El 56% de CEOs ve a la IA como riesgo en finanzas

Por qué meter IA en finanzas sin bases puede salir caro

El 56% de los ejecutivos de nivel C ya identifica los riesgos de conducta de la IA como su principal preocupación material no financiera, frente al 16% de hace tres años. Mientras tanto, los incidentes mayores de conducta empresarial crecieron un 55% entre 2023 y 2025, con un costo promedio de 14 millones de dólares por incidente. Los datos, publicados por Unite.AI a partir de entrevistas con tres proveedores de software financiero, dibujan un escenario incómodo: la presión por adoptar IA en finanzas está superando la capacidad de las organizaciones para gobernar esos sistemas.

Para un founder hispanohablante al frente de una fintech, una startup SaaS financiera o la división financiera de una scaleup, la conclusión es directa: la IA puede comprimir el cierre contable de días a horas, pero si los datos de origen están sucios o los controles son débiles, simplemente ejecutará los errores más rápido.

La IA como amplificador, no como solución

La idea más repetida por las tres voces que recoge Unite.AI es que la IA no corrige procesos rotos, los acelera. Shagun Malhotra, CEO de SkyStem (software de cierre automático de fin de mes), lo resume así: "Existe una idea errónea común de que la IA es una solución a los problemas de procesos. No lo es. Es un amplificador de lo que ya existe".

🤖 La IA no es solo para leer sobre ella

En la comunidad la aplicamos: automatización, agentes IA y herramientas reales para emprender, no solo para informarte.

👥 Aplicarla en la comunidad

El argumento es el clásico garbage in, garbage out, pero ahora a velocidad de máquina: si las conciliaciones están mal definidas, los controles son débiles o los datos están fragmentados entre ERPs, hojas de cálculo y sistemas bancarios, la IA no va a "arreglar" nada; va a producir cierres más rápidos pero igualmente defectuosos.

El riesgo no es solo operativo. El Comité de Supervisión Bancaria de Basilea y otros reguladores están preocupados por los riesgos sistémicos que podría causar un fallo generalizado de modelos de IA en predicciones de mercado o en clasificación de crédito durante una crisis, según recoge Unite.AI. La estabilidad financiera entra en juego cuando muchos actores dependen de los mismos modelos.

Lo que dicen SkyStem, Kognia Labs y Solvd

El artículo de Unite.AI contrapone tres aproximaciones que coinciden en un punto: primero la base, después la IA.

SkyStem estandariza conciliaciones, automatiza flujos de trabajo y fortalece controles internos antes de superponer IA sobre procesos contables críticos. Malhotra insiste en que hay decisiones que la IA no debe tomar sola: "Los lugares donde los humanos deben mantener el control son exactamente donde la experiencia es más importante: intuición de riesgo, reconocimiento de patrones bajo ambigüedad y, lo más importante, la toma de decisiones bajo presión".

Kognia Labs, consultora de IA aplicada, pone el foco en detectar incoherencias en informes antes de que se vuelvan costosas. Alexandra Ollé, directora de estrategia de Kognia, identifica tres requisitos previos a cualquier despliegue: conexión entre sistemas, acceso a información que no está archivada como documento y capacidad de rastrear de dónde viene cada respuesta. Sin esos tres, asegura, la IA solo apila capas sobre procesos rotos.

Solvd, ingeniería de software con sede en California, defiende una estrategia "humanos primero" en la que los humanos refinan los flujos antes de que la automatización escale. Skylar Roebuck, CTO de Solvd, advierte contra una supervisión humana mal entendida: "La supervisión humana no debe verse simplemente como alguien que aprueba cada acción de la IA. Ese enfoque no escala y a menudo crea la ilusión de seguridad sin ofrecer un control significativo". Para Solvd, el sistema debe operar de forma autónoma dentro de límites claros y escalar al humano solo cuando hay incertidumbre real.

La otra cara: del cierre de fin de mes a la confianza continua

Un complemento útil lo aporta Sunil Padiyar, CTO de Trintech, en un artículo en Forbes Technology Council publicado el 26 de agosto. Padiyar sostiene que el modelo tradicional de confianza en finanzas, donde todo se valida al cierre de fin de mes, está obsoleto en un entorno donde la IA ya actúa durante todo el período contable.

Su propuesta es migrar de validación periódica a confianza continua (continuous trust). Los cuatro pilares que enumera:

Datos gobernados desde el origen, no reconciliados al final.
Validación en tiempo real embebida en los flujos de trabajo.
Explicabilidad por diseño: cada acción de la IA con racional, evidencia y linaje trazable.
Supervisión humana dirigida a escenarios de alto riesgo, no a aprobar todo.

La diferencia con el enfoque de SkyStem o Kognia es de énfasis: Trintech asume que la IA ya está operando en el ciclo y pide rediseñar la arquitectura; SkyStem y Kognia piden construir la base operativa antes de encender la IA. Ambas posturas convergen en lo importante: sin disciplina de datos y controles, no hay IA segura en finanzas.

¿Qué significa esto para tu startup?

Si diriges una fintech, un SaaS para equipos financieros o el área de finanzas de una scaleup, esta discusión te toca de lleno por tres razones:

Si vendes IA a equipos financieros, tu propuesta de valor debería empezar por el "antes": qué reconciliación estandarizas, qué control fortaleces, qué dato gobiernas. Vender IA sin ese marco es vender velocidad sin confianza, y el mercado lo está penalizando con incidentes de 14 millones de dólares cada uno.
Si compras IA para tu área de finanzas, audita primero tres cosas: ¿están conciliadas tus fuentes de datos?, ¿puedes trazar el origen de cualquier cifra?, ¿tienes controles explícitos sobre los procesos que vas a automatizar? Si la respuesta a alguna es "no", todavía no.
Si construyes producto regulado, la presión regulatoria crece. El Comité de Basilea ya señala el riesgo sistémico, y los incidentes de conducta empresarial son un dato que las aseguradoras y los inversores miran.

Acciones concretas para esta semana:

Haz un inventario de los sistemas donde viven tus datos financieros (ERP, banco, hojas de cálculo, CRM) y mide cuántos "no hablan entre sí". Es el primer cuello de botella que Kognia Labs señala.
Define qué decisiones financieras quedan fuera del alcance de la IA: aprobación de gastos elevados, excepciones de conciliación, interpretación de desviaciones atípicas. Ese es tu mapa de supervisión humana.
Documenta el linaje de cualquier modelo que ya uses: con qué datos se entrenó, qué versión está en producción y cómo auditas sus salidas. La explicabilidad por diseño que pide Trintech empieza por ahí.

Conclusión

La IA está cambiando el calendario del cierre contable, pero no ha cambiado los principios que rigen unas finanzas sanas: controles claros, datos reconciliados, trazabilidad y juicio humano donde hay ambigüedad. Las voces recogidas por Unite.AI y Forbes coinciden en que el activo más escaso en finanzas no es velocidad, es confianza, y la confianza no se automatiza: se construye sobre una base operativa que la IA puede acelerar, pero nunca reemplazar.

La diferencia entre las organizaciones que escalarán IA sin romperse y las que sufrirán incidentes costosos no estará en el modelo que elijan, sino en el orden en que implementen las cosas: primero la disciplina, después la automatización.