Los líderes de finanzas están escuchando hablar mucho sobre los agentes: sistemas de IA que no solo responden preguntas, sino que actúan dentro de un flujo de trabajo. La propuesta es atractiva: pon a un agente a trabajar en tu conciliación, tu cierre, tu análisis de variaciones y deja que se ejecute. Menos horas perdidas en trabajo manual, respuestas más rápidas, menos dependencia de quien sea que conozca el proceso.
Esta es la pregunta que determina si algo de eso funciona: ¿sobre qué está actuando realmente el agente?
La mayor parte de la matemática financiera tiene una sola respuesta correcta
La mayor parte de lo que hace finanzas no es ambiguo. Un cálculo de regalías tiene una sola respuesta correcta. Una asignación de impuestos tiene una sola respuesta correcta. Conciliar el pago a un socio de entregas con un registro del punto de venta tiene una sola respuesta correcta y, por lo general, se encuentra en una fórmula de hoja de cálculo en algún lugar; no es algo que un LLM deba inferir desde cero cada vez. Este es un trabajo determinista, regido por reglas que finanzas ya conoce, en lugar de decisiones de criterio que un modelo esté capacitado para tomar. El valor que aporta un agente no es resolver los cálculos, sino actuar con rapidez sobre cálculos que ya son correctos y poder mostrar su trabajo cuando alguien pregunta por qué.
Ese “por qué” es donde la mayoría de los esfuerzos de IA en finanzas tienen problemas, porque nadie puede rastrear la respuesta hasta la regla que la produjo.
La lógica no falta, solo no está gobernada
Nada de esto es un problema nuevo. Finanzas ha codificado fórmulas de regalías, reglas de asignación y procedimientos de cierre desde que existen las hojas de cálculo, por lo general en un archivo que solo una o dos personas entienden completamente. Eso solía ser un riesgo manejable: un analista se va, alguien vuelve a crear la hoja de cálculo y el trabajo continúa.
Delegar ese mismo proceso en un agente eleva las apuestas, porque ahora las reglas deben residir en un lugar donde todos, incluida la IA, puedan verlas. Eso es lo que hace una capa de lógica empresarial: le da a la lógica que finanzas ya posee un lugar donde residir en el que sea visible, repetible y auditable, en lugar de estar atrapada en un archivo que solo una persona entiende.
Cómo se veía eso en Papa Johns
Papa Johns opera más de 6000 tiendas en todo el mundo a través de un modelo de franquicia, y cada pedido que ingresa mediante un socio de entrega como Uber Eats o DoorDash se debe conciliar correctamente, ya que el resultado determina lo que realmente se le paga a un franquiciado. Un error de conciliación no queda contenido; se propaga a los pagos de los franquiciados y a las cifras que fluyen hacia el cierre.
El equipo ya había invertido en Google Cloud y BigQuery, pero la propia lógica de conciliación residía donde suele residir la lógica de finanzas: en diferentes sistemas, hojas de cálculo y paneles de control, reensamblada a mano en cada ciclo de cierre. Michael Wyant, Vicepresidente de Datos Empresariales y Soluciones Corporativas en Papa Johns, comentó que “la pieza faltante ha sido la lógica de negocio específica de finanzas”.
Así que ahí fue donde empezó el equipo. No implementando un agente, sino haciendo que la propia lógica de conciliación sea visible y esté gobernada dentro de Alteryx One, ejecutándose de forma nativa en BigQuery. El resultado: el trabajo manual de finanzas se redujo hasta 400 horas al año, con los controles de SOX documentados automáticamente en lugar de quedar desactualizados en un archivo separado. Solo una vez que esa base estuvo establecida, el equipo pudo confiar en las respuestas proporcionadas por el agente de conciliación impulsado por Gemini.
Lo que obtienen los agentes una vez que existe la base
Papa Johns no obtuvo un agente de IA solo con pedirlo. Lo obtuvo al hacer que la lógica subyacente fuera algo que un agente, un auditor o un nuevo empleado pudieran ver y en lo que todos pudieran confiar de la misma manera. La conexión emergente entre plataformas como Alteryx y Google Cloud a través del Protocolo de Contexto de Modelo (MCP) apunta a más de esto: agentes que pueden actuar sobre datos gobernados con el contexto y los permisos adecuados ya integrados, en lugar de tener acceso sin controlar a lo que sea que encuentren.
Nada de eso reemplaza el criterio que finanzas aporta al proceso. Significa que el criterio se aplica una vez, se redacta claramente y se usa de la misma manera cada vez, en lugar de depender de la memoria de una persona sobre cómo se supone que debe funcionar.
Qué preguntar antes de la próxima conversación de tu equipo con un agente
Antes de la próxima conversación de tu equipo con un agente, haz la pregunta con la que comenzó este artículo, pero orientada a tus propios flujos de trabajo: ¿sobre qué estaría actuando realmente el agente? Papa Johns respondió a esto haciendo visible la lógica de conciliación antes de entregarle algo de ella a un agente. Esa es la disciplina que vale la pena aplicar a tu cierre, tu auditoría o donde sea que tu equipo esté considerando usar agentes a continuación.
Papa Johns, Alteryx y Google Cloud explican exactamente cómo construyeron esa base y lo que se necesitó para confiar en el resultado proporcionado por un agente, en este seminario web bajo demanda . Si tu equipo responde las mismas preguntas sobre agentes, vale la pena dedicarle tu tiempo.
Seminario web bajo demanda: Cómo Papa Johns, Alteryx y Google resuelven la conciliación de terceros