La inteligencia artificial ya entró en las empresas. Hay equipos usando Copilot, Gemini, ChatGPT y otras herramientas para preparar reportes, resumir información, analizar documentos o acelerar tareas que antes tomaban horas.
La pregunta que empieza a aparecer ahora es otra: ¿cuánto de ese uso está generando un cambio real en el negocio?
Para entender qué está pasando después de la primera ola de adopción, conversamos con Nicolás Rivas, físico de profesión y experto en IA aplicada. Después de más de cinco años dedicado a la investigación en física de la complejidad, pasó por startups, emprendió en inteligencia artificial y durante los últimos años ha trabajado directamente con empresas en capacitación, estrategia, gobernanza, transformación y desarrollo de soluciones de IA.
Su experiencia permite mirar la adopción desde distintos niveles, desde el empleado que empieza a utilizar una herramienta por su cuenta hasta el CFO que intenta entender cómo la inteligencia artificial puede transformar un área completa.
Mira la conversación completa
En esta entrevista, Nicolás Rivas analiza qué está pasando realmente con la IA en las empresas más allá del hype, cuáles son los errores más comunes al adoptarla y por dónde puede empezar un CFO o un equipo financiero que quiere incorporarla.
Qué viene después de la primera adopción de IA
En muchas organizaciones, el primer paso ha sido bastante parecido. Comprar licencias, capacitar a los equipos y extender herramientas que algunas personas ya habían comenzado a utilizar por iniciativa propia.
Ese uso informal también tiene nombre. Shadow AI describe justamente lo que ocurre cuando los trabajadores recurren a herramientas de inteligencia artificial sin que necesariamente exista una política corporativa que defina cuáles pueden utilizar, con qué información o bajo qué criterios.
Esto abre una primera discusión sobre gobernanza, pero no es todavía donde se juega el mayor impacto.
El problema aparece cuando se asume que aumentar la productividad individual equivale automáticamente a mejorar la productividad de la empresa.
Un reporte que antes tomaba dos horas puede estar listo en quince minutos. Pero si el siguiente paso del proceso sigue dependiendo de una reunión que ocurre una vez por semana, el ciclo completo continúa tardando prácticamente lo mismo.
El punto interesante aparece cuando la empresa empieza a revisar el proceso completo y a preguntarse qué podría hacerse de otra manera con estas nuevas capacidades.
Rediseñar procesos, no solo acelerar tareas
Ese punto marca un segundo nivel de adopción.
La inteligencia artificial empieza a generar un impacto distinto cuando deja de insertarse en procesos diseñados para otra realidad y pasa a formar parte de cómo esos procesos se piensan desde el comienzo.
En otras palabras, no utilizar IA únicamente para hacer más rápido lo que ya existía, sino preguntarse qué permite hacer ahora que antes no era posible.
Es una diferencia importante para cualquier empresa que esté tratando de evaluar retorno. El ahorro de algunos minutos en cientos de tareas puede ser difícil de traducir en un cambio visible para el negocio. Un proceso completo que se acorta, desaparece o cambia su lógica tiene otro alcance.
Según la experiencia de Rivas, es en ese tipo de rediseños donde las organizaciones comienzan a encontrar eficiencias capaces de mover realmente la aguja.
Una barrera menos tecnológica de lo que parece
La paradoja de la inteligencia artificial generativa es que resulta fácil empezar a usarla.
No hace falta saber programar. Basta con escribir o hablar.
Para Nicolás, la dificultad aparece en otro lugar. Cambiar hábitos, redefinir responsabilidades y entender qué ocurre con un rol cuando una parte de su trabajo puede ser realizada de una forma completamente distinta.
En sus conversaciones con equipos encuentra escepticismo y, muchas veces, temor. La pregunta no es solamente qué puede hacer la tecnología. También es qué voy a hacer yo si la tecnología empieza a hacer esto.
Por eso sitúa la gestión del cambio como parte central de cualquier proceso de adopción.
Si una persona deja de ejecutar manualmente una tarea, necesita entender hacia dónde se mueve su rol. Puede pasar a supervisar, analizar, interpretar o tomar decisiones. Pero ese destino tiene que existir y ser comunicado.
Lo mismo vale para la organización. Adoptar IA sin explicar para qué quiere hacerlo deja a los equipos enfrentados a un cambio cuyo resultado no conocen.
Finanzas, cobranza y el salto desde la operación al análisis
Esa discusión se vuelve especialmente concreta en finanzas.
Cobranza, conciliación y reportería son algunos de los procesos donde estas oportunidades ya empiezan a verse de forma muy concreta. En grandes empresas, todavía existen equipos completos dedicados a manipular información, revisar planillas, preparar informes y ejecutar tareas repetitivas.
La primera oportunidad es evidente. Una IA puede leer datos, preparar un reporte o ayudar a redactar comunicaciones de cobranza.
Pero incluso en una tarea aparentemente simple como enviar un correo aparecen situaciones que las automatizaciones tradicionales resuelven con dificultad. Un cliente con el que alguien acaba de conversar, una excepción comercial o un caso con una historia particular requieren contexto antes de actuar.
La IA permite empezar a incorporar ese contexto dentro del proceso.
Ahí vuelve a aparecer la diferencia entre automatizar una tarea y transformar el proceso completo.
Durante años, buena parte del trabajo tecnológico en finanzas consistió en tomar datos, transformarlos y convertirlos en gráficos o reportes. Hoy una inteligencia artificial puede participar también en esa cadena.
En sus clases, Nicolás usa una comparación bastante gráfica: sería como tener un practicante excepcionalmente capaz y dedicarlo únicamente a preparar reportes. El valor crece cuando esa capacidad también puede ponerse al servicio del análisis, la interpretación y decisiones de mayor nivel.
El valor empieza a crecer cuando puede conocer mejor la empresa y aportar también en la interpretación.
El contexto cambia la calidad de la respuesta
Para llegar hasta ahí, la IA necesita entender sobre qué negocio está trabajando.
Nicolás introduce en este punto el concepto de context engineering, la construcción del contexto necesario para que un sistema pueda interpretar correctamente la información que recibe.
La diferencia es relevante. Preguntar a una herramienta genérica cómo mejorar una empresa probablemente genere una respuesta igualmente genérica. Incorporar información sobre esa empresa, sus datos, procesos y prioridades permite avanzar hacia preguntas y respuestas cada vez más específicas.
En finanzas ese potencial es particularmente interesante porque el área concentra una visión transversal de la organización.
El CFO puede ver buena parte del negocio expresado en números. Ingresos, costos, cobranza, desempeño y proyecciones terminan convergiendo en información que luego debe interpretar para decidir.
Rivas ha visto que varios CFO ya empiezan a explorar la inteligencia artificial desde ese lugar. No solamente como una herramienta para reducir carga operativa, también como una forma de ampliar la capacidad de análisis y obtener mejores ideas a partir de los datos disponibles.
Para un CFO, empezar por arriba
Cuando le preguntan qué recomendaría a un CFO que quiere comenzar a trabajar con inteligencia artificial, Rivas propone un enfoque poco asociado a las primeras olas de automatización.
En vez de partir identificando una pequeña tarea manual, recomienda comenzar top down, desde las preguntas más estratégicas.
¿Cómo puedo mejorar la empresa? ¿Dónde existen oportunidades? ¿Cómo podemos vender más?
Las primeras respuestas pueden ser amplias. El ejercicio consiste en incorporar contexto, profundizar y seguir bajando hasta llegar a situaciones específicas del negocio.
Ese recorrido puede terminar eventualmente en un proceso que conviene automatizar, pero el punto de partida fue la necesidad estratégica y no la búsqueda de una tarea disponible para automatizar.
Para los cargos ejecutivos, ese enfoque amplía el rol de la IA, que deja de servir solo para ejecutar tareas y empieza a funcionar también como apoyo para pensar y decidir.
Pensar a seis meses cuando la tecnología cambia cada seis meses
La velocidad de evolución también está obligando a revisar otra costumbre de las grandes empresas, planificar transformaciones tecnológicas con horizontes de varios años.
Rivas considera poco realista proyectar con precisión cómo se verá un área financiera dentro de tres o cinco años. Hace cinco años ChatGPT ni siquiera existía y, en cuestión de meses, las prioridades dentro de la propia conversación sobre IA ya han cambiado.
Hace poco gran parte del foco estaba puesto en aprender a escribir mejores prompts. Hoy el contexto empieza a ocupar un lugar mucho más importante.
Por eso propone estrategias más cortas, con horizontes de seis meses o un año y capacidad de revisión constante.
En ese plazo sí imagina transformaciones visibles. Una parte creciente de la generación y del primer análisis de los datos puede quedar en manos de inteligencia artificial, mientras las personas concentran su trabajo en revisar, corregir, interpretar y decidir.
También anticipa equipos potencialmente más pequeños, autónomos y dinámicos, aunque reconoce la dificultad de predecir los efectos finales de una tecnología que todavía está cambiando a gran velocidad.
Quizás uno de esos efectos sea menos evidente que la reducción de tiempo o de tareas. Que la inteligencia artificial eleve el nivel mínimo de lo que una organización es capaz de producir y, con ello, también la calidad de las decisiones que puede tomar.
De tener IA a saber qué hacer con ella
La conversación con Nicolás Rivas deja una diferencia importante entre usar inteligencia artificial y transformar una empresa con inteligencia artificial.
La primera etapa ya está ocurriendo. Las personas experimentan, las empresas compran herramientas y las tareas se hacen más rápido.
La siguiente exige algo distinto. Revisar procesos completos, entregar contexto, acompañar a las personas y decidir dónde la tecnología puede aportar no solo eficiencia, sino también una mejor lectura del negocio.
Para finanzas, eso abre una oportunidad especialmente concreta. Cobranza, conciliación, reportería y análisis conviven con grandes volúmenes de información, pero también con decisiones que dependen de comprender qué hay detrás de esos datos.
Ese punto conversa directamente con el problema que aborda Sapira. La plataforma conecta contratos, facturación, cobranza y reconocimiento de ingresos dentro del ciclo financiero y con los sistemas que la empresa ya utiliza. Sobre esa información, la inteligencia artificial puede trabajar con el contexto real de la operación y ayudar a responder preguntas sobre el negocio.
Producir reportes más rápido es parte de la oportunidad. En finanzas, el mayor potencial de la IA aparece cuando esa información ayuda a entender mejor el negocio y a decidir qué hacer después.
