En casi todas las empresas con las que trabajamos, el equipo de finanzas cierra el mes a tiempo. El problema es lo que pasa después: la gerencia pregunta por qué la línea de gastos subió 11% y la respuesta tarda tres días más, porque alguien tiene que abrir cuatro Excel y reconstruir la historia a mano.
Capacitar en IA a un equipo de finanzas no se trata de que aprendan a pedirle resúmenes a un chatbot. Se trata de acortar esa distancia entre el número y la explicación del número. Eso tiene un valor medible y es, en la práctica, el único argumento que sostiene el presupuesto de formación frente a un directorio.
Por qué justo ahora
Hasta hace poco, meter IA en finanzas implicaba sacar los datos del sistema contable y llevarlos a otra parte. Eso se está cerrando. En Ignite 2026, el 17 de noviembre, Microsoft puso en vista previa Fabric IQ en Excel y conectores para que asistentes como ChatGPT y Claude consulten el modelo de datos corporativo. Google empuja lo mismo desde Workspace. La capa técnica está llegando sola a la hoja de cálculo donde tu equipo ya vive.
Agrego una advertencia que vale para cualquier área, pero en finanzas pesa doble: que el asistente pueda leer el modelo corporativo no lo hace confiable. Si el modelo tiene dos definiciones de «margen», la IA te va a responder con una de las dos y con total seguridad. Antes de abrir esa puerta, alguien del equipo tiene que poder revisar de dónde sale cada número.
Eso cambia el orden del problema. Antes la barrera era la herramienta; ahora es el criterio. Un analista que no sabe cómo está construido el modelo de datos va a aceptar lo que el asistente le responda, y en finanzas una cifra mal atribuida no es un error simpático: se va a un comité.
El riesgo de la IA en finanzas no es que el equipo no la use. Es que la use sin saber cuándo desconfiar.
Las cuatro capacidades que sí mueven la aguja
Cuando diseñamos un programa para finanzas, el temario rara vez empieza por «IA». Empieza por lo que falta para que la IA tenga sobre qué trabajar:
- ▸Modelo de datos limpio. Un presupuesto comparable contra el real, con la misma estructura de centros de costo. Sin esto, cualquier tablero miente con buena presentación.
- ▸Análisis de desvíos automatizado. Que el tablero no solo muestre la diferencia, sino que descomponga de dónde viene: volumen, precio, tipo de cambio, un proveedor puntual.
- ▸Control de errores y trazabilidad. De qué tabla salió cada cifra y quién la tocó. En finanzas esto no es opcional, es auditoría.
- ▸Uso responsable de asistentes. Qué información se puede pegar en una herramienta de IA y cuál no, con una política escrita que el equipo entienda.
Fíjate que tres de las cuatro son de datos, no de IA. Esa es la parte que se salta la mayoría de los talleres de medio día, y por eso a la semana nadie volvió a abrir la herramienta.
Dónde se nota primero
Si vas a elegir un primer frente, elige uno con dolor visible y plazo corto. Tres que funcionan casi siempre:
- ▸Conciliación de cuentas. Es repetitiva, tiene reglas claras y hoy se hace con comparaciones manuales entre reportes. Es el caso donde el equipo ve el resultado en la primera semana y se engancha.
- ▸Forecast rodante. Pasar de proyectar una vez al año a reproyectar cada mes es imposible a mano, y perfectamente posible cuando el modelo de datos ya está armado.
- ▸Cobranzas. Priorizar a quién llamar según comportamiento de pago y no según el monto. Es el que más rápido se traduce en caja, que es el idioma que entiende cualquier directorio.
Lo que yo evitaría como primer proyecto es la detección de fraude o cualquier cosa con modelo predictivo de por medio. Suena bien en una presentación, exige datos históricos limpios que casi nadie tiene, y si falla quema la credibilidad de todo el programa.
Tu equipo no está parejo, y está bien
En un área de finanzas conviven el analista que automatiza medio cierre con Power Query y el jefe que lleva 15 años con tablas dinámicas. Meterlos al mismo curso termina mal de las dos maneras posibles: uno se aburre, el otro se pierde.
Por eso arrancamos con una evaluación y corremos tres niveles en paralelo —Iniciación, Aplicada y Avanzada— dentro del mismo grupo y con el mismo calendario. Cada quien avanza desde donde está y el área termina hablando el mismo idioma, que es el objetivo real.
Cómo medir que sirvió
Las inscripciones no son un resultado. Antes de empezar, define dos o tres números que hoy puedas levantar: días hábiles del cierre, horas-persona dedicadas a reportes recurrentes, cantidad de reprocesos por error de consolidación. Mide el trimestre anterior, mide el siguiente, y ya tienes la conversación con el directorio resuelta sin discursos.
Un caveat honesto: el primer trimestre casi nunca baja los días de cierre. Lo que baja es el retrabajo y el tiempo de respuesta a las preguntas de gerencia. El cierre se acorta después, cuando el modelo de datos ya está ordenado.
Los dos errores que más he visto en programas de finanzas son evitables. El primero: capacitar sin tocar los datos reales de la empresa. El analista aprende con un dataset de ejemplo, vuelve a su escritorio, se topa con el plan de cuentas verdadero y abandona. El segundo: dejar el programa sin dueño. Si nadie del área tiene en sus objetivos que esto avance, a las seis semanas lo come la operación del mes.
Por eso trabajamos sobre el stack y los datos de la empresa, con el entregable definido desde el inicio: al terminar tiene que haber algo funcionando que alguien use el lunes siguiente. No un certificado, un tablero en uso.
Qué dominaría tu equipo
El programa AI Finance Insights está armado para áreas de finanzas y planeamiento: termina con un tablero que explica cada desvío y con el control de errores montado encima. Si tu stack corporativo es Google, la versión de ese mismo trabajo sobre Gemini Enterprise para finanzas cubre el despliegue dentro de Workspace, con el control de acceso que pide un área sensible.
Debajo de eso está el currículum que sostiene todo: Visualización de Datos con Power BI para el modelo y el tablero, y la ruta Analista de Datos con IA si quieres que una o dos personas del área se conviertan en el referente técnico interno en vez de depender de TI para cada cambio.
Cómo empezamos
Hemos formado a más de 1,500 profesionales y trabajado con más de 100 empresas en LATAM —Entel, BCP y Scotiabank entre ellas— y el proceso es siempre el mismo: conversamos, hacemos un diagnóstico sin costo del nivel real del área, diseñamos el plan con tus datos y tu calendario, y medimos durante el dictado. Los instructores siguen trabajando hoy en el puesto que enseñan, que en finanzas se nota a los diez minutos de clase.
Si estás evaluando formar a tu área, empieza por el diagnóstico: es una conversación sin costo y sin compromiso donde salimos con el mapa de niveles de tu equipo. Puedes verlo todo en DataPath para Empresas, revisar el programa de IA para finanzas o, si aún no tienes claro el formato, comparar las modalidades disponibles —in-company, virtual en vivo, híbrido o plataforma— antes de decidir.



