IA para finanzas y contabilidad: guía gratuita para empezar

Un modelo de lenguaje no calcula: redacta, clasifica, explica y traduce. Entender esa frontera es lo que separa un departamento financiero que gana horas de otro que introduce errores donde antes no los había. En esta guía te contamos lo esencial antes de tocar una sola herramienta: qué hace bien la IA en el trabajo financiero y contable y qué no, cómo elegir aplicación sin comprometer los datos de tus clientes, cómo partir un proceso para automatizar solo la parte que conviene, cómo analizar unas cuentas con ayuda de un modelo y por dónde empezar a implantarlo en tu empresa.

Estás leyendo gratis el módulo 1 completo del Curso de IA para Finanzas y Contabilidad. No hace falta registrarse.

Una advertencia que vale para todo lo que viene: aquí enseñamos método de trabajo con herramientas. Esto no es asesoramiento fiscal, contable, jurídico ni de inversión. No damos por buena ninguna norma tributaria, ningún criterio contable, ningún modelo, tipo ni plazo. Cuando el tema los roce, te diremos que lo verifiques en la fuente vigente de la AEAT o del ICAC, o con tu asesor. La responsabilidad profesional sobre lo que firmes o presentes sigue siendo tuya.

Contenido de esta página

• La regla que ordena todo: los números no los pone el modelo
• Herramientas: cinco categorías y un filtro previo
• Automatizar tareas rutinarias sin romper el proceso
• Análisis de estados financieros con ayuda de la IA
• Datos, secreto profesional y normativa
• Roadmap: por dónde empezar en tu empresa

La regla que ordena todo: los números no los pone el modelo

Este curso trata de una cosa concreta: cómo usar modelos de lenguaje y otras herramientas de inteligencia artificial en el trabajo financiero y contable del día a día sin perder el control de las cifras ni de los datos de tus clientes. No es un catálogo de aplicaciones ni una promesa de ahorro de tiempo. Es un método de trabajo que puedes aplicar mañana con las herramientas que ya tienes.

Qué hace bien la IA en finanzas y qué no

Los modelos de lenguaje son buenos redactando, clasificando, resumiendo, explicando conceptos, transformando formatos y revisando textos ajenos. Son poco fiables calculando: encadenan operaciones de forma aproximada y presentan resultados numéricos equivocados con una seguridad absoluta, sin avisar de que dudan. Esa combinación de error silencioso y tono seguro es justo la peor posible en un departamento financiero, donde nadie revisa una cifra que suena bien.

Conviene insistir en esto porque es contraintuitivo. Un modelo que redacta un párrafo impecable sobre el fondo de maniobra transmite la sensación de que también sabrá calcularlo. Son capacidades distintas. La fluidez del texto no dice nada sobre la exactitud del número que aparece dentro de ese texto, y la herramienta no distingue entre las dos cosas cuando responde.

La regla que recorre todo el curso

De ahí sale la regla que usamos de principio a fin: los números se calculan en la hoja de cálculo o en el programa contable; el modelo redacta, clasifica, explica, traduce y revisa. Cuando un modelo te devuelva una cifra, trátala como una hipótesis que tienes que reproducir tú antes de usarla.

Aplicada al día a día, la regla se traduce en una comprobación sencilla: toda cifra que aparezca en un informe que firmes tiene que salir de una celda o de un registro que puedas señalar con el dedo. Si no puedes señalar su origen, esa cifra no se publica.

La confidencialidad no es un aviso, es un hábito

Subir el libro mayor de un cliente, una nómina o un extracto bancario a una herramienta de IA de consumo es un problema real, no teórico. Entran en juego el RGPD, el secreto profesional al que estás sujeto y, muy a menudo, las condiciones del proveedor, que en los planes gratuitos o personales pueden permitir el uso de lo que escribes para entrenar sus modelos.

Por eso verás el mismo reflejo aplicado en cada apartado: anonimizar antes de pegar, trabajar con datos agregados en lugar de registros individuales siempre que la pregunta lo permita, y comprobar si esa herramienta y ese plan ofrecen un contrato de encargado del tratamiento y una cláusula que excluya el entrenamiento con tus datos. Si no lo ofrecen, esa herramienta no toca datos de clientes.

Cómo está organizado el curso

• Módulos 1 a 3: el ecosistema de herramientas, el análisis financiero asistido y la automatización contable, que es donde antes se nota el cambio.
• Módulos 4 a 6: presupuestación y previsión, gestión de riesgos y estrategia financiera.

Cada lección sigue la misma estructura: el problema concreto, el método, un ejemplo trabajado con datos de muestra inventados y un ejercicio corto que puedes hacer en veinte minutos con tus propios datos. Los ejercicios de este módulo están incluidos abajo, en cada sección.

Ejercicio 1: tu política personal de datos

1. Escribe en una página tu política personal de datos: qué tipos de información manejas (datos personales, bancarios, fiscales, salariales) y cuáles no van a salir nunca de tus sistemas.
2. Lista las herramientas de IA que usas ya, aunque sea de forma esporádica, con el plan concreto que tienes contratado en cada una.
3. Entra en las condiciones de una de ellas y busca dos cosas: si el proveedor usa tus entradas para entrenar y si ofrece contrato de encargado del tratamiento.
4. Apunta tres tareas de tu semana que sean repetitivas y de bajo riesgo. Serán tus candidatas para los ejercicios siguientes.
5. Prepara una carpeta con un juego de datos de prueba anonimizado que puedas usar durante todo el curso sin exponer información real.

Herramientas: cinco categorías y un filtro previo

La pregunta que llega antes que ninguna otra es qué herramienta usar. La respuesta útil no es una lista de marcas, que caduca en meses, sino saber en qué categoría cae cada herramienta, qué problema resuelve de verdad y qué tienes que comprobar antes de dejar que toque el dato de un cliente.

Las cinco categorías que importan

• Asistentes de lenguaje de propósito general. Redactan, clasifican, explican, reformulan y transforman formatos. Son la navaja suiza y también la fuente principal de errores numéricos.
• Copilotos integrados en la hoja de cálculo. Escriben fórmulas, explican una fórmula ajena, generan tablas dinámicas y limpian datos. Ventaja decisiva: el cálculo lo sigue haciendo la hoja, no el modelo.
• Extracción documental (OCR e IDP). Convierten facturas, extractos y albaranes en datos estructurados. Es la categoría con mejor retorno en contabilidad y la que más conviene medir con una tasa de acierto real, medida por ti sobre tus documentos.
• Funciones de IA dentro del propio software contable o ERP. Sugerencias de asiento, conciliación asistida, detección de duplicados. Aquí el dato ya está dentro del sistema donde debe estar, lo que reduce mucho el problema de confidencialidad.
• Analítica y cuadros de mando. Consultas en lenguaje natural sobre un modelo de datos ya definido, y generación de comentarios sobre cifras que calcula la propia plataforma.

Ordenar el mercado así tiene una ventaja práctica: cuando aparece una herramienta nueva, no tienes que evaluarla desde cero. Basta con ver en qué categoría cae para saber qué esperar de ella y, sobre todo, qué no pedirle.

Cómo evaluar una herramienta antes de meterle datos

Antes de mirar funcionalidades, resuelve el filtro de tratamiento de datos. Si no lo pasa, el resto da igual:

1. ¿El proveedor ofrece contrato de encargado del tratamiento para el plan que vas a contratar, no para otro plan superior?
2. ¿Las condiciones de ese plan excluyen expresamente el entrenamiento con tus entradas, o solo lo excluyen previa solicitud?
3. ¿Dónde se procesan y almacenan los datos, y durante cuánto tiempo se retienen las conversaciones o los ficheros subidos?
4. ¿Hay subencargados y están listados? ¿Se puede exportar y borrar todo lo cargado?
5. ¿Existe control de acceso por usuario y registro de actividad, o toda la oficina comparte una cuenta?

Estas respuestas se buscan en las condiciones contractuales del proveedor, no en su página comercial. Y se vuelven a buscar cada cierto tiempo, porque cambian.

Después evalúa lo funcional con una prueba comparable: el mismo lote de veinte documentos o cien apuntes reales pero anonimizados, la misma instrucción, y una medición de aciertos hecha por ti. Un número, no una impresión. Sin ese número, la decisión la acaba tomando la simpatía por la interfaz.

Ejemplo trabajado: clasificar movimientos bancarios

Supón que quieres clasificar descripciones de movimientos bancarios en categorías de gasto. Con un asistente general, la instrucción que funciona es cerrada, no abierta:

Eres un clasificador. Te doy descripciones de movimientos bancarios ya anonimizadas.
Asigna a cada una UNA categoria de esta lista cerrada y ninguna otra:
[suministros, alquiler, servicios profesionales, viajes, software, comisiones bancarias, otros]

Reglas:
- Si la descripcion no permite decidir con seguridad, responde "otros" y marca revisar = si.
- No inventes informacion que no este en el texto.
- No calcules ni modifiques importes.

Devuelve solo CSV con cabecera: id;descripcion;categoria;revisar

Datos:
1;PAGO TARJETA PROVEEDOR SOFTWARE MENSUAL
2;TRANSFERENCIA RECIBIDA REF 4471
3;RECIBO COMPANIA ELECTRICA

Fíjate en tres decisiones. La primera, lista cerrada de categorías: sin ella el modelo inventa etiquetas nuevas y el resultado no se puede agregar. La segunda, salida en un formato que puedes pegar directamente en la hoja. Y la tercera, una columna de duda explícita para que el modelo no rellene huecos inventando: es preferible que marque veinte filas para revisar a que resuelva veinte filas mal.

La suma por categoría la haces luego con SUMAR.SI en la hoja, nunca pidiéndosela al modelo. El modelo no ha visto un solo importe.

Ejercicio 2: inventario de herramientas y prueba comparable

1. Haz un inventario en una hoja con las herramientas de IA que usas o quieres probar, una fila por herramienta y plan.
2. Añade columnas para las cinco preguntas del filtro de datos y rellénalas leyendo las condiciones reales del proveedor, no su página comercial.
3. Marca en rojo las herramientas que no superen el filtro y anota para qué las puedes seguir usando sin datos de clientes.
4. Coge veinte descripciones de movimientos, anonimízalas y pásalas por la instrucción del ejemplo en dos herramientas distintas.
5. Cuenta manualmente los aciertos de cada una y quédate con un número, no con una impresión.

Automatizar tareas rutinarias sin romper el proceso

Casi todo departamento financiero repite cada mes el mismo puñado de tareas: bajar extractos, cuadrar listados, perseguir facturas, recomponer un informe que siempre tiene la misma forma. La tentación es pedirle a un modelo que lo haga todo. El resultado suele ser peor que el proceso manual, porque introduce errores donde antes no los había. Automatizar bien empieza por decidir qué parte del proceso no debe tocar la IA.

Descomponer antes de automatizar

Coge una tarea rutinaria y pártela en pasos elementales. Cada paso cae en uno de tres cajones:

• Determinista: hay una regla exacta. Sumar, aplicar un porcentaje, buscar una referencia, ordenar, comparar dos listas. Esto lo hace una fórmula, una consulta o el propio ERP. Nunca un modelo de lenguaje.
• Interpretativo: hay que entender texto poco estructurado. Leer el concepto de una transferencia, clasificar un gasto, extraer un dato de un PDF, redactar un comentario. Aquí la IA aporta de verdad.
• De criterio: implica una decisión con consecuencias. Aprobar un pago, aceptar un asiento, dar por buena una conciliación, firmar un informe. Esto se queda con una persona, siempre.

Un proceso automatizado sano es una cadena donde los pasos deterministas viven en la hoja o en el sistema, los interpretativos pasan por la IA con salida estructurada, y los de criterio terminan en una cola de revisión humana. Cuando alguien te enseña una automatización que va de la exportación al informe firmado sin intervención, lo que está enseñando es un riesgo, no un logro.

Salidas estructuradas y umbrales de confianza

Una automatización útil no devuelve un párrafo, devuelve una tabla. Pide siempre un formato fijo (CSV o JSON), con las columnas que tú decides, y añade una columna de confianza o de duda. Después define un umbral: por debajo de ese umbral el registro no se procesa solo, va a revisión. Ese umbral es lo que convierte un experimento en un proceso que puedes defender ante una auditoría.

Antes de que nada de esto toque datos reales, aplica el filtro de siempre: sustituye nombres, NIF, IBAN y referencias identificables por códigos internos antes de enviar nada, y comprueba que la herramienta y el plan que usas ofrecen contrato de encargado del tratamiento y no entrenan con tus entradas. Si el paso interpretativo lo hace una función de IA dentro de tu propio ERP, el dato no sale y el problema se reduce mucho.

Ejemplo trabajado: preparar el informe mensual de gastos

Datos de muestra inventados, solo para ilustrar el mecanismo. Tienes 420 movimientos exportados del banco. El proceso queda así:

1. Determinista: normalizas fechas e importes en la hoja y creas un id por fila.
2. Interpretativo: envías solo dos columnas, id y descripción anonimizada, al modelo con la lista cerrada de categorías, y recuperas id;categoria;revisar.
3. Determinista: cruzas la respuesta con tu tabla original por id, sin tocar los importes originales.

=BUSCARX(A2; clasificacion!$A$2:$A$421; clasificacion!$B$2:$B$421; "SIN CLASIFICAR")

Y el total por categoría, calculado por la hoja:

=SUMAR.SI.CONJUNTO($D$2:$D$421; $C$2:$C$421; "software"; $B$2:$B$421; ">="&FECHA(2026;1;1))

El cuarto paso es de criterio: filtras las filas con revisar = si y las repasas tú antes de cerrar el informe.

El modelo no ha visto un solo importe y no ha sumado nada. Ha hecho lo único que hace bien: leer texto ambiguo y ponerle una etiqueta. Ese reparto es el que hace que el proceso sea auditable, porque cada número del informe final procede de una celda cuya fórmula puedes enseñar.

Ejercicio 3: descomponer una tarea tuya

1. Elige una tarea que repitas al menos una vez al mes y escríbela en pasos numerados, tal como la haces hoy.
2. Etiqueta cada paso como determinista, interpretativo o de criterio.
3. Marca el único paso interpretativo con más volumen: ese es tu primer candidato.
4. Redacta la instrucción para ese paso con lista cerrada de opciones, salida en CSV y columna de duda.
5. Pásala con veinte casos anonimizados y cuenta cuántos irían a revisión con un umbral estricto.
6. Decide si ese porcentaje de revisión te compensa frente a hacerlo entero a mano, y anota la respuesta.

Análisis de estados financieros con ayuda de la IA

Analizar unas cuentas anuales consiste en pasar de un conjunto de cifras a un juicio razonado sobre la situación de una empresa. La parte mecánica de ese trabajo (recalcular, comparar periodos, ordenar magnitudes) la hace mejor una hoja de cálculo. La parte que consume tiempo de verdad es la otra: articular la explicación, no olvidar ninguna pregunta y escribirlo de forma que lo entienda quien no es contable. Ahí es donde la IA ayuda.

Qué le puedes pedir y qué no

Un modelo de lenguaje no debe calcular tus ratios ni tus variaciones. Encadena operaciones de forma aproximada y devuelve cifras equivocadas con total aplomo. Todo número que aparezca en tu informe tiene que salir de una celda que tú puedes señalar.

Lo que sí puedes pedirle, y hace bien:

• Interpretar una composición que tú le das ya calculada: qué sugiere que el circulante crezca mientras la tesorería baja.
• Generar la lista de preguntas que un analista haría ante ese patrón, para que no se te escape ninguna.
• Redactar el comentario en un registro concreto: para el comité, para el banco, para un socio no financiero.
• Hacer de abogado del diablo sobre tu propia conclusión, buscándole explicaciones alternativas.
• Traducir vocabulario técnico y homogeneizar la terminología del informe.

Preparar los datos sin exponer al cliente

Unas cuentas identifican a una empresa aunque quites el nombre. Antes de pegar nada, trabaja al nivel más agregado que responda a tu pregunta: masas patrimoniales y epígrafes, no el mayor ni el detalle de clientes o proveedores. Sustituye la razón social por un código, redondea si el detalle no aporta, y comprueba que la herramienta y el plan que usas ofrecen contrato de encargado del tratamiento y no emplean tus entradas para entrenar. Si las cuentas ya están depositadas y son públicas, el riesgo baja, pero el hábito se mantiene: solo sale lo que hace falta.

Sobre la estructura y los epígrafes concretos de los modelos de balance y de cuenta de pérdidas y ganancias, no des por buena la versión que recuerde un modelo: contrasta siempre con el texto vigente del Plan General de Contabilidad publicado por el ICAC, o consúltalo con tu asesor.

Ejemplo trabajado: análisis horizontal antes de interpretar

Cifras de muestra inventadas, en euros, solo para ilustrar el método. Cuenta de resultados resumida de dos ejercicios:

• Importe neto de la cifra de negocios: año 1, 2.400.000; año 2, 2.760.000.
• Aprovisionamientos: año 1, 1.200.000; año 2, 1.490.000.
• Gastos de personal: año 1, 700.000; año 2, 760.000.
• Resultado de explotación: año 1, 260.000; año 2, 250.000.

La variación la calcula la hoja, celda a celda:

=(C2-B2)/B2

Sobre esas cifras de muestra: ventas +15,0 %, aprovisionamientos +24,2 %, personal +8,6 % y resultado de explotación -3,8 %. El patrón está claro y es el que tienes que explicar: las compras crecen bastante más que las ventas y se comen el crecimiento. Solo entonces entra el modelo, con los porcentajes ya calculados por ti:

Te doy variaciones interanuales ya calculadas de una empresa anonimizada.
Ventas +15,0 % / Aprovisionamientos +24,2 % / Personal +8,6 % / Resultado explotacion -3,8 %

1. Enumera las hipotesis que podrian explicar este patron, ordenadas de mas a menos probable.
2. Para cada hipotesis, indica que dato adicional la confirmaria o la descartaria.
3. No calcules ni estimes ninguna cifra nueva. No inventes datos que no te he dado.

Obtienes una lista de hipótesis (subida de precios de compra, cambio de mix, deterioro del margen por descuentos, existencias mal valoradas) y, sobre todo, la lista de comprobaciones pendientes. Las conclusiones las firmas tú. Insistimos: esto es método de análisis, no asesoramiento contable ni de inversión.

Ejercicio 4: tu propio análisis horizontal

1. Coge dos ejercicios de una empresa real o de tu juego de datos de prueba y resume la cuenta de resultados en seis líneas.
2. Calcula en la hoja la variación porcentual de cada línea con la fórmula del ejemplo.
3. Escribe tú, en dos frases y antes de consultar nada, cuál crees que es la historia detrás de esos números.
4. Pásale al modelo solo los porcentajes, con la instrucción del ejemplo, y compara su lista de hipótesis con la tuya.
5. Anota las hipótesis que no se te habían ocurrido y qué dato necesitarías para descartarlas.

Datos, secreto profesional y normativa

Usar IA en finanzas te coloca a la vez bajo tres marcos distintos: la protección de datos personales, el deber de secreto profesional y las normas específicas sobre sistemas de inteligencia artificial. No es un trámite: es lo que decide qué herramientas puedes usar y con qué datos. Aquí te damos el mapa y los criterios; las obligaciones concretas las tienes que verificar en las fuentes oficiales vigentes o con tu asesor, porque cambian y porque equivocarse aquí cuesta dinero.

Protección de datos y secreto profesional

Casi todo lo que manejas contiene datos personales: nóminas, facturas con personas físicas, listados de clientes, movimientos bancarios. Pegar eso en una herramienta de IA es una comunicación de datos a un tercero, y necesita base jurídica y contrato de encargado del tratamiento. Los puntos que te tienen que preocupar de forma práctica:

• Encargado del tratamiento: el proveedor debe ofrecerlo para el plan que tú tienes. Muchos lo ofrecen solo en planes de empresa.
• Entrenamiento con tus entradas: si las condiciones lo permiten, aunque sea con exclusión voluntaria, ese proveedor no puede recibir datos de clientes.
• Subencargados y ubicación: dónde se procesa, quién más interviene, qué garantías hay para transferencias internacionales.
• Retención: cuánto tiempo se conservan conversaciones y ficheros, y si puedes borrarlos de verdad.
• Minimización: aunque todo lo anterior esté en regla, sigue enviando lo mínimo. Agregado antes que detalle, seudónimo antes que nombre.

El secreto profesional va por separado y es más exigente que el RGPD: afecta también a información de empresas, no solo de personas. Un dato que no identifica a nadie puede seguir siendo confidencial, y ese matiz se olvida con facilidad cuando la información va sobre una sociedad y no sobre un particular.

Normativa específica de IA y sesgo en decisiones financieras

La Unión Europea regula los sistemas de inteligencia artificial con un enfoque por niveles de riesgo, y determinados usos financieros (por ejemplo, la evaluación de solvencia de personas físicas) reciben un tratamiento más estricto que un asistente que redacta un correo. No memorices aquí ni fechas ni obligaciones concretas: consulta el texto vigente y su calendario de aplicación en las fuentes oficiales, y trata cualquier resumen que te dé un modelo como un borrador a verificar.

El problema técnico de fondo sí es estable: un sistema que decide o recomienda sobre personas puede reproducir sesgos presentes en los datos con los que se construyó, y hacerlo de forma opaca. Si una decisión afecta a alguien, tienes que poder explicar por qué se tomó, quién la revisó y con qué información. Un modelo que no puedes explicar no debería decidir nada que afecte a una persona.

Triaje de datos en tres niveles

Clasifica cada dato antes de tocar cualquier herramienta. Un esquema que funciona:

• Nivel 1, no sale nunca: nóminas individuales, datos de salud, NIF y DNI, IBAN completos, credenciales, información sujeta a secreto sobre operaciones no públicas.
• Nivel 2, sale solo seudonimizado y a herramienta con contrato: apuntes contables, facturas, extractos con conceptos, listados de clientes por código.
• Nivel 3, sale con normalidad: información pública, cifras agregadas sin posibilidad de reidentificación, textos genéricos, dudas conceptuales.

La ventaja de este esquema es que se puede colgar en la pared del despacho y que cualquiera del equipo lo aplica sin consultar. Una regla que hay que interpretar cada vez no se cumple.

Una instrucción para dudas normativas

Y esta instrucción la puedes reutilizar cuando pidas ayuda normativa, escrita precisamente para que el modelo no te invente una norma:

Necesito entender el concepto X para preparar una consulta a mi asesor.

- Explica el concepto en lenguaje llano.
- No cites articulos, importes, tipos, plazos ni numeros de modelo: si te falta certeza, dilo.
- Termina con una lista de preguntas concretas que deberia hacerle a mi asesor.
- Termina tambien con que fuentes oficiales deberia consultar para verificarlo.

Fíjate en el cambio de objetivo: no le pides la respuesta, le pides que te prepare mejor para la conversación con quien sí puede dártela. Es la forma más segura de usar un modelo en terreno normativo.

Ejercicio 5: la regla interna de tu despacho

1. Coge cinco tipos de documento que manejaste la semana pasada y asígnalos al nivel 1, 2 o 3.
2. Elige la herramienta de IA que más uses y localiza en sus condiciones si permite el entrenamiento con tus entradas en tu plan.
3. Comprueba si ofrece contrato de encargado del tratamiento y anota si lo tenéis firmado o no.
4. Escribe en cinco líneas la regla interna que aplicaréis en el despacho o el departamento, en términos de esos tres niveles.
5. Prueba la instrucción del ejemplo con una duda normativa real y comprueba si el modelo respeta la prohibición de dar cifras y plazos.

Roadmap: por dónde empezar en tu empresa

La mayoría de los proyectos de IA en departamentos financieros no fracasan por la tecnología, sino porque empiezan por la herramienta en lugar de por el proceso. Un roadmap sirve para lo contrario: partir de las tareas que ya haces, ordenarlas por lo que tienen de repetitivo y de arriesgado, y avanzar por tramos cortos donde cada paso deja algo funcionando.

Fase 1: inventario y priorización

Lista los procesos del área con tres datos por cada uno: cuántas veces al mes se ejecuta, cuánto tiempo consume cada ejecución y qué pasa si sale mal. Ese tercer dato es el que casi nadie apunta y el que más manda.

Puntúa cada proceso de 1 a 5 en tres ejes y ordena por una prioridad calculada en la hoja:

• Volumen: cuánto se repite.
• Estructura: cuánto del proceso es texto poco estructurado que hoy lee una persona.
• Riesgo: consecuencias de un error no detectado, de 1 (irrelevante) a 5 (presentación oficial o pago).

=(B2*C2)/D2

Con datos de muestra inventados: conciliación bancaria 5 de volumen, 4 de estructura, 3 de riesgo, prioridad 6,67; clasificación de gastos 5, 5, 2, prioridad 12,50; cálculo y presentación de impuestos 3, 2, 5, prioridad 1,20. La conclusión es la esperable y conviene aceptarla: se empieza por lo repetitivo y poco peligroso, no por lo más vistoso.

Fase 2: piloto acotado con métricas

Un piloto es un proceso, un equipo pequeño, un plazo corto y una métrica definida antes de empezar. Define qué vas a medir: porcentaje de registros que pasan sin revisión humana, tasa de error detectado en la revisión, tiempo por lote. Sin línea base medida antes, cualquier resultado será una impresión.

Reglas que evitan los desastres típicos del piloto: trabaja con una copia de datos, seudonimizada si sale de tus sistemas; mantén el proceso antiguo en paralelo durante el piloto; y guarda las entradas y salidas para poder reconstruir después por qué el sistema propuso lo que propuso.

Fase 3: controles, formación y escalado

Antes de ampliar, escribe tres cosas: quién revisa qué, con qué umbral un caso deja de ser automático, y qué se hace cuando el sistema falla. Añade a la política de datos qué herramienta puede tocar cada nivel de información y comprueba que cada proveedor implicado tiene contrato de encargado del tratamiento y no entrena con vuestras entradas. Forma al equipo en lo mismo que has visto hasta aquí: los números se calculan en el sistema, el modelo redacta y clasifica, y toda cifra se verifica contra su origen.

El escalado es repetir el ciclo con el siguiente proceso de la lista, no encender diez cosas a la vez. Y conviene fijar una revisión periódica: los proveedores cambian condiciones y modelos, y lo que validaste hace seis meses puede haber cambiado. Cualquier proceso que afecte a obligaciones fiscales o contables debe validarse con tu asesor y contra las fuentes oficiales vigentes antes de ponerse en producción.

Ejercicio 6: tu roadmap en una hoja

1. Lista ocho procesos de tu área en una hoja, uno por fila.
2. Puntúa cada uno de 1 a 5 en volumen, estructura y riesgo, con criterio propio pero constante.
3. Aplica la fórmula de prioridad y ordena la tabla de mayor a menor.
4. Coge el primero de la lista y define su métrica y su línea base actual: cuántos minutos o cuántos errores hoy.
5. Escribe en diez líneas el plan del piloto: alcance, duración, quién revisa, umbral de automatización y criterio de éxito.
6. Anota qué tendría que ocurrir para cancelarlo. Un piloto sin criterio de parada nunca se para.

Lo que deberías llevarte de este módulo

• El cálculo vive en la hoja o en el programa contable. El modelo redacta, clasifica, explica y revisa. Toda cifra se verifica contra su origen.
• Antes de evaluar funcionalidades, pasa el filtro de tratamiento de datos: contrato de encargado para tu plan, exclusión del entrenamiento, retención, subencargados y control de acceso.
• Descompón cada proceso en pasos deterministas, interpretativos y de criterio. Solo el interpretativo es candidato a la IA, y el de criterio se queda con una persona.
• Pide salidas estructuradas con columna de duda y define un umbral de revisión. Es lo que hace defendible el proceso.
• En terreno normativo, usa el modelo para preparar la consulta al asesor, no para sustituirla.
• Empieza por lo repetitivo y de bajo riesgo, mide la línea base antes del piloto y fija un criterio de parada.