La inteligencia artificial cambia la planificación financiera en la calidad del modelo con el que se decide, y en la velocidad a la que una señal débil del negocio se convierte en una decisión de caja, de riesgo o de capital. Automatizar el cierre, la conciliación o el comentario de la desviación acelera un trabajo que la función financiera ya sabía hacer. El cambio de fondo es otro: la empresa pasa a discutir el futuro con un modelo, y ese modelo gana o pierde según entienda la causa del negocio.
Lo veo desde los dos lados del problema. Me formé como ingeniero de telecomunicaciones y pasé ocho años en Indra Sistemas. De aquella etapa me quedó un hábito concreto: un sistema complejo se juega en las interfaces. El dato que llega tarde, la hipótesis que nadie ha escrito y el retardo entre la causa y el efecto pesan más que el cálculo aislado.
Después ocupé durante cinco años la dirección financiera y la dirección comercial mundial de EMITE Ingeniería, y durante tres años la dirección financiera de Dosfarma. Hoy, en Scharpf & Associates, uso ese recorrido cuando un equipo directivo pide criterio sobre qué hacer con la inteligencia artificial en la función financiera.
Tener a la vez la responsabilidad comercial y la financiera en EMITE me fijó una convicción que esta tecnología confirma. El año de una compañía de ingeniería especializada no se explica con la cuenta de resultados del mes anterior. Se explica con el ciclo de venta técnica, la concentración de clientes, la capacidad real de entrega y el desfase entre el pedido y la caja. Una previsión puede cuadrar al céntimo y seguir equivocada en la causa. El modelo que solo lee finanzas gana una precisión aparente y pierde el contacto con lo que de verdad mueve el ejercicio. Responder al mismo tiempo del pipeline y de la caja obliga a tratar la previsión como un modelo del sistema comercial.
Dosfarma enseña el extremo opuesto, y por eso las dos experiencias juntas valen más que cualquiera por separado. En una farmacia digital la señal es densa: transacción, cesta, margen por referencia, estacionalidad, promoción, stock y plazo de proveedor. Ahí la inteligencia artificial sí puede mejorar de forma material la previsión de demanda, la gestión del circulante y la lectura del riesgo de margen. El límite deja de ser la falta de datos. El límite pasa a ser de criterio.
En una categoría regulada, la sustitución entre productos, la relación con el proveedor y la promesa al cliente siguen teniendo dueño. El director financiero deja de ser quien produce el número y pasa a decidir qué señal puede mover una decisión y cuál debe permanecer quieta.
De esa diferencia sale la consecuencia práctica para la planificación. El efecto de la inteligencia artificial es proporcional a la densidad y a la velocidad de la señal operativa. Con un ciclo largo y un dato escaso, como en un negocio de proyecto o de producto técnico, su aportación principal es generar escenarios y obligar a discutir hipótesis. Con un ciclo corto y un dato masivo, la aportación es precisión de previsión y detección temprana de un cambio de régimen: mix, precio, conversión o capital circulante, señales que el cierre mensual iba a contar demasiado tarde. Implantar la misma herramienta para los dos casos resuelve el problema que la compañía no tiene.
En los mercados corporativos ese efecto se nota en cuanto un tercero entra en la conversación. Quien financia, quien compra o quien se sienta en un consejo dispone cada vez antes de una lectura de la caja, del margen y de las desviaciones. En una due diligence, en una refinanciación o en una discusión de valoración, se acorta el tiempo que tarda la otra parte en formarse un juicio. La compañía que entiende su propia causalidad puede sostener esa lectura. La que llega con el histórico bien presentado y la narrativa armada a final de trimestre negocia en inferioridad de condiciones.
La inteligencia artificial hace evidente qué compañías tienen un modelo de su negocio y cuáles tienen un histórico ordenado
Aquí la formación de ingeniero aporta más que el manejo de una herramienta. Un intervalo más estrecho expresa lo seguro que está el modelo de sí mismo. La verdad del modelo sigue dependiendo de si la hipótesis causal es correcta. En un mercado inestable, esa seguridad prematura es ya un riesgo financiero. Por eso conviene mantener separadas tres piezas que la herramienta tiende a fundir: la previsión, que es lo que creemos que va a ocurrir; el plan, que es aquello a lo que nos comprometemos; y el riesgo, que es lo que rompe el plan si la hipótesis falla.
Cuando trabajo con un equipo financiero, el orden empieza por la causalidad del negocio. Qué mueve de verdad los ingresos, el margen y la caja. Qué dato operativo alimenta esa causalidad, y con qué retraso. Qué parte del cierre merece automatizarse porque es repetitiva y no cambia la decisión. Y qué parte conserva un responsable con nombre, porque una previsión sin dueño es una opinión con decimales.
Bien usada, la inteligencia artificial deja ese trabajo a la vista. Hace evidente qué compañías tienen un modelo de su negocio y cuáles tienen un histórico ordenado. La función financiera que viene mantiene el modelo con el que la empresa discute el futuro. Ese paso se juega en el oficio.
