelo, ni la herramienta, ni el proveedor… Toda iniciativa de IA debería comenzar con una auditoría de datos, no con la selección de una herramienta.

La calidad de los datos es el verdadero cuello de botella. No el modelo, ni la herramienta, ni el proveedor. Comencé mi primer proyecto financiero habilitado por IA esperando que la parte difícil fuera la tecnología. No lo fue. La parte difícil fue descubrir que los datos financieros de la empresa residían en tres sistemas diferentes, ninguno de ellos conectado con los demás, con convenciones de nomenclatura incoherentes y meses de registros faltantes. Dedicamos aproximadamente el 60% del calendario del proyecto a limpiar los datos antes de que las herramientas de IA pudieran hacer algo útil.

Toda iniciativa de IA debería comenzar con una auditoría de datos, no con la selección de una herramienta. Debes saber qué datos tienes, dónde se encuentran, hasta qué punto están limpios y si están lo suficientemente estructurados como para que un modelo aprenda de ellos. Ese único paso ahorraría semanas de trabajo repetido y reajustaría mucho antes las expectativas de la dirección.

El modelo antiguo consistía en contratar a más personas para producir más información útil. El nuevo modelo consiste en crear una mejor infraestructura de datos y después dejar que la IA multiplique la producción de tu equipo actual. Es una decisión diferente de asignación de capital, y la mayoría de los responsables financieros aún no la han tomado.

Cómo están cambiando los equipos financieros debido a la IA

El mayor cambio que he observado en los equipos es la reducción de la capa de analistas júnior. Las tareas que antes requerían que entre 2 y 3 analistas extrajeran datos, realizaran conciliaciones y efectuaran análisis básicos de variaciones ahora pueden gestionarse mediante una capa de IA con una persona supervisando los resultados. Eso no siempre significa que se reduzca la plantilla. Con mayor frecuencia, la misma plantilla se reasigna a trabajos de mayor valor: colaboración estratégica con las unidades de negocio, análisis de escenarios, comunicación con inversores y planificación estratégica.

El perfil de talento de una buena incorporación al área financiera también está cambiando. Las mejores personas que busco ahora no solo destacan en contabilidad o modelización financiera. Entienden cómo trabajar con resultados de IA, saben cuándo confiar en un modelo y cuándo cuestionarlo, y pueden comunicar con claridad información financiera a las partes interesadas que no pertenecen al área financiera. Esta combinación de rigor financiero, conocimientos de IA y habilidades de comunicación es poco frecuente actualmente y tiene un valor superior.

Lo que los CFO deben aprender para prosperar durante la próxima década

Los CFO que prosperen durante la próxima década serán muy diferentes de los que prosperaron durante la década pasada. Las habilidades técnicas financieras (modelización, elaboración de informes y cumplimiento normativo) serán cada vez más requisitos básicos gestionados por la IA. Las habilidades que definirán a los grandes CFO serán el criterio, la comunicación, el pensamiento estratégico y la capacidad de liderar en situaciones ambiguas.

Mi consejo es que inviertas en las habilidades que la IA no puede replicar. Construye relaciones más sólidas con los líderes empresariales. Mejora tu capacidad para comunicar información financiera a públicos ajenos a las finanzas. Desarrolla un criterio estratégico genuino, no solo habilidades de análisis financiero. Esas son las capacidades que definirán a los directores financieros de élite en un futuro aumentado por la IA.

Cuatro pasos que todo director financiero debería dar

Estas son las cuatro cosas que les diría ahora mismo a todos los directores financieros:

Primero, haz una auditoría de datos antes que nada. Averigua dónde se encuentran tus datos financieros, hasta qué punto están limpios y si están lo suficientemente estructurados como para que un modelo pueda trabajar con ellos.

Segundo, empieza con un flujo de trabajo. Los directores financieros que he visto triunfar con la IA eligen el proceso que genera más problemas y se repite con mayor frecuencia en su función —normalmente el cierre mensual o la presentación para el consejo— y después rediseñan el flujo de trabajo antes de automatizarlo. Ese orden importa. Diseña el flujo de trabajo sobre el papel antes de crearlo en una herramienta. Documenta cada paso del proceso que quieres automatizar, identifica qué pasos se basan en reglas (listos para la IA) y cuáles requieren criterio (requieren intervención humana), y después construye en consecuencia.

Tercero, define los puntos de control de revisión humana antes de ponerlo en marcha. Toda salida de IA en un flujo de trabajo financiero debe tener un responsable humano que la apruebe.

Cuarto, mide la línea de base antes de empezar. Si no sabes cuánto tarda actualmente tu cierre o cuál es tu tasa de error actual en las previsiones, no puedes demostrar que la IA lo haya mejorado.

Estos cuatro pasos parecen sencillos, y lo son. Pero la mayoría de las organizaciones se salta dos o tres porque están deseando llegar a la tecnología. De ahí procede la mayor parte de la decepción.

Sigue su trabajo

Puedes seguir el trabajo de Andrew Lokenauth en LinkedIn, YouTube y en su sitio web personal. También puedes consultar The Finance Newsletter y su sitio BeFluentInFinance.com.

¡Próximamente habrá más entrevistas con expertos en The CFO Club!