La Inteligencia Artificial se está consolidando como una de las principales palancas de transformación en los departamentos financieros. Sin embargo, este avance no siempre viene acompañado de las bases necesarias para garantizar un uso consistente y seguro. De hecho, casi la mitad (45%) de las empresas que se consideran líderes en IA financiera aún no disponen de normas mínimas que regulen su aplicación dentro de los flujos de trabajo clave.

Así lo refleja el estudio ‘CFO AI Readiness Report’, elaborado por Payhawk, solución global para la gestión de gastos de empresa, en colaboración con IResearch. El informe analiza las brechas que condicionan la capacidad de las organizaciones para escalar la IA dentro de los flujos de trabajo financieros, a partir de una encuesta a 1.520 responsables financieros y directivos de compañías de distintos sectores, tamaños y regiones. Entre ellas, se consideran empresas “líderes en IA” a aquellas organizaciones que calificaron su madurez en IA con una puntuación de 7 a 10 sobre 10.

“Existe la percepción de que la madurez en IA avanza de forma lineal, pero la realidad es más compleja. Incluso entre las organizaciones más avanzadas, la preparación es desigual y está condicionada por distintas barreras. En este contexto, el principal límite no es la capacidad de la tecnología, sino hasta qué punto las organizaciones pueden gobernarla. Es decir, si son capaces de justificarla, rastrearla y auditar su uso dentro de los procesos financieros”, explica Laura Gámiz, directora en España de Payhawk.

Las condiciones que determinan si la IA puede escalar en finanzas
Según el informe de Payhawk, para que la IA pase de la adopción inicial a un uso plenamente operativo dentro de los flujos de trabajo financieros, las organizaciones deben cumplir cinco condiciones básicas: tener implantadas métricas de ejecución, contar con normas mínimas que regulen su uso, disponer de equipos con las capacidades y herramientas necesarias, con presupuestos específicos y datos capaces de respaldar el análisis con IA.

Sin embargo, alcanzar ese nivel de preparación sigue siendo poco habitual. Solo el 26% de las organizaciones consideradas líderes en IA cumple con los cinco requisitos, lo que pone de manifiesto que, incluso entre las compañías más avanzadas, la incorporación de esta tecnología no siempre se traduce en una capacidad operativa plenamente consolidada.

Una adopción de la IA con distintos niveles de preparación
A partir de estos criterios, el informe segmenta a las organizaciones líderes en seis posturas operativas en función de su grado de desarrollo en los cinco requisitos. Solo los denominados “adoptantes escalados” (26,9%) cuentan con un modelo plenamente consolidado y reúne todos los requisitos necesarios para operar la IA de forma efectiva. Junto a ellos, se sitúan los “mejoradores graduales” (17,5%), que cuentan con una preparación parcial a lo largo de las distintas dimensiones, sin que ninguna destaque.

El resto responde a niveles de desarrollo más desiguales. Los “implementadores impulsados por la ejecución” (16,0%) tienen una buena capacidad operativa, pero carecen de normas mínimas, mientras que en los perfiles “primero agentes, después control” (14,1%) el entusiasmo por la experimentación supera a la gobernanza, sin que existan normas mínimas ni una preparación adecuada para ejecutar la IA. También identifica los “escaladores con la gobernanza por delante” (13,8%), con marcos de control más sólidos, pero limitaciones en la calidad de los datos. Por último, se encuentran los “planificadores con el control por delante” (11,6%), que cuentan con capacidades, presupuesto y datos relativamente desarrollados, pero sin métricas de ejecución implantadas, lo que evidencia que la preparación no siempre se traduce en despliegue operativo.

Los principales obstáculos para escalar la IA en finanzas
La investigación destaca un claro desequilibrio: mientras que el 78% de los líderes en IA declaran contar con competencias y herramientas sólidas, sólo el 55% dispone de normas mínimas de gobernanza, el factor de preparación peor valorado.

Estos enfoques operativos responden a dos brechas estructurales: la “deuda de normas” y la “deuda de datos”. La primera se produce cuando las organizaciones despliegan la IA más rápido de lo que definen sus marcos de gobernanza, lo que deriva en sistemas que no pueden auditarse, explicarse ni integrarse de forma segura en flujos de trabajo que requieren aprobaciones, cumplimiento normativo o controles financiero. Típico de entornos pequeños y ágiles, es el patrón que observamos en perfiles como los “implementadores orientados a la ejecución” o los “primero agentes, después control” y afecta a cerca del 30% de las organizaciones líderes.

Por su parte, la “deuda de datos” aparece cuando las capacidades de ejecución y los mecanismos de control están implantados, pero los datos subyacentes son inconsistentes, incompletos o están fragmentados. En estos casos, las organizaciones pueden gestionar el uso de la IA, pero no confiar plenamente en sus resultados a escala. En definitiva, explica por qué algunas empresas, pese a mostrar disciplina y una gobernanza sólida, no logran escalar la IA en las operaciones financieras clave y es típica de entornos complejos y altamente regulados. El ejemplo más claro es el de los “escaladores con la gobernanza por delante”.

En última instancia, el gran reto es conocer de forma precisa en qué situación se encuentra cada organización, ya que un mal diagnóstico puede traducirse en desajustes muy costosos. Seguir invirtiendo en aumentar la capacidad de IA cuando el verdadero freno es la falta de gobernanza o en desarrollar marcos normativos cuando el problema real es la calidad de los datos puede bloquear el progreso porque la limitación operativa que se aborda no es la que está impidiendo escalar.

“Escalar la IA en finanzas sigue siendo complejo porque las organizaciones avanzan de forma desigual en las capacidades que lo hacen posible”, continúa Gámiz. “Muchas organizaciones están invirtiendo en más IA cuando el verdadero cuello de botella se encuentra en las normas o los datos. Escalar la IA en el ámbito financiero es, en esencia, un ejercicio de coordinación que consiste en alinear normas, datos y responsabilidades a lo largo de los flujos de trabajo. Aquellas organizaciones que sólo abordan una parte de los requisitos seguirán encontrando limitaciones y no lograrán ir más allá de determinados casos de uso”.