5 eventos de IA que todo líder financiero debe tener en el radar

Cinco eventos de las últimas semanas, y lo que cada uno significa para quien dirige finanzas. Ninguno es, por separado, la noticia que cambia tu estrategia de inteligencia artificial en finanzas. Juntos, sí dibujan un patrón: la tecnología avanza más rápido que nunca, y la brecha entre adoptarla y saber si de verdad está rindiendo se está haciendo más grande, no más chica.

La carrera de modelos no para, y por qué no es la pregunta que importa

Las nuevas versiones optimizadas de los grandes modelos de lenguaje siguen saliendo casi cada mes, con alternativas cada vez más económicas y eficientes que buscan convertirse en la opción preferida para desarrollos de alto nivel. A diferencia de los modelos insignia más caros, estas versiones apuntan a un costo de tokens mucho menor, pensadas para el trabajo del día a día: generación de modelos financieros avanzados, automatizaciones complejas y procesamiento de grandes volúmenes de datos.

La pregunta que importa no es cuál modelo gana esta ronda. Es qué tan atada está tu operación financiera a un solo proveedor. Si tu empresa está construyendo procesos de inteligencia artificial en finanzas sobre una base tecnológica que cambia de líder cada pocas semanas, un proceso bien diseñado sobrevive el cambio de modelo. Uno mal diseñado se rompe cada vez que el mercado se mueve, y el mercado se está moviendo cada mes.

Lo hemos repetido en distintas entregas de este espacio: el proceso, no el modelo, es el activo que vale la pena construir con cuidado. Un proyecto bien estructurado, con el criterio capturado en instrucciones documentadas y no en la cabeza de una sola persona, puede migrar de un modelo a otro sin perder nada, porque lo que sostiene el resultado es la arquitectura, no la marca del proveedor que la ejecuta esta semana.

Un modelo que no conversa: por qué Jev importa más de lo que parece

TypeSafe AI, fundada por Diogo Almeida (quien participó varios años en OpenAI en el desarrollo del método de entrenamiento detrás de ChatGPT), presentó Jev: un modelo que no genera texto. Recibe información y una lista de respuestas posibles definidas de antemano, y devuelve una decisión con su probabilidad calculada, no una explicación en prosa como hacen los modelos de lenguaje más conocidos.

Jev expone algo que se pierde en la conversación pública sobre inteligencia artificial, donde "modelo" se volvió sinónimo de "chatbot". La mayoría de las decisiones dentro de un proceso financiero no necesitan una explicación larga, necesitan una respuesta rápida y barata: clasificar una factura, decidir si una transacción debe escalarse a revisión humana, o validar si un dato cumple una regla. Este tipo de modelo es una alternativa interesante exactamente para esos procesos, los que dependen de clasificar o decidir sobre un texto o documento ya extraído, más que de redactar algo nuevo.

Agentes de IA en finanzas que ya operan de principio a fin, con números reales

En las jornadas Agent Ready organizadas por SAP en Madrid a mediados de septiembre, se presentaron casos ya en producción de uso de agentes en procesos de negocio reales, no pilotos ni demos. El más concreto: para la papelera ENCE, un conjunto de agentes de Indra automatiza la gestión de facturas y el alta de proveedores con 85% de reconocimiento automático y 98% de precisión en la extracción de datos. En el mismo evento, Indra presentó también un agente fiscal, integrado en su propia solución de gestión fiscal, que reduce 60% el tiempo de búsqueda de información fiscal y 80% el tiempo de revisión de declaraciones y alertas.

Esto importa porque son exactamente los procesos que cualquier área de finanzas mediana ya tiene mapeados: facturación, altas de proveedores, y trabajo fiscal recurrente. No es un caso de una industria exótica ni de una tecnología especulativa. El ahorro potencial es claro: cuánto se ahorra en personas dedicadas únicamente a capturar información, y cómo ese tiempo liberado se redirige hacia el análisis.

Es también la confirmación de un patrón que vale la pena repetir: proyecto con contexto, criterio capturado en un proceso documentado, y frontera de datos bien definida. Eso es lo que produce resultados de esta magnitud cuando se hace bien, y lo que falta cuando una empresa adopta IA sin ese orden previo.

Vale la pena notar también la arquitectura detrás de estos casos: en ninguno de los dos, el agente trabaja sin supervisión. Las personas conservan la decisión final en el alta de un proveedor nuevo o en una declaración fiscal con una alerta, y el agente se encarga de lo repetitivo, lo que coincide exactamente con el patrón de automatización que de verdad escala: la tecnología hace el trabajo mecánico, el criterio humano queda donde el riesgo lo exige.

Por qué la mayoría de los líderes financieros no puede medir el retorno de su inversión en IA

Si tu empresa todavía no sabe cuánto le está rindiendo lo que ya invirtió en inteligencia artificial, no estás solo. Una encuesta internacional a líderes financieros, citada en una nota de El Financiero sobre el papel del CFO en México, confirma que 57% de los líderes financieros ya participa activamente en la definición de la estrategia de su empresa, pero solo 21% de las áreas financieras que usan inteligencia artificial puede identificar con claridad un retorno medible de esa inversión, aun cuando 63% de esas áreas ya la usa de alguna forma.

La industria lanza modelos cada semana, y algunas empresas ya muestran cifras de producción impresionantes como las de ENCE. Mientras tanto, el propio gremio de finanzas admite que la mayoría todavía no sabe medir si lo que ya está pagando le está sirviendo. Esa brecha, entre adopción y medición, es exactamente donde se pierde el dinero que ya se invirtió, y el que muy probablemente se seguirá invirtiendo sin ese control.

La seguridad de los agentes de IA no es un tema solo de sistemas

Apenas trece días después del lanzamiento de Muse, su agente personal de inteligencia artificial, Meta tuvo que publicar una actualización de emergencia: un investigador de seguridad independiente encontró una falla que permitía que otro software ya instalado en el equipo del

usuario secuestrara al agente y lo hiciera actuar sin su consentimiento. Meta mantiene un programa público de recompensas de hasta 300,000 dólares por fallas de este tipo, con 130,000 dólares específicamente para quien demuestre ese tipo de secuestro contra un solo usuario, lo que da una idea de qué tan en serio se toma la propia empresa este riesgo.

Un agente con permisos reales sobre archivos, cuentas o sistemas es una superficie de riesgo nueva, sin importar cuánto se invierta en controles. La disciplina, la definición clara de responsables y los procesos documentados son esenciales para que la inteligencia artificial en finanzas no se convierta en un riesgo que se descubre después de un incidente, en lugar de una herramienta que rinde.

La lectura conjunta: la arquitectura importa más que la velocidad de adopción

Tres de estos cinco eventos empujan en la misma dirección: adopta más rápido, la competencia no espera, el próximo modelo ya viene. Los otros dos muestran el contrapeso necesario: la mayoría de las áreas financieras no mide su retorno, y hasta la empresa con más recursos del mundo tuvo que aprender, de la forma cara, que un agente mal aislado se convierte en un riesgo de seguridad real.

El resultado no es correr más rápido detrás de cada lanzamiento de la semana. Es tener la arquitectura (proyecto con contexto, criterio capturado en un proceso, frontera de datos bien definida, y revisión humana en el punto correcto) que hace que cualquier modelo, el de hoy o el que salga mañana, sea una herramienta que rinde y no un riesgo que se descubre tarde.

He acompañado suficientes conversaciones de dirección financiera para reconocer el patrón: la empresa que se queda atrás casi nunca es la que adoptó tarde. Es la que adoptó sin arquitectura, y descubrió el costo después de un incidente, no antes.

Checklist: qué revisar esta semana en tu propia área financiera

• Identifica qué tan atado está cada proceso de inteligencia artificial en finanzas que ya usas a un solo modelo o proveedor específico, y qué tan caro sería migrarlo si ese proveedor deja de ser la opción líder.
• Revisa si tienes, para al menos un proceso financiero recurrente, un criterio documentado que un agente pueda ejecutar de forma consistente, o si todavía vive solo en la cabeza de una persona.
• Pregunta directamente a tu equipo si pueden identificar un retorno medible de cualquier herramienta de IA que ya esté pagando la empresa; si la respuesta no es clara, ese es el primer punto a resolver.
• Confirma qué permisos reales tiene cualquier agente o asistente de IA conectado a tus sistemas financieros, y quién revisó esos permisos la última vez.
• Define, si todavía no existe, en qué punto exacto de cada proceso automatizado se mantiene una revisión humana obligatoria, sin excepción.

Si quieres evaluar qué tan sólida es hoy la arquitectura de inteligencia artificial de tu área financiera, antes de que el próximo lanzamiento de la semana te obligue a reaccionar, lo revisamos en un diagnóstico de madurez de IA con Scaling CFO® de Flint Consulting®.

¿Quieres saber más?
En Flint Consulting® seguimos de cerca, cada semana, cómo la inteligencia artificial está cambiando la función financiera en México y LATAM, para traducir ese movimiento constante en decisiones concretas para tu empresa. Si quieres platicarlo, escríbenos.
connect@flintconsulting.mx | +52 81 1351 8242 | flintconsulting.mx

‍

Fuentes.

Encuesta internacional a líderes financieros 2026, citada en El Financiero, septiembre de 2026. SAP, jornadas Agent Ready, Madrid, 15 al 17 de septiembre de 2026, con casos de Indra para ENCE y su agente fiscal SIGEFI. TypeSafe AI, lanzamiento de Jev, septiembre de 2026. Meta, documentación pública de seguridad y programa de recompensas de Muse, septiembre de 2026. Todas las cifras de adopción, retorno y resultados de los casos citados provienen de estas fuentes públicas, verificadas al momento de la redacción.