El Director Sénior de los Sistemas del CFO de LinkedIn dice que la IA está transformando las finanzas de una función de informes a un sistema operativo

Explora cómo la IA está transformando las finanzas de una función de reporte a un sistema de toma de decisiones, ayudando a los equipos a mejorar las previsiones, reducir el trabajo manual y actuar más rápido ante los riesgos empresariales.

Read Now

By Bradley Clifford on Jul 7, 2026

Key Takeaways

Finanzas impulsadas por IA: La IA identifica los problemas existentes en finanzas y convierte esta área de un simple reporte a operaciones estratégicas.

Rol de liderazgo: Pankaj Prasoon lidera la Tecnología Financiera de LinkedIn, integrando diversas operaciones globales con herramientas de IA.

Desafíos de la IA: La IA amplifica los defectos ya presentes en los sistemas, haciendo que disponer de datos consistentes y listos para la toma de decisiones sea una necesidad fundamental.

Nuevos flujos de trabajo: La IA reduce el tiempo de análisis en un 30-60%, pero no reemplaza por completo el juicio humano en finanzas.

Obstáculos para la adopción: El éxito de la IA depende más del cambio en el comportamiento de los equipos que de la implementación tecnológica.

Pankaj Prasoon es Director Senior de Sistemas y Tecnología del CFO en LinkedIn. Cuenta con dos décadas de experiencia trabajando en organizaciones de renombre como Microsoft e Infosys.

Entrevistamos a Pankaj para aprender cómo está rediseñando las finanzas desde cero. Nos compartió qué está funcionando en las finanzas impulsadas por inteligencia artificial —y qué no.

Transformando las Finanzas de una Función de Reporte a un Sistema Operativo

He pasado cerca de dos décadas en la intersección de las finanzas, los sistemas empresariales y el pensamiento de producto —en organizaciones como Microsoft, Infosys y ahora, LinkedIn, donde ayudo a dar forma al futuro de la tecnología financiera.

Mi viaje no comenzó con la inteligencia artificial. Comenzó con frustración. Frustración de estar en salas donde dos sistemas mostraban números diferentes. Frustración de ver equipos financieros que pasan más tiempo conciliando el pasado que moldeando el futuro. Frustración de ver a líderes financieros increíblemente inteligentes limitados por sistemas fragmentados y conocimientos retrasados.

La inteligencia artificial es una función catalizadora. Está exponiendo todo lo que ya estaba roto:

Procesos rígidos
Información retrasada
Sobredependencia del juicio manual
Sistemas diseñados para el control, no para la inteligencia

Lo que me entusiasma de este momento no es la automatización —es la amplificación. Por primera vez, los líderes financieros pueden pasar de la retrospección a la previsión, de generar informes a influir, y de la eficiencia a la efectividad.

Hoy, mi enfoque está en construir lo que llamo un modelo de Estrategia y Plataformas de Tecnología Financiera —donde la arquitectura, el pensamiento de producto y la IA se unen para crear un sistema que no solo sigue al negocio, sino que lo moldea activamente. Porque el futuro de las finanzas no es solo cerrar los libros más rápido. Se trata de ayudar al negocio a tomar mejores decisiones antes de que los números estén escritos.

Pankaj Comparte

La inteligencia artificial es una función catalizadora. Está exponiendo todo lo que ya estaba roto.

Liderando la organización del CFO en LinkedIn

Lidero Tecnología y Plataformas Financieras dentro de la organización del CFO de LinkedIn —un negocio global, de miles de millones de dólares que opera a escala en distintas geografías, productos y entornos regulatorios.

La complejidad es la que se espera en esta etapa:

Múltiples fuentes de ingresos en Talent Solutions, Marketing y Premium
Presencia global con cumplimiento, impuestos y modelos operativos específicos de cada región
Integración profunda entre los sistemas de finanzas, ventas, RRHH y producto

Pero el verdadero desafío no es la escala. Es la interconexión.

Hoy, finanzas está en el centro de cada decisión crítica:

Planificación y previsión a lo largo de ciclos de negocio dinámicos
Gestión de la asignación de capital con precisión creciente
Apoyar el crecimiento mientras se mantiene la disciplina y los controles

Operamos menos como un equipo tecnológico financiero tradicional y más como una organización de producto incrustada en finanzas —responsables no solo de los sistemas, sino también de los resultados. Porque a esta escala, las finanzas no son solo gestionar números. Es moldear cómo la empresa toma decisiones con rapidez, claridad y confianza.

Por dónde deben empezar los CFOs con la inteligencia artificial

La mayoría de los CFOs inician su viaje con la inteligencia artificial pensando en casos de uso, herramientas, proveedores y retorno de inversión. Pero la IA no funciona de forma aislada. Se asienta sobre tus datos, tus procesos, tu modelo operativo y tu disciplina para tomar decisiones.

Si todo eso está fragmentado, la IA no lo simplifica; amplifica la fragmentación. No obtienes mejores respuestas. Obtienes respuestas incorrectas más rápidas.

Así que, antes de preguntar: “¿Dónde podemos aplicar IA?” Pregunta: “¿Está nuestro sistema financiero diseñado para producir datos coherentes y listos para tomar decisiones?” Porque la IA no es una estrategia. Es un acelerador de cualquier sistema que ya tengas.

Concéntrate en:

Una fuente clara de verdad (definiciones, métricas, gobernanza)
Procesos estandarizados en todos los ámbitos financieros
Una sólida base de datos y arquitectura
Una cultura que valore el cuestionamiento de los resultados, no solo aceptarlos

Cómo la integración de la IA mejora los flujos de trabajo financieros

Estas son las mejoras que he observado con la IA en finanzas:

Reducción del tiempo de ciclo (30–60 %): El análisis de variaciones que solía tomar 2–3 días ahora ocurre en pocas horas, y las actividades de cierre mensual (análisis, conciliaciones) se han reducido significativamente. Aquí es donde la IA aporta de inmediato: velocidad.
Precisión en las previsiones (mejora del 5–15 % en horizontes a corto plazo): Las previsiones a corto plazo (4–8 semanas) mejoraron considerablemente; la IA detectó indicadores líderes que los humanos pasaban por alto (tendencias de uso, señales de comportamiento). Pero es importante matizar: La precisión mejoró más en entornos estables, menos en entornos volátiles.
Aumento de la productividad (20–40 % de capacidad de analistas desbloqueada): Los analistas dedican menos tiempo a recopilar datos y más a interpretarlos. Un analista puede ahora cubrir lo que antes requería 1,5-2 ETP. Esto no siempre se traduce en reducción de costos, sino en una mejor asignación del talento.
Detección temprana de riesgos (de días → a casi en tiempo real): Los riesgos de flujo de caja, anomalías y valores atípicos se identifican más rápido; se reduce el “factor sorpresa” en las revisiones de negocio. Esto es sutil pero poderoso: menos escaladas de último minuto.

Esto es lo que no mejoró (o empeoró):

Exceso de confianza en los resultados: Las narrativas generadas por la IA suenan correctas incluso cuando no lo son. Al principio, los equipos empezaron a confiar en los resultados sin cuestionarlos, lo cual es más peligroso que los errores manuales.
Precisión falsa: La IA crea una ilusión de certeza: “La previsión indica una confianza del 97,2 %”. Pero las decisiones financieras no solo se basan en probabilidades: implican estrategia, tiempo y contexto.
La dependencia de los datos expuso cimientos débiles: La IA no solucionó los problemas de datos. Los amplificó: jerarquías inconsistentes, datos maestros deficientes, sistemas fragmentados. Basura de entrada, basura amplificada de salida.
Impacto limitado en la planificación a largo plazo: La IA tuvo dificultades en la planificación anual, escenarios estratégicos y decisiones de asignación de capital. Porque no son problemas de patrones, sino de criterio.

La incómoda realidad es que la IA no redujo los costes financieros tanto como la gente esperaba. Desplazó el coste del trabajo manual al coste computacional, del esfuerzo manual a la gobernanza de modelos, y de los analistas a los ingenieros y a la infraestructura de datos.

Las narrativas generadas por la IA suenan correctas incluso cuando no lo son. Al principio, los equipos empezaron a confiar en los resultados sin cuestionarlos, lo cual es más peligroso que los errores manuales.

Pankaj Prasoon

Director Senior, Sistemas y Tecnología CFO, LinkedIn

Por qué la IA informa decisiones financieras, pero los humanos lideran el juicio

Esta es la forma más sencilla de entender la división entre tareas de la IA y tareas humanas: la IA debe informar sobre patrones; los humanos deben tomar compromisos.

Confío en la IA en áreas donde la escala, la velocidad y el reconocimiento de patrones son más relevantes que el criterio:

Previsiones (a corto plazo y continuas): La IA es excelente absorbiendo múltiples señales — históricos, estacionalidad, datos del pipeline, indicadores externos — y actualizando continuamente las previsiones. Elimina el sesgo de una planificación estática y guiada por el calendario.
Análisis de variaciones: La IA puede desglosar inmediatamente las variaciones en miles de dimensiones: qué cambió, dónde cambió y cuál fue probablemente la causa. Esto solía tomar días. Ahora es casi en tiempo real.
Patrones en el flujo de caja: No para la toma de decisiones, sino para la detección de señales: tendencias de comportamiento de pago, riesgos de cobro y patrones de liquidez. La IA ayuda a detectar riesgos antes que los informes tradicionales.
Detección de riesgos (operativos y financieros): La IA es muy eficaz para identificar anomalías: transacciones inusuales, desviaciones de control, comportamientos atípicos. No “entiende el riesgo”, pero señala dónde buscar.

Pero reservo explícitamente lo humano para las áreas donde el contexto, los compromisos y la rendición de cuentas importan:

Asignación de capital: Ningún modelo entiende la estrategia, el momento o el posicionamiento competitivo como lo hace el liderazgo. La IA puede informar escenarios, pero no puede decidir dónde apostar.
Planificación y presupuestación a largo plazo: Los presupuestos no son previsiones; son compromisos. Reflejan la intención, las prioridades y los sacrificios de toda la organización.
Decisiones finales de riesgo: La IA puede señalar anomalías, pero ¿qué riesgo es aceptable? ¿Qué compensación vale la pena asumir? Esas son decisiones de liderazgo, no salidas del modelo.
Asociación empresarial e influencia: Finanzas no es solo números, es influir en decisiones: desafiar supuestos, leer la sala y entender la intención detrás de las solicitudes. La IA no tiene contexto sobre dinámicas humanas.

Si la IA está tomando tus decisiones, has ido demasiado lejos. Si la IA no informa tus decisiones, no la estás usando lo suficiente.

Por qué la IA no ha automatizado completamente las finanzas

La narrativa era: “La IA automatizará las finanzas.”

Eso no sucedió. Automatizó partes de los flujos de trabajo, pero introdujo nuevos niveles:

Validación de modelos
Manejo de excepciones
Requisitos de gobernanza y auditoría

La realidad es que no eliminas a los humanos, los trasladas a roles de supervisión.

Por qué la adopción de la IA es un problema de comportamiento

Hablando de humanos, la adopción de la IA no es un problema tecnológico, es un problema de comportamiento.

Inicialmente, supuse que si construíamos los modelos adecuados, la gente los usaría → los análisis serían más rápidos → las decisiones mejorarían → los análisis sucederían más rápido → la precisión mejoraría → y la confianza seguiría.

Todo lógico. Todo incompleto. Construimos algo técnicamente sólido: mejor detección de variaciones, análisis más rápidos y narrativas más limpias. Y sin embargo, la adopción fue desigual.

Porque los equipos financieros no tenían problemas por falta de información. Luchaban por dejar atrás la manera como siempre habían hecho las cosas.

Los analistas todavía reconstruían modelos en Excel "solo para validar". Los líderes confiaban en lo que entendían, no en lo que sugería el modelo. Las revisiones seguían ancladas en formatos antiguos, no en nuevos análisis.

El sistema cambió. El comportamiento no — al menos no de inmediato.

Ojalá hubiera hecho esto:

Empezar con el modelo operativo, no con la precisión del modelo: Definir cómo cambiarán las decisiones, cómo serán las reuniones, qué se elimina, no solo lo que se agrega. En vez de preguntar: “¿Está bien el modelo?” pregunta: “¿Esto reemplazará algo que hace la gente hoy?”
Diseñar para la confianza, no solo para la inteligencia: La confianza no surge de métricas de precisión ni de sofisticación técnica. Surge de la transparencia, la explicabilidad y la consistencia a lo largo del tiempo. Habría invertido antes en hacer salidas cuestionables, no solo impresionantes.
Sobreponderar la gestión del cambio: Lo tratamos como un despliegue de sistema. No lo era. Era un cambio de mentalidad de construir análisis a revisar análisis, del control a la colaboración con la IA, y de la certeza al pensamiento probabilístico.
Arreglar datos y definiciones primero (más de lo que hicimos): Sabíamos que los datos importaban. Subestimamos cuánto. La IA no tolera la ambigüedad.

Pude haber evitado:

Ciclos de rehacer trabajo donde los equipos reconstruían lo que la IA ya producía
Modelos sobre-ingenierizados que no cambiaban las decisiones
Escepticismo temprano que en realidad era falta de confianza, no de precisión
La falsa creencia de que mejor resultado = adopción automática

La confianza no proviene de métricas de precisión ni de sofisticación técnica. Proviene de la transparencia, la explicabilidad y la consistencia a lo largo del tiempo.

Pankaj Prasoon

Director Sénior, CFO Sistemas y Tecnología, LinkedIn

Por qué la IA redefine los supuestos del control financiero

En finanzas, se nos enseña a pensar: más controles = más precisión; más aprobaciones = menos riesgo; más estructura = mejores resultados. Así, construimos sistemas que eran: rígidos, secuenciales y diseñados para evitar errores.

Estábamos optimizando para la previsibilidad, no para la capacidad de respuesta; para la auditabilidad, no siempre para la calidad de las decisiones.

Funcionó, pero a un precio: velocidad, adaptabilidad y a veces incluso claridad.

La IA no funciona bien en entornos rígidos. Prospera con: flujos continuos de datos, entradas dinámicas y señales en tiempo real. Me demostró que el control no proviene de la restricción, sino de la visibilidad.

Tuve que cambiar de:

Prevenir errores por adelantado → Detectarlos y corregirlos rápidamente
Revisiones periódicas (mensuales/trimestrales) → Monitoreo continuo
Puntos de control humanos en todas partes → Intervención basada en excepciones

Aquí es donde se manifestó esto:

Pronósticos: pasar de pronósticos estáticos basados en el calendario → a pronósticos continuamente actualizados guiados por señales
Controles financieros: reducir las aprobaciones previas estrictas → aumentar la detección de anomalías en tiempo real y validación posterior al evento
Asignación de capital: pasar de la certeza → a un pensamiento probabilístico basado en escenarios

El cambio es simple, pero difícil. Hay que pasar de un control basado en la restricción a un control basado en la inteligencia y la visibilidad. Y una vez que lo ves, no hay vuelta atrás. Porque el objetivo de las finanzas no es evitar todos los errores. Es permitir tomar mejores decisiones, más rápido — con suficiente control, no el control máximo.

Por qué los CFOs deben rediseñar la previsión

La mayoría de las organizaciones financieras aún realizan la previsión como en 2005: ciclos mensuales, suposiciones estáticas, consolidación manual pesada y revisiones retrospectivas.

La IA no encaja en ese modelo.

Cambiamos de un pronóstico basado en el calendario, actualizaciones mensuales, análisis de variaciones posterior al cierre, revisiones retrospectivas y mucha preparación, a un pronóstico basado en señales:

Capa de pronóstico continuo: señales en tiempo real y pronósticos continuamente actualizados
Detección de variaciones con IA: el sistema señala cambios y finanzas revisa excepciones
Revisiones orientadas a decisiones: pasar de “¿Qué pasó?” a “¿Qué pasará?”

Estos son los resultados:

Tiempo para obtener información ↓ ~50%
Relevancia de los pronósticos ↑ significativamente
El rol financiero pasó a ser socio de decisiones.
Productividad de los analistas ↑ 30–40%

Rediseña la previsión en un sistema continuo, impulsado por señales. Porque cuando eso cambia, finanzas se convierte en operador activo del negocio.

Cómo la IA mejora la previsión y el análisis de variaciones

Todavía llevo poco tiempo en LinkedIn, así que aquí hay un ejemplo de una transformación anterior donde incorporamos IA directamente en el proceso de previsión y análisis de variaciones.

Los equipos financieros dedicaban una cantidad desproporcionada de tiempo a explicar qué había pasado:

Análisis manual de variaciones en cientos de centros de costos
Pronósticos estáticos actualizados mensualmente o trimestralmente.
Fuerte dependencia de modelos de Excel y del reconocimiento de patrones humanos
Para cuando se obtenían los insights, el negocio ya había cambiado.

Teníamos datos, pero no una forma escalable de interpretarlos. Así que introdujimos una capa impulsada por IA sobre nuestros datos de planificación y reales que podía:

Detectar automáticamente anomalías y factores de variación en distintas dimensiones (región, producto, categoría de costo)
Generar narrativas iniciales que explican el “por qué”, no solo el “qué”.
Actualizar continuamente los pronósticos en función de indicadores líderes, no solo de tendencias históricas.

Pero el verdadero cambio no fue el modelo, sino el modelo operativo:

Finanzas pasó de construir análisis a revisar y desafiar insights.
El pronóstico se volvió más continuo, menos dependiente del calendario
Las revisiones de negocio pasaron de “¿qué pasó el mes pasado?” a “¿qué ocurrirá después?”

Las mejoras fueron evidentes. El tiempo de ciclo para el análisis de variaciones se redujo de días a horas. La precisión de las previsiones mejoró porque incorporamos señales en tiempo real en lugar de datos rezagados. Y lo más importante: finanzas obtuvo un lugar más temprano en la toma de decisiones, no después del hecho.

¿El mayor aprendizaje? La IA no reemplazó el juicio financiero: nos obligó a aplicarlo donde realmente importa. Porque el valor de finanzas no está en explicar mejor el pasado, sino en ayudar al negocio a actuar sobre el futuro antes.

Por qué la IA tiene dificultades con las narrativas del análisis de variaciones

Un área donde vimos limitaciones claras fue en las narrativas generadas por IA para el análisis de variaciones vinculadas a los informes financieros.

Las cifras eran correctas. Pero la narrativa no siempre lo era. Por ejemplo, el modelo atribuía el aumento en los gastos operativos a “mayor contratación en regiones clave”; plausible, pero incorrecto. El verdadero motivo fue una reclasificación contable puntual y un cambio de fecha en las provisiones. El modelo coincidió con patrones, no con la realidad.

Así que era inexacto, no podía rastrearse y minaba la confianza en el equipo. Así lo solucionamos:

La IA genera señales e hipótesis, no narrativas finales.
Cada resultado debe rastrearse.
Se introdujeron capas de “confianza + evidencia”.

La validación humana pasó a ser explícita, no asumida.

Cómo los CFO pueden liderar la transformación financiera impulsada por IA

Mi consejo: No persigas la IA. Mejora las finanzas: la IA vendrá después.

Empieza por el sistema, no por la herramienta.
Rediseña el trabajo, no solo lo automatices.
Separa señal de juicio.
Invierte en confianza antes que en escala.
Acepta que los costes cambiarán, no desaparecerán.
Dirige tú mismo el cambio de comportamiento.
Construye un “Sistema Operativo Financiero”, no pilotos aislados.

La IA no te hará mejor CFO. Pero sí mostrará si tu función financiera fue diseñada, o no, para escalar inteligencia desde el principio.