El experto en finanzas nativo de la IA comparte sus flujos de trabajo — y cómo hacerlos auditables

Sergei Mochtchenkov ha trabajado más de 20 años en finanzas, incluidos varios puestos como director financiero. Ahora es director financiero fraccional y ha asesorado a más de 300 clientes de una amplia variedad de sectores.

Nos sentamos con Sergei para conocer los flujos de trabajo y las herramientas que utiliza en las organizaciones financieras. Esto es lo que nos contó.

Un director financiero nativo de la IA

Soy Sergei Mochtchenkov, CFA. Soy director financiero fraccional y trabajo desde Kyiv con empresas de Norteamérica, Europa y otras regiones. He trabajado más de 20 años en finanzas: modelización financiera, valoración, análisis de inversiones y visualización de datos (Excel, Power BI, SQL). A lo largo de mi trayectoria, he asesorado a más de 300 clientes, he respaldado operaciones de deuda y capital por más de 1.000 millones de dólares y varias salidas a bolsa del sector tecnológico, y he ejercido como director financiero o analista jefe para empresas que van desde una plataforma de marketing de influencers basada en IA hasta un fondo inmobiliario de California.

La estructura es reducida por diseño. Estoy en la parte superior como director financiero y analista jefe; un equipo pequeño se encarga de la contabilidad, las conciliaciones y los informes; y los agentes de IA trabajan entre medias: procesan extractos bancarios, clasifican transacciones, auditan modelos y redactan informes. La complejidad proviene menos del número de empleados que de la variedad: estructuras con varias entidades, cuentas entre empresas, distribuciones de inversores, SAFEs y tablas de capitalización, además de una combinación de plataformas contables (QuickBooks, Xero, Odoo, Shopify y Amazon Seller Central).

Mi camino hacia la IA fue práctico, no teórico. El trabajo fraccional implica atender a muchos clientes al mismo tiempo, y el cuello de botella siempre era el mismo: horas dedicadas a limpiar datos, reconstruir modelos y auditar hojas de cálculo antes de poder empezar a pensar de verdad. Cuando la IA llegó a ser lo bastante fiable como para leer un libro mayor, procesar extractos bancarios o seguir una cadena de fórmulas defectuosa, reconstruí mi práctica en torno a ella.

Hoy me posiciono como un director financiero fraccional nativo de la IA: la IA realiza el trabajo pesado con los datos y prepara los primeros borradores, mientras que yo dedico mi tiempo al criterio profesional: qué significan las cifras y qué debería hacer después el propietario.

Cómo agiliza la IA la preparación de datos en las operaciones financieras

Este es el mayor cambio que he realizado con la IA: he dejado de considerar la preparación de datos sin procesar como una tarea humana.

Cada nuevo encargo comenzaba con días de trabajo pesado: descargar extractos bancarios en PDF de varios bancos, convertirlos de forma semimanual y, después, clasificar miles de transacciones línea por línea antes de poder iniciar cualquier análisis. Se producían errores y la persona más costosa del encargo dedicaba su tiempo a la tarea de menor valor.

Así que creé un flujo de trabajo asistido por IA. Claude escribe y ejecuta Python (con pdfplumber) para procesar los extractos de distintos bancos y convertirlos en archivos de Excel limpios, y cada resultado se valida mediante una conciliación completa de saldos —el saldo inicial más las transacciones debe ser igual al saldo final, periodo por periodo—, de modo que nada se acepta sin verificación. Después, las transacciones llegan a una base de datos de Supabase, donde la IA las clasifica según las reglas de mapeo que defino y apruebo, y cualquier elemento ambiguo se me remite. En un encargo reciente, esto abarcó cuatro entidades de cuatro bancos muy diferentes: estadounidenses y saudíes, un neobanco y un banco tradicional.

Como resultado, el tiempo de respuesta de la fase de datos se redujo considerablemente, la precisión aumentó porque la validación es sistemática en lugar de basarse en comprobaciones puntuales, y mi tiempo pasó de introducir datos a aplicar el criterio profesional: revisar excepciones, flujos entre empresas y elementos de partes vinculadas, que es donde se encuentran los hallazgos reales.

Cómo impulsa la IA las auditorías de modelos

A menudo realizo auditorías y reconstrucciones de modelos financieros. Así es como lo hago:

• Paso 1 — Establecer las reglas: Crear un proyecto de Claude con instrucciones por escrito: convenciones de nomenclatura, entregables únicamente en inglés, fórmulas como texto sin formato y archivos incluidos y excluidos del alcance.
• Paso 2 — Inventario y mapa de dependencias: Claude, utilizando Python (openpyxl), cataloga cada hoja, rango con nombre, vínculo externo, número codificado y patrón de fórmula, y después crea un mapa de qué alimenta a qué. No tocamos ninguna celda hasta comprender la estructura del modelo.
• Paso 3 — Búsqueda de errores: La IA rastrea las cadenas de cálculo comparándolas con la lógica prevista del modelo — cascadas, TIR, calendarios de deuda y flujo de caja — y genera una lista de errores que detalla las ubicaciones de las celdas, la gravedad y el impacto en dólares. Antes de clasificar algo como un error que merece corregirse, comprobamos si algo posterior lee esa celda.
• Paso 4 — Ejecución en dos chats: Utilizo un chat principal para definir el alcance y revisar, y un chat de ejecución independiente. El chat de ejecución recibe un único encargo escrito cada vez, lo lleva a cabo y comprueba de forma independiente el razonamiento del chat principal. Cuando las dos revisiones de la IA no coinciden, me indica que debo investigar más.
• Paso 5 — Verificación: Realizo recálculos completos, búsquedas de errores cero, conciliaciones con los documentos fuente y pruebas de estrés en escenarios clave. Después, reviso personalmente los cambios y la lógica.

Por qué la IA gestiona los datos y las personas toman las decisiones

En cuanto a dónde utilizar la IA y dónde utilizar a las personas, mi regla es sencilla: la IA prepara, prueba y redacta borradores; una persona decide y firma.

Confío en la IA para:

• Ingesta y conciliación de datos: análisis de extractos, categorización de transacciones y análisis de cuentas por cobrar y cuentas por pagar.
• Auditoría de modelos: rastrear cadenas de fórmulas, encontrar vínculos rotos, sobrescrituras codificadas y errores latentes en los modelos de los clientes. La IA lee miles de fórmulas sin cansarse.
• Previsiones: Para clientes de comercio electrónico, he creado sistemas de previsión de la demanda que limpian los datos, normalizan la estacionalidad y la inversión publicitaria, y producen intervalos de ventas con bandas de confianza del 95 % que alimentan un plan de compras.
• Análisis de desviaciones
• Comentarios iniciales
• Ejecuciones de escenarios
• Investigación, como referencias competitivas y datos de mercado

Lo que sigue siendo explícitamente humano:

• Supuestos: Un modelo solo es tan bueno como la tasa de crecimiento, la tasa de capitalización o el supuesto de abandono en el que se basa, y estos requieren comprender el negocio y a las personas que lo dirigen.
• Asignación de capital, conclusiones de valoración y cualquier asunto que se presente a un inversor, prestamista o consejo de administración bajo mi nombre: Como titular de la certificación CFA, soy responsable de la conclusión, y la responsabilidad no puede delegarse en un modelo.
• Decisiones sobre personas y relaciones: Recortes de costes que afectan a puestos, negociaciones y la conversación con un fundador cuyo plan no funciona.

Los dos principales beneficios de la IA en las finanzas

La escala de la verificación ha sido uno de los grandes beneficios de la IA. Comprueba exhaustivamente trabajos que antes se revisaban mediante muestreo. Entre los ejemplos recientes se incluyen: un libro de trabajo de verificación de métricas con 134 elementos para la presentación a inversores de una producción cinematográfica, en el que rastreamos cada cifra de la presentación hasta los documentos fuente; una herramienta de presupuestos para clientes con 126 tareas y unas 1.200 fórmulas, que no produjo ningún error de fórmula; y una conversión de extractos bancarios de cuatro entidades en la que todos los periodos superaron una conciliación completa de saldos.

El coste es otra ventaja. La IA permite a las organizaciones automatizar tareas y procesos repetitivos. También facilita reducir las licencias de software no utilizadas y la inversión en marketing en canales con bajo rendimiento.

Lecciones aprendidas de los ámbitos en los que la IA tiene dificultades

Los errores de la IA son peligrosos precisamente porque parecen profesionales. He visto resultados pulidos con una referencia de rango incorrecta o una partida mal interpretada que superarían una revisión superficial. Un ejemplo pequeño pero revelador: las fórmulas citadas dentro de un informe incluían un signo igual inicial, por lo que la hoja de cálculo intentaba evaluarlas, generando referencias rotas y advertencias falsas de referencia circular. Ahora, una regla permanente establece que las fórmulas de los entregables deben escribirse como texto sin formato.

La IA también se apresurará a «corregir» cosas que no importan. Antes de decidir si recuperar o corregir un valor, primero compruebo si algo posterior realmente lo lee. Esta sencilla disciplina evita mucho esfuerzo desperdiciado.

Y aquí hay un par de ámbitos concretos en los que la IA no ofrece resultados:

• Modelos grandes de Excel heredados: esperaba que la IA «simplemente entendiera» y corrigiera un modelo de 30 pestañas. No lo hace. Los libros de trabajo grandes con vínculos externos, hojas ocultas, VBA antiguo o controles ActiveX y años de parches la abruman; pierde el hilo entre las pestañas y propone correcciones que rompen algo en otra parte. Los enfoques más lentos y disciplinados funcionan mejor: primero, crear un inventario y un mapa de dependencias del modelo; después, dejar que la IA realice una tarea delimitada cada vez, con una revisión independiente que compruebe el resultado. La IA es una analista potente, pero todavía no es una arquitecta.
• Previsiones en contextos de cambio de régimen: las previsiones estadísticas y de aprendizaje automático funcionan especialmente bien cuando el futuro se parece al pasado; por ejemplo, con la demanda estacional del comercio electrónico. Al vivir y trabajar en Ucrania, a menudo veo lo mal que los modelos basados en la historia gestionan la guerra, las sanciones, las perturbaciones monetarias y la inflación repentina de costes. En esos entornos, la IA produce cifras seguras de sí mismas sin una base real; el análisis de escenarios y el criterio humano importan mucho más.

Y un aspecto menor: la categorización de transacciones llega a un punto muerto. La IA gestiona bien la mayor parte, pero el resto ambiguo —transferencias entre partes vinculadas, gastos de los propietarios, flujos entre empresas del grupo— es precisamente donde reside el riesgo contable, y eso todavía necesita un manual de reglas elaborado por personas.

Cómo introduce la IA riesgos de costes ocultos en las finanzas

Los directores financieros deben vigilar el coste de computación como un coste variable oculto de los bienes vendidos.

Muchos directivos todavía consideran la IA como software: una suscripción fija. En los productos nativos de IA, no es así. Cada acción del usuario puede activar llamadas al modelo, y el coste de inferencia aumenta con el uso, la longitud de las instrucciones y la elección del modelo. Esto convierte lo que parece un negocio de software como servicio con un margen elevado en algo con costes variables reales y volátiles. Con frecuencia veo empresas emergentes de IA cuyos márgenes brutos se erosionan silenciosamente a medida que crecen porque el diseño de su modelo asumía márgenes propios del software y nadie hacía un seguimiento del coste por cliente, por función o por transacción.

La solución consiste en aplicar una disciplina financiera básica a una nueva partida de costes: medir la economía unitaria al nivel de la llamada a la IA, incluir la computación en el coste de los bienes vendidos, donde corresponde, establecer presupuestos y alertas, adaptar el tamaño del modelo a la tarea y fijar el precio del producto teniendo en cuenta la computación. El control del coste de computación es ahora una responsabilidad central del director financiero en cualquier empresa con un uso intensivo de la IA, no un detalle de ingeniería.

Cómo gestionar la IA

La IA necesita gestión, no solo instrucciones. Al principio, la trataba como una herramienta muy rápida, pero se comporta mucho más como una nueva empleada brillante, sin memoria del día anterior y con un fuerte deseo de ser útil. Estas son tres cosas que le diría a mi yo del pasado si pudiera:

• Escribe las reglas una sola vez. Todas las empresas tienen convenciones no escritas: cómo se muestran los porcentajes, qué cuentas aparecen en cada informe, cómo se documentan las fórmulas y en qué idioma se entregan los documentos. Si solo existen en tu cabeza, la IA hará algo diferente cada vez de forma «razonable».
• Separa las preguntas de los cambios. Pregunta a la IA por qué parece extraño un número y a menudo lo «corregirá». Mi regla permanente ahora es la siguiente: cuando hago una pregunta, la IA responde primero y espera aprobación antes de cambiar nada. Al principio, esto habría evitado varias modificaciones silenciosas que tuve que deshacer.
• Mantén las tareas pequeñas y el original intacto. Mis primeros intentos daban a la IA demasiado de una vez: «revisa todo este modelo y corrígelo». Los resultados parecían impresionantes y eran difíciles de verificar. Unas instrucciones de tarea delimitadas, un cambio cada vez, una copia limpia del original y un registro de cambios hacen que cada paso se pueda comprobar.

Estas tres cosas me habrían ahorrado horas de reelaboración, varios incidentes embarazosos evitados por poco durante la revisión y la falsa creencia, durante un tiempo, de que el principal valor de la IA es la velocidad. El principal valor es que puedes permitirte verificarlo todo, pero solo si diseñas el proceso para ello.

Cómo se puede utilizar la IA en el capital circulante

La mayoría de los equipos financieros todavía gestionan las cuentas por cobrar, las cuentas por pagar y las existencias con informes mensuales y a partir de la intuición, aunque es aquí donde se genera o se queda atrapado el efectivo. Sin embargo, la IA es especialmente potente en este ámbito porque los datos de entrada son abundantes y repetitivos, y contienen patrones que las personas no tienen tiempo de detectar.

Dos áreas que he rediseñado:

• Planificación de inventario y compras para el comercio electrónico: Para marcas de ropa deportiva, bañadores, juguetes y barritas de proteínas, sustituimos «volver a pedir lo que se vendió la temporada pasada» por un sistema de previsión que ya he mencionado brevemente. Limpiamos el historial de ventas, normalizamos según la estacionalidad y la inversión publicitaria, pronosticamos la demanda con intervalos del 95 % y, después, elaboramos un plan de compras que equilibra explícitamente el coste de almacenamiento, el margen bruto, la rentabilidad sobre fondos propios, los descuentos por volumen y el plazo de entrega del proveedor. El resultado es una decisión de compra basada en un rango de resultados, con el coste de equivocarse en cualquiera de las dos direcciones visible desde el principio, en lugar de una única estimación.
• Cuentas a cobrar, cuentas a pagar y comunicaciones: Creo análisis basados en Claude sobre las cuentas a cobrar, las cuentas a pagar y las propias comunicaciones de la empresa, para que el departamento financiero no vea simplemente que una factura está atrasada, sino por qué: una disputa, un problema de entrega, un cliente en dificultades, y pueda actuar antes. El mismo enfoque detecta cuentas a pagar duplicadas o inusuales, así como condiciones de los proveedores que se han desviado gradualmente sin que nadie lo advirtiera.

Por qué Claude Code y Cowork cambian las reglas del juego en las finanzas

Claude cambia las reglas del juego, especialmente en su forma orientada a agentes (Claude Code y Cowork), en la que no se limita a conversar, sino que trabaja con archivos, escribe y ejecuta Python, lee y crea modelos de Excel, y se conecta a bases de datos y aplicaciones empresariales.

Con esta herramienta, puedo analizar extractos bancarios, auditar un modelo de 30 pestañas, crear un sistema de previsión, redactar un memorando para inversores y crear un conjunto de datos listo para Power BI y, lo que es más importante, escribe código que puedo conservar, volver a ejecutar y auditar, en lugar de limitarse a darme respuestas. Las instrucciones a nivel de proyecto me permiten codificar una vez las reglas de cada cliente, de modo que el trabajo mantenga la coherencia entre sesiones.

Pero Excel sigue siendo indispensable. Continúa siendo el lenguaje que leen los inversores, los prestamistas y los consejos de administración, y los mejores flujos de trabajo de IA que ejecuto terminan en una hoja de cálculo limpia y transparente que una persona puede revisar línea por línea.

Cómo la IA está cambiando los equipos y las trayectorias formativas

La pirámide se ha convertido en un diamante. Tradicionalmente, un departamento financiero necesita muchas personas júnior que introduzcan datos, realicen conciliaciones y elaboren los primeros borradores de los modelos; algunas personas sénior que los revisen; y un socio en la cima. Hoy, la IA realiza la mayor parte de esa capa básica.

En consecuencia, la combinación de talento que busco ha cambiado. Hay menos valor en la velocidad de procesamiento de datos y mucho más en tres aspectos: comprender cómo gana dinero una empresa, saber redactar un encargo preciso y comprobar el resultado, y tener la seguridad necesaria para decirle a un fundador que una cifra o un plan es incorrecto.

La cuestión aún abierta para la profesión es la trayectoria formativa. Antes, los profesionales júnior aprendían haciendo el trabajo tedioso. Si la IA se encarga de ello, tenemos que enseñar deliberadamente el criterio profesional: hacer que las personas revisen, cuestionen y expliquen los resultados de la IA, en lugar de producirlos desde cero.

Cinco consejos para directores financieros

Estos son mis consejos para los directores financieros:

• Utiliza la IA tú mismo esta semana, en trabajo real. No delegues la IA en un comité de innovación ni esperes a la implementación empresarial perfecta. Elige un proceso doloroso y repetitivo —una conciliación, una auditoría de modelos, un primer borrador del paquete para el consejo— y hazlo personalmente con IA. No puedes liderar una transformación que no has experimentado.
• Diseña los controles antes de escalar. Cada flujo de trabajo de IA necesita una comprobación integrada que no dependa de confiar en la IA: una revisión de los saldos, una conciliación con el libro mayor, una segunda revisión independiente. La IA comete errores más rápido y de forma más convincente que un analista júnior, por lo que el diseño de tus controles debe ser mejor que antes.
• Mantén el criterio y la responsabilidad en manos humanas. Deja que la IA prepare, compruebe y redacte; mantén las hipótesis, la asignación de capital y cualquier cosa que se firme en tu nombre en manos de las personas. Deja ese límite por escrito para que tu equipo sepa dónde está.
• Reconstruye el equipo, no solo las herramientas. El futuro equipo financiero será más pequeño, más sénior y más analítico. Invierte en personas capaces de formular preguntas, cuestionar las cifras y hablar con el negocio; esas habilidades se multiplican con la IA, mientras que el procesamiento puro de datos no.
• Mide el valor, no la actividad. Informar más rápido está bien, pero la verdadera pregunta es si estás encontrando más valor: margen que no habías detectado, efectivo inmovilizado en el lugar equivocado, una operación con un precio incorrecto. Si la IA libera tiempo del equipo financiero y ese tiempo no se dedica a tomar decisiones, solo has automatizado el trabajo anterior.

Sigue su trabajo

Puedes seguir el trabajo de Sergei Mochtchenkov en LinkedIn. También puedes visitar aistartupcfo.com y financialmodeling.net.

¡Habrá más entrevistas con expertos en The CFO Club!