La mayoría de los equipos de tesorería están apenas comenzando a adoptar la IA para sus operaciones. En esta etapa, los agentes de IA operan inicialmente en modo de solo lectura: ofrecen información valiosa, pero aún no actúan.

Tanto si su organización está a días como a años de permitir que la IA apruebe o ejecute transacciones, confiar en los análisis y recomendaciones generados por la IA requiere confianza. La confianza hay que ganársela, y ganársela empieza por conocer al agente.

Tras mi último artículo, recibí el comentario de alguien que argumentaba que la confianza no importa demasiado cuando un humano permanece en el circuito. Si la IA alucina, sostenía, el humano puede simplemente ignorar la recomendación.

Por supuesto, un profesional de la tesorería puede ignorar una recomendación de la IA. Pero si el único control es ignorar la respuesta, ¿qué valor aporta realmente la IA? Un sistema que produce recomendaciones en las que nadie puede confiar no mejora gran cosa. Al contrario, añade una carga de revisión adicional.

Si utiliza la IA para finanzas, tesorería, pagos, coberturas, etc., llegará un momento en que querrá que realice tareas que no puede validar fácilmente en cuestión de segundos. La idea de probar la IA con preguntas cuya respuesta ya conoce es muy válida: es la fase del «gateo». Pero a medida que avance hacia caminar y correr, querrá que la IA tome decisiones y actúe en consecuencia. Necesita que la IA rinda cuentas ante usted, y eso cambia la manera en que pensamos y validamos la responsabilidad de la IA agéntica. 

Por qué implementar no es lo mismo que gobernar

Los datos de Gartner del Finance Symposium de este año hacen visible la brecha: el 84 % de las organizaciones financieras ha implementado IA o tiene previsto hacerlo. Solo el 7 % reporta un impacto alto o muy alto. Los obstáculos que señala Gartner son los problemas de calidad de datos y el ROI poco claro. Yo añadiría un tercero: la mayoría de las organizaciones han integrado la IA en sus flujos de trabajo sin definir quién es responsable de auditar al agente que está detrás de la recomendación.

La encuesta Risk Radar actualizada de Kyriba cuantifica el coste de esa brecha. En nueve países, casi 4 de cada 5 responsables financieros (79 %) reportaron un impacto financiero material derivado de una visibilidad de riesgos insuficiente en los últimos 12 meses. Las organizaciones que despliegan la IA de forma más activa son también las que con mayor probabilidad ya han asumido el coste de operar sin los controles de visibilidad adecuados.

El primer artículo de esta serie planteó cinco preguntas para confiar en los consejos de la IA. Pero esas preguntas presuponen algo más fundamental: la organización necesita saber qué agente produjo el análisis, a qué datos tuvo acceso y qué rigió su razonamiento. La oportunidad de la IA en tesorería es mejorar la fiabilidad en la gestión del efectivo, la liquidez y las coberturas, para que los equipos financieros puedan tomar decisiones mejores y más valiosas. A eso lo podemos llamar el coste de hacerlo bien: el valor que se genera cuando la recomendación de un agente es suficientemente fiable para actuar sobre ella. Lograrlo requiere confiar en nuestros agentes. En tesorería, donde la IA agéntica está pasando del consejo a la ejecución, la confianza comienza por saber qué está haciendo el agente.

La prueba «Conozca a su agente»

Los profesionales de las finanzas reconocerán la estructura de inmediato: refleja los marcos KYC (Know Your Customer) que han regido el riesgo de contraparte durante décadas. El KYC se aplica a terceros externos. «Conozca a su agente» se aplica a la IA que opera dentro de su propio flujo de trabajo.

La prueba tiene cuatro preguntas, que deben poder responderse sin necesidad de buscar en múltiples sistemas ni llamar al proveedor.

• ¿Qué agente produjo la recomendación y quién es responsable de su funcionamiento?

• ¿Qué datos, herramientas y permisos utilizó?

• ¿A qué conclusión llegó y cuál fue la base de esa conclusión?

• ¿Qué persona autorizada revisó, aprobó, rechazó o modificó la recomendación antes de actuar?

Si estas preguntas no pueden responderse con claridad, la organización tiene una implementación — no un modelo de gobernanza.

Esas respuestas deben figurar en el mismo registro de tesorería que la propia decisión, no en un registro de IA independiente. Para una recomendación sobre efectivo, liquidez, pagos o coberturas, la dirección y los auditores deben poder consultar los saldos, previsiones, extractos bancarios, exposiciones y políticas relevantes; cuándo se actualizaron esos datos; qué calculó o excluyó el agente; qué controles y aprobaciones se aplicaron; y quién revisó el paso siguiente. La actividad del agente, el historial de pagos, los datos bancarios, las aprobaciones de flujo de trabajo y las comprobaciones de políticas deben conformar una única pista de auditoría integrada, de modo que nadie tenga que reconstruir una transacción a través de múltiples sistemas.

La pista de auditoría le dice qué ocurrió. Un marco específico para la tesorería ayuda a garantizar que la recomendación se produjo dentro de las normas operativas de la organización. En la práctica, el agente debe mostrar el trabajo de tesorería — no solo la conclusión del modelo. ¿Qué datos utilizó? ¿Qué política aplicó? ¿Qué cálculo realizó? ¿Qué excluyó? ¿Qué excepción identificó? ¿Dónde se requirió la aprobación humana?

El TAI de Kyriba está diseñado para operar dentro de ese flujo de trabajo de tesorería controlado, utilizando los permisos, procesos repetibles y controles de auditoría que rigen la decisión subyacente. El objetivo no es crear un marco de control de IA separado, sino hacer del agente una parte integral del marco de control de tesorería ya existente.

Esto ofrece a los responsables financieros una forma práctica de aplicar la prueba «Conozca a su agente»: comprender qué tenía permiso de ver el agente, seguir cómo llegó a su conclusión e identificar en qué punto la autoridad humana intervino en el flujo de trabajo. La tecnología debe facilitar la obtención de esas respuestas — no dificultarla.

Sepa con qué agente está tratando

Todo agente de IA que opere en un flujo de trabajo de tesorería debe ser identificable: qué agente produjo el resultado, qué se modificó y quién lo autorizó a operar en el contexto en que fue utilizado.

Los equipos de tesorería suelen utilizar varios sistemas de IA simultáneamente: un modelo de previsión, un detector de anomalías en pagos, un asistente de categorización de efectivo y una herramienta de modelización de escenarios. Cuando aparece una recomendación, la respuesta adecuada depende en parte de qué agente la produjo, en qué condiciones y si ese agente estaba operando dentro de su ámbito definido.

Un agente con un mandato restringido a señalar excepciones intradía es fundamentalmente diferente a un agente con amplio acceso para prever, categorizar y recomendar. La recomendación de cada uno debe tener un peso diferente y distintos requisitos de gobernanza.

Lo que vio el agente determina lo que dice

Una secuencia agéntica debe confirmar que los datos requeridos están presentes antes de producir un resultado. Un equipo de tesorería esperaría razonablemente que compruebe que los archivos bancarios han llegado, que la conciliación se ha completado y que las posiciones de las entidades requeridas están disponibles. Estos controles pueden detectar lagunas evidentes, pero no garantizan que los datos sean correctos.

Un banco puede enviar transacciones duplicadas. Un feed puede estar actualizado pero ser incompleto. Una conciliación puede emparejar los elementos equivocados. La presencia de datos no equivale a la fiabilidad de los datos. El agente debe identificar esas situaciones y detenerse o escalar cuando no puede establecer un estado de datos fiable.

Risk Radar mide directamente la magnitud del problema de actualidad de los datos. Menos de 1 de cada 4 responsables financieros afirma que su organización puede cuantificar en tiempo real las implicaciones financieras de un riesgo emergente. La mayoría tarda entre uno y seis días. Incluso en EE. UU., la cuantificación en tiempo real se sitúa en apenas el 23,9 %.

Los datos por sí solos no convierten a un agente en un asistente de tesorería eficaz. Considere un agente que revisa un pago inusual de 4 millones de dólares proveniente de una filial. En función del importe y del beneficiario, lo marca como anómalo. Sin embargo, un profesional de la tesorería sabe que se trata de una transferencia intercompañía recurrente, programada a fin de mes, dentro de los límites aprobados y vinculada a una necesidad de liquidez conocida.

Sin la relación entre entidades, la finalidad del pago, el historial de aprobaciones y el contexto normativo, el agente ha identificado un patrón inusual — pero no necesariamente un pago inusual. Ha realizado el reconocimiento de patrones. Aún no ha hecho el trabajo de tesorería.

Un marco de tesorería proporciona ese contexto: jerarquías de entidades, obligaciones de caja comprometidas, umbrales de política, horarios límite y flujos de trabajo aprobados. Sin esos elementos, la IA puede ser técnicamente correcta y operativamente errónea. Por eso un asistente de tesorería eficaz necesita más que acceso a datos. Necesita el contexto de tesorería imprescindible para interpretarlos.

El razonamiento debe poder seguirse

La explicabilidad en tesorería es el mecanismo que permite a un revisor humano decidir si actúa sobre una recomendación, la escala, la cuestiona o la descarta.

Risk Radar añade una dimensión a ese argumento. Menos de la mitad de los responsables financieros en cualquier país o sector califica su capacidad para analizar la exposición al riesgo como de «alta confianza». En el sector tecnológico, que lidera la adopción de IA en todas las industrias, la cifra es apenas del 36,5 %. Un revisor que opera con una confianza moderada en sus propias bases analíticas necesita seguir el razonamiento del agente paso a paso. Sin eso, el paso de revisión es una aprobación — no una auditoría.

Considere la cobertura de divisas. Un responsable de tesorería sabe qué hacer cuando su previsión es incierta, frente a cuando tiene plena confianza en las proyecciones de cobros y pagos en moneda extranjera. Necesita ese nivel de transparencia por parte de un agente de IA para saber qué acciones tomar. El agente no puede funcionar como una caja negra. En tesorería, las cajas negras no tienen lugar en la cadena de decisión.

La supervisión humana necesita una dirección

La supervisión humana en el circuito es el cuarto control — y el más difuso. La expresión aparece en todas partes, pero rara vez está bien definida.

La supervisión humana en tesorería solo funciona si la política, la ejecución y la pista de auditoría están completamente alineadas. Si la secuencia de acciones — tanto de la IA como humanas — puede precisar qué persona, en qué paso, con qué autoridad para aprobar, escalar o rechazar, y bajo qué condiciones ese paso puede omitirse, entonces todo el flujo de trabajo puede trazarse con respecto a la política y ser reconstruido posteriormente por los auditores para garantizar el cumplimiento normativo.

En esta etapa temprana de adopción de la IA, el importante papel de aprobar transacciones lo desempeña con frecuencia el humano en el circuito. Y hasta la pista de auditoría más básica capturará esa acción. Pero a medida que los equipos de tesorería se preparan para que la IA ejecute pagos y transacciones, es todo el proceso el que debe ser rastreable y ejecutable en un único sistema con un único conjunto de controles. Además, quién realizó cada acción debe ser perfectamente distinguible. Necesitamos saber qué hizo la IA. 

Antes de que el consejo se convierta en acción

El primer artículo de esta serie terminó con una pregunta: ¿podemos demostrar por qué el agente dio el consejo antes de que alguien actúe en consecuencia? La prueba «Conozca a su agente» es la estructura para responder a esa pregunta: cuatro elementos que deben estar documentados antes de que una recomendación influya en una decisión de tesorería.

Las organizaciones que no puedan superar la prueba no están listas para implementar la IA con fines de ejecución autónoma. La responsabilidad debe preceder a la autonomía. Los agentes de IA en tesorería que no pueden identificarse, que no revelan su estado de datos, que no pueden mostrar su razonamiento y que operan sin supervisión humana designada no están listos para que se les confíe la fase del caminar — y mucho menos la del correr.

«Que lo diga la IA» no es un registro de auditoría. Conozca a su agente antes de confiar en sus recomendaciones.