Antes de que la IA agéntica actúe en tesorería, los CFO necesitan saber si pueden confiar en sus consejos

El anuncio de Mastercard sobre Agent Pay es una señal de que los agentes de IA se están acercando a la capa de pagos. Para los consumidores, eso puede significar agentes de IA capaces de comprar, suscribirse o realizar transacciones dentro de permisos definidos. Para los líderes de tesorería, plantea una pregunta más interesante: ¿qué sucede cuando un agente de IA no solo asesora, sino que realmente ejecuta decisiones financieras?

Ese siguiente nivel importa. Un insight generado por IA que sea defectuoso puede cuestionarse. Una recomendación defectuosa puede revisarse. Pero un pago confirmado, una inversión o una cobertura de FX son más difíciles de deshacer.

Por eso los líderes de tesorería no deben esperar a que llegue la ejecución autónoma para definir cómo confiarán en la IA y dónde estarán los humanos en el proceso. La primera etapa es más básica y más inmediata: ¿pueden los equipos de tesorería confiar en los insights y recomendaciones generados por IA?

Muchas conversaciones sobre preparación para la IA en finanzas empiezan con la calidad de los datos. Y entiendo por qué. Tesorería no puede confiar en datos incompletos, ya sea reporting bancario faltante, posiciones de caja no conciliadas o datos poco fiables de cuentas por pagar y cuentas por cobrar. La IA puede ayudar a identificar y enriquecer datos faltantes, pero sin un marco adecuado, es decir, workflows, controles, mejores prácticas y experiencia de tesorería construidos alrededor del LLM, puede crear problemas con la misma facilidad con la que los resuelve.

Sin ese marco, la misma pregunta formulada sobre los mismos datos puede producir respuestas diferentes en días distintos. Un comportamiento similar puede darse cuando se le pide a la IA encontrar transacciones bancarias faltantes, categorizar flujos de caja o interpretar tendencias de liquidez. En tesorería, esa falta de repetibilidad precisa no es una molestia técnica. Es un problema de confianza.

La confianza requiere confianza en los datos, pero también depende de entender cómo se construyó el agente. Los CFO deben saber qué partes del análisis están impulsadas por el LLM, qué partes están gobernadas por controles específicos de tesorería y dónde los workflows repetibles imponen consistencia.

Como podrían haber dicho los antiguos griegos: “conoce a tu agente”. 

El primer problema de confianza: la IA como asesora

Para muchos equipos de tesorería, el primer uso práctico de la IA no será pasar directamente a la toma de decisiones automatizada y la ejecución de transacciones. Será ofrecer insights y recomendaciones.

Eso puede incluir preguntas como:

• ¿Por qué la caja se movió de forma diferente a lo esperado?

• ¿Qué entidades muestran patrones de liquidez inusuales?

• ¿Qué exposiciones son más sensibles a un shock de tasas o de FX?

• ¿Qué pagos son sospechosos?

• ¿Qué le ocurre a nuestra caja si el estrecho se abre o se cierra de nuevo?

• ¿Qué deberíamos hacer a continuación?

Estos son casos de uso de alto valor. Pueden ayudar a los equipos financieros a entregar inputs significativos e interpretaciones más rápidas cuando algo material cambia. Sin embargo, incluso en este rol asesor que la IA apoya, la confianza importa.

Un ejemplo no hace mucho fue el de una empresa que tenía duplicación de datos en su data lake. Uno de sus bancos envió reporting intradía en formatos MT y CAMT durante un período de tiempo. El problema no era el día anterior, sino que se produjo duplicación intradía. Sin un marco que ayudara al LLM a saber que las mismas transacciones se enviaban sistemáticamente dos veces, su modelo de IA creó previsiones basadas en patrones fantasma.

Aunque claramente no es lo mismo que un agente de IA que inicia, aprueba y libera un pago, sí generó un factor de temor respecto de confiar en la IA para navegar los matices de la vida diaria de tesorería.

Si una herramienta de IA recomienda un movimiento de caja, identifica un posible déficit o marca una excepción de pago, los equipos de tesorería necesitan sentirse seguros de que los cálculos son correctos. Necesitan saber que la IA completó el trabajo como lo habrían hecho ellos mismos.

Esto ejemplifica la necesidad de incorporar experiencia de tesorería en los agentes de tesorería, con esos mismos agentes especializados mostrando su razonamiento para “mostrar su trabajo”, por así decirlo. De lo contrario, la IA se convierte en otra caja negra superpuesta a datos de tesorería ya fragmentados.

La calidad de los datos importa

Muchos líderes de tesorería hablan de datos limpios como precursor de una IA exitosa. Normalmente estoy en ese grupo también; a menudo digo que no hay estrategia de IA sin estrategia de datos. Pero, ¿significa eso que los datos deben ser perfectos? Diría que no. Porque si ese fuera el precio de entrada, nadie empezaría nunca con la IA.

En la Encuesta CFO 2026 de Kyriba, solo el 40,7% de los CFO afirmó tener visibilidad de caja totalmente completa y en tiempo real. Esto es significativo porque casi seis de cada diez líderes financieros reportan imperfecciones en su reporting de caja. También significa que sus análisis de IA pueden operar con datos de caja retrasados, parciales o fragmentados. La encuesta no preguntó cuántos tienen una visibilidad del 90% o 95%, pero todos sabemos que el número de equipos financieros que han llegado a aceptar un 90% o más, pero no el 100%, es significativamente mayor.

¿Qué significa esto para la IA? Significa que se puede tener información incompleta y aun así tomar decisiones complejas de liquidez, incluida la cobertura de exposiciones de caja. Los equipos de tesorería operan con bastante eficacia sin todos los datos. Pero lo que no pueden sacrificar es tener datos incorrectos.

La IA puede ayudar a cubrir las brechas en la visibilidad de caja, o incluso hacer suposiciones sobre lo que no vemos. Pero la IA necesita que los datos que sí se tienen sean correctos. La fiabilidad es importante; de lo contrario, la IA se construye sobre una base inestable y, cuando se le pide modelar escenarios de liquidez o marcar anomalías de pago, el riesgo no es solo que el resultado sea incorrecto. El verdadero problema es que el resultado puede sonar seguro mientras es incorrecto.

Ahora bien, en esa misma encuesta CFO, el 31,2% de los CFO identificó la fiabilidad de los datos como una prioridad operativa crítica para 2026. Es una cifra significativa, pero también significa que casi siete de cada diez CFO no están tratando la fiabilidad de los datos como una prioridad. Eso es preocupante, especialmente a medida que la IA se involucra más en el análisis y las recomendaciones de tesorería. También muestra dónde debe comenzar la preparación para la IA: con datos fiables y controles claros sobre cómo los agentes los utilizan. 

Cinco preguntas antes de que tesorería confíe en los consejos de la IA

Antes de desplegar IA en workflows de tesorería, los CFO y los líderes de tesorería deberían poder responder cinco preguntas centrales.

1. ¿Podemos reproducir la respuesta de la IA?

Los equipos de tesorería no pueden confiar en insights que a veces cambian cada vez que se hace la misma pregunta sobre los mismos datos. Si la IA señala un riesgo de liquidez, recomienda un movimiento de caja o identifica un posible evento de fraude, los usuarios deberían poder entender si las mismas condiciones producirían la misma recomendación otra vez.

La repetibilidad importa. En un agente sin marco de control, el mismo prompt sobre los mismos datos aún puede producir respuestas diferentes. Eso puede ser aceptable cuando la IA resume un documento. No es aceptable cuando el resultado puede influir en decisiones de liquidez, pagos, cobertura o inversión.

“La IA lo dijo” no es un control de tesorería. Pero “esta vez la IA dijo algo diferente” tampoco lo es.

2. ¿Sabemos qué datos, herramientas y habilidades utilizó la IA?

La IA solo es tan fiable como los datos y capacidades que se le permite utilizar. Si un feed bancario está retrasado, un archivo ERP está incompleto, la conciliación no se ha realizado o un agente utiliza la herramienta equivocada para la tarea, el resultado aún puede sonar seguro.

Los equipos de tesorería necesitan visibilidad sobre datos fuente, frescura de los datos, exclusiones, brechas conocidas y las habilidades o herramientas utilizadas para generar la recomendación. Una recomendación basada en datos obsoletos o parciales no debería tener el mismo peso que una basada en información completa y conciliada. Una recomendación producida fuera de un marco aprobado no debería tener el mismo peso que una generada mediante acceso controlado a datos, habilidades definidas y workflows repetibles.

3. ¿Pueden los usuarios cuestionar la recomendación?

Confiar no significa aceptar cada resultado. Significa saber cómo interrogarlo.

En la práctica, he visto equipos de tesorería preguntar si una recomendación generada por IA es precisa. He visto menos equipos preguntar qué alternativas consideró el sistema, qué supuesto cambiaría la respuesta o si la recomendación sigue siendo válida si una fuente está obsoleta.

Los usuarios de tesorería deberían poder preguntar por qué se hizo una recomendación, qué alternativas se consideraron y qué condiciones cambiarían la respuesta. Si se señala un déficit de liquidez, los usuarios deberían poder probar si la conclusión cambia bajo diferentes supuestos o correcciones de datos.

4. ¿Dónde ocurre la revisión humana?

Incluso cuando la IA solo asesora, la supervisión humana debe ser explícita. Una recomendación de previsión de caja puede requerir revisión por parte de operaciones de tesorería. Una recomendación de cobertura puede requerir input de gestión de riesgos. Una excepción de pago puede requerir escalamiento antes de que se tome cualquier acción.

Aquí es donde muchas conversaciones de gobernanza se vuelven demasiado abstractas. “Human-in-the-loop” suena tranquilizador, pero solo importa si la organización puede nombrar al humano, tomar la decisión correcta y mostrar dónde ocurre esa revisión antes de que la recomendación se convierta en acción.

La gobernanza human-in-the-loop no tiene que ralentizarlo todo, pero sí debe definir dónde entran el juicio y la responsabilidad en el proceso.

5. ¿Podemos probar la IA frente a escenarios reales de tesorería?

La preparación no es teórica. Los equipos de tesorería deberían probar la IA frente a las condiciones que realmente enfrentan: un archivo bancario retrasado, un déficit de liquidez, un shock de FX, una contraparte sancionada, una anomalía de pago o una aprobación fallida.

El propósito no es simplemente ver si la IA produce una respuesta plausible. Es ver si la organización puede explicar, cuestionar, escalar o rechazar esa respuesta antes de que influya en una decisión de tesorería.

En cada despliegue de IA en tesorería que hemos guiado en Kyriba, los equipos que avanzaron más rápido no fueron los que experimentaron de forma más agresiva. Fueron los que definieron sus rutas de escalamiento, límites de aprobación y requisitos de transparencia de datos antes de que el agente entrara en el workflow.

Gatear antes de correr

A medida que los agentes de IA se acercan a la ejecución financiera, la cuestión de la confianza se vuelve más urgente, pero tesorería no debería empezar por el momento en que un agente mueve dinero. Debería empezar un paso antes, con la recomendación que lleva a alguien a aprobar un pago, una inversión, una cobertura o un cash sweep.

Esa es la etapa de gateo de la tesorería impulsada por IA: demostrar que los insights y recomendaciones generados por IA son repetibles, explicables y gobernados antes de que llegue la acción iniciada por IA. Las siguientes etapas serán más difíciles porque auditar el consejo de la IA no es lo mismo que auditar la acción de la IA después de la ejecución.

El 73,5% de los CFO de nuestra encuesta dijo que la fluidez en IA y tecnologías emergentes es la habilidad más importante para los futuros líderes financieros. La primera prueba de esa fluidez no es si un CFO puede reconocer la promesa de la IA. Es si la organización puede gobernar el consejo que da la IA antes de que ese consejo se convierta en acción.

Antes de que la IA actúe, los equipos de tesorería deben responder una pregunta: ¿podemos demostrar por qué el agente dio ese consejo antes de que alguien actúe en consecuencia?