Los agentes están en el centro del debate en casi todas las conversaciones de liderazgo financiero en este momento. Un agente que ejecuta el cierre, persigue cuentas por cobrar o redacta la narrativa de la junta durante la noche. El interés está bien fundamentado: los agentes de IA realmente pueden orquestar el trabajo repetible y de varios pasos que llena el mes de un equipo financiero.
La pregunta que vale la pena hacer no es si los agentes entregan valor, sino qué necesita debajo para ser algo en lo que confiarías con un número que llega a la junta.
Una estadística que quizás hayas visto, leída correctamente, explica por qué.
Lo que realmente dice la cifra del 95 % a los líderes financieros
El informe Panorama de la IA en los negocios 2025 del MIT reveló que aproximadamente el 95 % de las organizaciones no ven un retorno medible de sus inversiones en IA generativa. El dato ha circulado por las salas de directorio como prueba de que la IA no está lista.
Pero Bain & Company lo interpreta de manera más útil. El problema que los datos revelan es el enfoque, no los modelos. Las organizaciones que ven retornos están incorporando la IA en flujos de trabajo reales, cimentándola en un buen contexto y midiendo los resultados comerciales. Los que no ven nada destinan recursos a proyectos piloto de alto perfil, mientras que el trabajo de back-office con el retorno más rápido queda relegado. El mensaje de Bain a un CFO no es gastar menos en IA, sino gastar de manera diferente, apuntando el próximo dólar a los casos prácticos que mueven efectivo, costo y riesgo.
Ese reenfoque tiene un peso real en las finanzas. Los procesos financieros son repetibles, intensivos en datos y regidos por normativas, que Bain identifica como las mismas condiciones en las que la IA ofrece resultados. Lejos de ser el rezagado en el tema de la IA, el sector financiero es uno de los ámbitos en los que la IA ya funciona, siempre y cuando se enfoque en el problema adecuado y se construya sobre una base sólida.
El agente es la consecuencia, no el punto de partida
Aquí la conversación del agente y la del 95 % resultan ser la misma.
Se le permite al agente de IA realizar acciones en varios pasos: leer una factura, relacionarla con un contrato, aplicar la tolerancia, registrar la entrada y escalar solo la excepción. Ese es un trabajo valioso, y también es del tipo que falla sin dar señales cuando la base no está allí. Un agente que actúa sobre datos que nadie validó, aplicando reglas que infirió en lugar de reglas definidas por las finanzas, produciendo un resultado que nadie puede rastrear, no hace que las finanzas sean más rápidas. Reproduce el problema del 95 % con más autonomía y mayores riesgos.
Bain localiza la restricción real con precisión. Lo que frena el avance de la IA en el sector financiero no es el precio de los modelos ni la complejidad de las instrucciones. Es si el contexto está listo: definiciones compartidas para el plan de cuentas y los datos maestros, sistemas ERP y EPM conectados bajo una capa de recuperación consciente de políticas, cada acción rastreable a los datos y la lógica que hay detrás. Un agente siempre es tan confiable como el contexto controlado en el que se ejecuta.
El entusiasmo del mercado por la capa visible del agente es comprensible. Si funciona, depende de algo debajo: si la lógica empresarial que lo alimenta fue definida por las finanzas o inferida por un modelo. La lógica determinista es definida por finanzas. Un agente aplica esa lógica. Eso nunca debería ser lo que determine el significado de tu política de reconocimiento de ingresos.
Dónde debe residir la lógica
Un líder financiero necesita una forma de evaluar cualquier iniciativa de IA, con capacidad de agencia o no, antes de que afecte un número que importe. La verdadera prueba es si puedes respaldar el resultado: ver qué hizo el flujo de trabajo, seguir la lógica que aplicó y rastrear el resultado a través de sus datos si un auditor te lo pidiera. Un agente que cumple con ese estándar es uno que puedes escalar. Hay mucho más que decir sobre cómo un líder aplica esa prueba en la práctica, y un artículo el próximo mes lo explicará en detalle.
Cumplir con el estándar se reduce a una cuestión de arquitectura que los líderes financieros asumen cada vez más: ¿dónde debe residir la lógica? La respuesta que hace que la IA sea fiable es una capa de lógica de negocio gobernada que se sitúa entre los datos en bruto de la compañía y los modelos y agentes que los consumen, preparando y validando los datos y aplicando las normas que las finanzas poseen.
Eso es donde Alteryx se encuentra. No es otro modelo de IA compitiendo por la previsión, y no reemplaza tus sistemas ERP o EPM. Hace el trabajo que la IA no puede hacer de manera confiable por sí sola, así que el agente que se construye sobre ella tiene una base sólida. Diseña esa base gobernada primero, y el agente se convierte en el siguiente paso natural una vez que está en su lugar.
Qué implica esto para el papel de los agentes
El interés por los agentes es un instinto acertado, y los equipos que actúen en consecuencia ahora tendrán una ventaja inicial. El único ajuste es el orden de las operaciones. Un agente es lo que obtienes una vez que los datos están gobernados, la lógica está definida y los resultados son lo suficientemente rastreables para defender frente a tu auditor y tu junta.
Hazlo bien, y el agente deja de ser una apuesta ciega. Se convierte en el siguiente paso lógico, y la pregunta ya no es si puedes confiar en ello, sino en qué área lo aplicas primero.