The Agentic AI Reckoning: Learn how to distinguish valuable AI opportunities from expensive experiments. Regístrate ahora
Anunciamos nuestro lanzamiento de noviembre de 2026: descubre cómo los flujos de trabajo certificados por TI y los datos etiquetados permiten obtener respuestas confiables de la IA. Regístrate ahora
Alteryx on Tour ya está aquí: Conoce el poder de la analítica agéntica en una ciudad cerca de ti. Encontrar una ciudad
Presentamos Agent Studio: Transforma la lógica de negocio y los datos en insights conversacionales. Más información
Lógica financiera para IA

Deja de pagarle a la IA para reconstruir la lógica que tu equipo financiero ya demostró

Estrategia   |   Michael Peter   |   30 de septiembre de 2026 TIEMPO DE LECTURA: 4 MIN
TIEMPO DE LECTURA: 4 MIN

Cada semana, un analista de conciliación le pide a un asistente de IA que compare los datos de operaciones con las posiciones de efectivo. Repasa las reglas, verifica cada línea, señala lo que no está bien y lo corrige. La semana siguiente, la misma conciliación, el mismo asistente —lo resuelve todo de nuevo desde cero.

Multiplica eso por cada excepción y cada cierre, y queda claro qué impulsa la factura de IA: la IA vuelve a hacer un trabajo que ya había hecho. El motivo es simple: un modelo vuelve a estimar el cálculo cada vez, en lugar de consultar una respuesta que ya tiene, y cada estimación se factura como trabajo nuevo, sin garantía de que coincida con la anterior.

Ese retrabajo se presenta de tres formas. Los equipos alimentan a la IA con grandes conjuntos de datos no preparados que omiten las reglas comerciales ya implementadas, lo que consume tokens y produce respuestas en las que nadie confía del todo. Recurren a un modelo de razonamiento de alto costo para realizar una tarea rutinaria que uno más económico podría manejar, o envían más contexto del que la tarea realmente necesita. Y la mayoría de las organizaciones tienen una visibilidad limitada de lo que cuesta todo esto hasta que llega la factura. Cada problema agrava los demás: una respuesta incorrecta significa retrabajo, y el retrabajo significa pagar dos veces por la misma tarea.

La factura y la devolución son el mismo problema

Gartner predice que más del 40 % de los proyectos de IA agéntica se cancelarán para finales de 2027. El aumento de los costos es una de las tres razones que menciona Gartner, junto con un valor de negocio poco claro y controles de riesgo deficientes. Esas tres razones están relacionadas: un agente que tiene que razonar sobre el mismo cálculo cada vez resulta más costoso y menos confiable al mismo tiempo, por la misma razón.

E incluso cuando los proyectos sobreviven, la recompensa es escasa. El Centro de Excelencia para CFO de BCG descubrió que el ROI mediano de la IA en finanzas es de apenas 10 %, y que un tercio de los líderes de finanzas reporta beneficios limitados o ningún beneficio. No se trata de una historia sobre cómo la IA es la tecnología equivocada. Es una historia sobre lo que se le pide que haga.

Qué cambia cuando el cálculo no es tarea de la IA

NextWave Consulting, socio de Alteryx, redujo 20 veces el consumo de tokens en una conciliación entre el front office y el back office cuando el cálculo se ejecutó mediante un flujo de trabajo gobernado existente, en lugar de dejar que un LLM lo resolviera desde cero cada vez. Ese es el cambio que subyace a la narrativa “la IA es cada vez más inteligente” que persigue la mayoría de los equipos. Parte de lo que el sector financiero le pide a la IA que haga nunca fue un problema de razonamiento.

La IA es eficaz en un conjunto específico de tareas:

  • Redactar una primera versión de una narrativa o un resumen a partir de datos que ya son correctos
  • Detectar un patrón o una anomalía que merece una segunda revisión
  • Responder una pregunta en lenguaje sencillo en lugar de usar una fórmula

Ninguna de esas cosas requiere que el modelo reconstruya tus reglas de coincidencia, tus umbrales de materialidad o tu calendario de cierre a partir de datos sin procesar cada vez que alguien lo pide. Ese trabajo ya tiene una respuesta. Se creó una sola vez, se probó y se ejecutó de la misma manera durante años, generalmente en un flujo de trabajo y, a veces, todavía en una hoja de cálculo que nadie se ha ocupado de migrar. Entregar esa lógica a un modelo para que la reconstruya bajo demanda es donde empiezan tanto la factura de tokens como el problema de confianza.

Reutiliza la lógica, no la vuelvas a crear

Usa la IA para aquello que hace bien y deja de pagarle para que reinvente el trabajo que tu equipo ya completó. Las reglas de coincidencia, los umbrales, el calendario de cierre —esa lógica se creó una vez y ya se comprobó. La solución es permitir que la IA la invoque, en lugar de reconstruirla cada vez que alguien lo pide.

Eso también es lo que hace que el resultado sea defendible, no solo más barato. Sin embargo, cuando la misma lógica gobernada produce la misma respuesta con los mismos datos, sin importar cómo se haya formulado la pregunta, se obtiene algo que un controlador puede aprobar: un registro de auditoría que muestra qué datos se usaron, qué reglas se aplicaron y quién aprobó el resultado. Visible, entendible, repetible y auditable —así llama Alteryx al estándar VERA, y esa es la diferencia entre un piloto que tuvo una buena semana y un proceso de cierre en el que realmente puedes confiar.

Alteryx ofrecerá una sesión sobre este tema el 16 de octubre: cómo reducir los costos de tokens de los LLM sin renunciar a lo que la IA hace bien. Regístrate aquí.

Etiquetas