IA para finanzas y control de gestión: qué ayuda de verdad

Quien busca un curso de inteligencia artificial para finanzas casi nunca busca lo mismo que quien busca uno de contabilidad. Aquí el trabajo no consiste en registrar lo que ya ha pasado, sino en explicar por qué ha pasado y en anticipar lo que viene: el presupuesto, la previsión de tesorería, el análisis de desviaciones, el informe mensual para dirección, la carpeta que se prepara antes de sentarse con el banco. Es un trabajo de análisis y de comunicación, y eso cambia por completo qué puede aportar la IA generativa y dónde hay que ponerle un límite firme.

Este artículo va de eso: qué tareas de un departamento financiero se aceleran de verdad con ChatGPT, cuáles no se delegan bajo ningún concepto, y por qué la frase más importante del texto es que un modelo de lenguaje no es una calculadora.

Finanzas y contabilidad no son el mismo trabajo

Merece un apartado propio porque el solape confunde y el criterio de uso cambia según de qué lado estés.

La contabilidad registra lo que ya ocurrió: el asiento, la conciliación bancaria, el cierre, el tratamiento contable de una operación concreta. Es un terreno con reglas, plazos y una cifra que alguien firma. Si tu pregunta va por ahí, la respuesta está en IA para contabilidad: qué tareas ahorra ChatGPT, que entra en la reclamación de impagos, el resumen de normativa fiscal, la explicación de un concepto contable y los informes del día a día.

Finanzas y control de gestión miran hacia delante. Presupuestar, prever la caja, comparar el real contra el plan, entender por qué una línea se ha desviado, seguir los KPI del negocio y contarlo a alguien que tiene que decidir con eso. El producto final no es un asiento: es un informe, una previsión, una explicación y, muy a menudo, una conversación difícil.

Esa diferencia importa más de lo que parece, porque el trabajo de finanzas es en buena parte texto alrededor de números. Y el texto alrededor de los números es exactamente donde la IA generativa rinde bien, siempre que los números sigan viniendo de otro sitio.

Es también la razón por la que este perfil aparece tanto en la mentoría en IA para directivos: quien prepara el comité y quien lo lee tienen el mismo problema desde dos ángulos.

La IA no calcula, y esto no es un matiz

Un modelo de lenguaje genera la continuación más plausible de un texto: no ejecuta una operación aritmética verificada ni comprueba sus propios resultados. El número que devuelve puede ser correcto —y en casos sencillos suele serlo—, pero lo produce el mismo mecanismo que produce una frase bien construida: por verosimilitud, no por cálculo.

En finanzas esa distinción separa una herramienta útil de un problema serio. Un texto mal redactado se ve al leerlo; un margen mal calculado, no: llega con el mismo aire de seguridad que el correcto, pasa a una diapositiva y de ahí a una decisión.

La regla práctica es corta: los números salen de la hoja de cálculo, del ERP o del sistema de reporting, y salen verificados. La IA los recibe ya calculados y trabaja alrededor de ellos —los ordena, los estructura, los explica y los convierte en algo legible—. No los produce, no los recalcula y no los corrige por su cuenta.

Conviene decirlo en voz alta delante del equipo, porque la frontera se difumina en cuanto el chat empieza a devolver tablas con totales. En ChatGPT en Excel: fórmulas, tablas y análisis está el detalle de cómo pedir una fórmula y cómo probarla antes de aplicarla; el resumen es que la fórmula la propone el chat y el cálculo lo hace Excel, que sí es una calculadora.

Dónde ahorra tiempo de verdad en control de gestión

Preparar y reconciliar datos antes de analizarlos

Antes de analizar nada hay que coser fuentes que no encajan: un extracto del banco, un listado del ERP, una hoja que mantiene otro departamento con los nombres escritos de otra manera. Buena parte del mes se va en esa costura.

Lo que la IA hace bien aquí no es reconciliar por ti, es ayudarte a montar el procedimiento: describirle las dos estructuras y pedirle los pasos o la fórmula que las cruza, que te señale qué campos son ambiguos y que te proponga cómo normalizar los nombres antes de intentar el cruce.

«Tengo dos listados con estas columnas: [descríbelas]. Quiero cruzarlos por [campo]. Dime qué problemas de correspondencia esperarías, qué comprobaciones haría antes de dar el cruce por bueno y qué pasos o fórmulas usarías en Excel. Trabaja solo con la estructura que te describo, no inventes datos.»

Revisa: que el número de filas cuadre antes y después del cruce y que ninguna categoría desaparezca por el camino.

Clasificar movimientos según reglas que escribes tú

Clasificar un listado de gastos o de movimientos por centro de coste, por naturaleza o por proyecto funciona bien, con una condición: las reglas las pones tú, explícitas, y la herramienta las aplica. Si la regla no está escrita, se la inventa, y lo hace con muy buena cara.

«Te paso una lista de conceptos de gasto. Clasifícalos según estas reglas exactas: [regla 1], [regla 2], [regla 3]. Si un concepto no encaja con ninguna regla, no lo fuerces: márcalo como “sin clasificar” y explica en una línea por qué dudas.»

Esa última instrucción es la que evita el problema real. El riesgo no es la clasificación equivocada: es la clasificación equivocada que nadie mira porque venía junto con las cien que estaban bien.

Explicar una desviación: de la cifra al motivo

El análisis de desviaciones tiene dos partes. La primera es aritmética y no se negocia: la diferencia entre real y presupuesto la calcula la hoja. La segunda es narrativa —qué explica el movimiento, qué habría que comprobar— y es donde se va el tiempo cuando hay veinte líneas y el cierre es el viernes.

Ahí la IA sirve como generador de hipótesis y como primera redacción: le das las cifras ya calculadas y el contexto que solo tú conoces, y te devuelve un borrador y una lista de comprobaciones. Ninguna de esas hipótesis es una conclusión: son preguntas ordenadas que tú vas a verificar.

«Estas son las desviaciones del mes, ya calculadas: [las cifras]. Contexto que conozco: [lo que sabes]. Para cada línea, dame dos o tres hipótesis posibles y, para cada una, qué dato concreto habría que mirar para confirmarla o descartarla. No afirmes causas: formúlalas como hipótesis a verificar. No recalcules ninguna cifra.»

Revisa: que ninguna hipótesis llegue al informe convertida en afirmación. Es el error más frecuente y el más difícil de detectar después, porque un borrador bien escrito suena a conclusión.

El informe mensual y el guion del comité

Aquí es donde más tiempo se recupera. El comité no necesita la hoja: necesita cinco frases que digan qué ha pasado, qué merece atención y qué queda por decidir.

«Te paso el cuadro de mando de este mes, con las cifras ya cerradas y verificadas: [datos]. Redacta un resumen ejecutivo de una página: qué destaca, qué requiere atención y qué decisiones quedan pendientes. Usa exclusivamente estas cifras, no añadas ninguna ni las redondees, y si algo no se puede afirmar con estos datos, dilo en lugar de suponerlo.»

Revisa: cifra a cifra contra el origen, redondeos incluidos; y que el tono no haya convertido un dato neutro en una valoración que tú no has hecho. Los modelos tienden a redactar en positivo cuando no se les indica lo contrario.

Facturas y extractos que llegan en papel

Parte del trabajo empieza antes del análisis, cuando el dato llega en un PDF escaneado o en una foto. Los modelos multimodales transcriben bien, con la cautela de siempre: ante un carácter ilegible tienden a proponer algo verosímil en vez de dejarlo vacío, así que importes, fechas y NIF se revisan uno a uno. El método está en pasar documentos en papel o imagen a texto con IA.

Preparar una reunión con el banco o el consejo

No qué pedir ni en qué condiciones —eso lo decide la empresa con sus asesores—, sino qué preguntas te van a hacer. Le describes la situación en términos generales y le pides las quince preguntas incómodas que esperaría de quien va a leer esa documentación con lupa. No ahorra redacción: ahorra el silencio de la pregunta que no habías previsto.

Lo que no dejaría en manos de un chat

Por mi trabajo con datos financieros de empresa, mi criterio es este:

En procesos financieros lo que mejor se automatiza es la parte mecánica: preparar datos, reconciliar fuentes, clasificar movimientos según reglas explícitas, detectar diferencias y generar explicaciones preliminares. Lo que no dejaría en manos de ChatGPT es decidir por sí solo un asiento, un cierre o un tratamiento contable dudoso: ahí la IA puede ayudar a investigar y documentar, pero la decisión necesita reglas, fuentes y revisión humana.

Traducido a control de gestión: la IA llega hasta la explicación preliminar y ahí se para. La conclusión que va al comité, la cifra que sale a un tercero y cualquier criterio dudoso llevan detrás a una persona que responde de ellos.

Y una observación que se repite en todos los equipos con los que trabajo: lo que más tiempo ahorra es convertir información ya existente en una primera versión útil. Pedir el informe entero desde cero suele salir caro en la revisión, porque revisar un texto que no sabes de dónde sale cuesta más que escribirlo.

Cuándo el problema deja de ser la fórmula

Hay un punto en el que este trabajo se queda grande para el chat y también para la hoja de cálculo:

Si esa fórmula termina copiándose todos los días sobre miles de filas, probablemente ya no necesitas una fórmula mejor, sino sacar el proceso de Excel y llevarlo a SQL, Python o una capa de datos automatizada.

En finanzas esto pasa antes de lo que la gente espera: el fichero mensual pasa a semanal y luego a diario, la macro la mantiene una sola persona y el cierre depende de que ese día esté disponible. Seguir afinando la fórmula es, entonces, trabajar en la capa equivocada.

Y eso ya no es formación. Enseñar a un equipo financiero a usar estas herramientas y montar el reporting automatizado o una capa de datos son dos proyectos distintos, con alcances, plazos y riesgos distintos. La formación la doy desde aquí; los proyectos técnicos los hago desde Meridian Data, la consultora de datos e IA desde la que abordo esa parte.

Los datos financieros no salen de la empresa

Casi todo lo anterior implica pegar algo en un chat, y en finanzas ese algo suele ser lo más sensible que tiene la empresa: la caja, los márgenes, la cartera de clientes con importes. La decisión no es de quien tiene prisa esa tarde, es de la empresa, y se toma antes de subir nada. Qué se puede pegar y qué no está en qué no compartir nunca con ChatGPT.

Dos hábitos resuelven la mayoría de los casos: trabajar con la estructura en lugar de con los datos —describir las columnas basta para que te proponga el procedimiento— y sustituir nombres, NIF e importes por marcadores cuando lo que pides es redacción y no análisis.

Qué sí y qué no, resumido

Cómo se lleva esto a un equipo financiero

Nada de lo anterior exige cambiar de ERP ni saber programar. Lo que suele faltar es tiempo para practicarlo con los documentos reales del departamento —el informe de desviaciones de verdad, el resumen del último comité, la carpeta del banco— y un acuerdo escrito sobre dónde está la línea que no se cruza. Eso es lo que se trabaja en el curso de ChatGPT para empresas, dentro del itinerario de formación en IA para empresas; y cuando el interlocutor es quien lee el informe en lugar de quien lo prepara, el formato que encaja es la mentoría en IA para directivos.

Si tu equipo financiero está en ese punto de «lo hemos probado, pero no sabemos hasta dónde fiarnos», reserva media hora y lo miramos con un informe vuestro sobre la mesa.