Un copiloto de cobranza y previsibilidad de caja permite observar cómo los datos históricos del ERP, la inteligencia artificial y la experiencia humana pueden convertirse en una capacidad concreta del negocio.
En muchas empresas, la conversación sobre inteligencia artificial comienza con una pregunta aparentemente lógica: ¿qué herramienta deberíamos comprar? Surgen entonces nombres de plataformas, asistentes, agentes autónomos y modelos generativos, casi siempre acompañados por la sensación de que hay que hacer algo rápidamente para no quedar atrás. Sin embargo, cuando la discusión empieza por la tecnología, también aumenta el riesgo de invertir en una solución interesante que todavía no tiene un problema de negocio claramente definido.
El Panorama de IA 2025 de TOTVS mostró que, aunque el 50 % de las empresas consultadas ya utilizaba inteligencia artificial, el 71 % todavía se encontraba en una etapa inicial de adopción, apenas el 10 % consideraba su uso altamente estratégico y solo el 7 % calculaba el retorno de la inversión. Estos números sugieren que el desafío ya no es solamente experimentar con IA, sino convertirla en resultados concretos.
El problema antes que la herramienta
Por eso, considero que la mejor manera de comenzar no es preguntando dónde podríamos colocar inteligencia artificial, sino identificando una decisión repetitiva, relevante y todavía imperfecta dentro del negocio. ¿Qué problema consume demasiado tiempo? ¿Dónde dependemos de análisis manuales? ¿Qué decisión se toma con información incompleta? ¿En qué proceso una mejor previsión podría producir un resultado económico mensurable? La inteligencia artificial debe entrar después de estas preguntas, como un medio para resolver una necesidad concreta, no como un objetivo en sí misma.
También existe una condición que debe aparecer desde el principio: ninguna promesa de inteligencia artificial será confiable si los datos que la alimentan no representan correctamente la realidad. No se trata solamente de tener mucha información almacenada. Es necesario comprender qué significa cada dato, cómo fue registrado, qué excepciones quedaron fuera del sistema y qué parte del proceso continúa dependiendo de correos, hojas de cálculo o del conocimiento individual de determinadas personas.
La IA no aprende del proceso que creemos tener. Aprende de los datos que realmente dejamos registrados.
Si esos datos confunden atrasos, disputas comerciales, errores de facturación y renegociaciones, la tecnología no eliminará la confusión: la reproducirá a mayor velocidad.
Un caso concreto: cobranza y generación de caja
Pensemos en un ejemplo cercano a mi experiencia profesional: la cobranza y la previsibilidad de caja. Muchas empresas tienen miles de facturas abiertas, diferentes condiciones comerciales y clientes con comportamientos muy distintos. El equipo financiero necesita decidir diariamente a quién contactar, qué cuenta exige atención inmediata, dónde existe una promesa de pago confiable y cuánto dinero probablemente ingresará durante las próximas semanas. Con frecuencia, estas decisiones se apoyan en reportes estáticos, reglas generales, experiencia individual y una enorme cantidad de trabajo manual.
A partir de los datos históricos del ERP, un modelo podría identificar patrones de comportamiento, estimar la fecha probable de pago, calcular el riesgo de una demora, priorizar cuentas y construir escenarios de entrada de caja. Pero esta predicción solo será realmente útil si el sistema consigue distinguir una demora provocada por falta de liquidez de una factura retenida por un error administrativo, una disputa comercial, una nota de crédito pendiente o una renegociación que todavía no fue registrada correctamente.
Para construir una previsión confiable, no basta con conocer la fecha de vencimiento y la fecha contable del pago. También necesitamos entender pagos parciales, facturas canceladas y reemitidas, compensaciones, promesas incumplidas, cambios en las condiciones comerciales y los motivos reales de cada atraso.
Esta es precisamente la diferencia entre acumular datos y convertirlos en información estratégica. Durante décadas, muchas empresas registraron ventas, facturación, cobranza y generación de caja en sus sistemas de gestión. Cuando esos datos están depurados, contextualizados y conectados, dejan de ser únicamente un registro del pasado y pasan a ofrecer una base concreta para decidir dónde crecer, dónde corregir, dónde optimizar y qué riesgos merecen atención inmediata.
IA predictiva e IA generativa cumplen papeles diferentes
En este caso, es importante no colocar todas las formas de inteligencia artificial bajo una misma definición. La IA predictiva sería la responsable de analizar los datos estructurados, reconocer patrones, estimar probabilidades de pago y anticipar posibles impactos en el flujo de caja. La IA generativa podría actuar en una capa complementaria: resumir el historial del cliente, explicar de manera comprensible los factores que influyeron en una recomendación, preparar al profesional antes de una conversación o redactar una comunicación adecuada al contexto y al tono de la relación comercial.
No se trata, por lo tanto, de elegir entre una u otra. El modelo predictivo puede calcular; la IA generativa puede ayudar a interpretar, explicar y actuar sobre el resultado. Esta distinción también protege a la empresa de una expectativa equivocada: un modelo de lenguaje, por sí solo, no debería ser responsable de prever con precisión cuándo entrará el dinero. Para eso se necesitan modelos, reglas y datos adecuados al problema. La conversación en lenguaje natural puede facilitar el acceso al análisis, pero no sustituye la disciplina matemática ni la calidad de la información que existe detrás de él.
La experiencia humana no puede quedar fuera
Existe, además, otra fuente de conocimiento que ningún ERP representa completamente: la experiencia de las personas. Un profesional que lleva años trabajando en cobranza conoce comportamientos, relaciones y señales que todavía pueden no estar estructurados en los sistemas. Puede saber que determinado atraso es excepcional, que una empresa atraviesa una situación específica o que una recomendación aparentemente correcta podría perjudicar una relación comercial importante. Ignorar ese conocimiento y presentar la IA como un oráculo que simplemente ordena qué hacer probablemente generaría resistencia y empobrecería la decisión.
Por eso, la recomendación no debería aparecer como una instrucción cerrada, por ejemplo, “llame hoy a este cliente”, sino acompañada por sus principales razones y por un nivel de confianza: el historial reciente, el comportamiento estacional, las promesas anteriores, el valor en riesgo y las variables que llevaron el modelo a priorizar esa cuenta. El profesional tendría la posibilidad de aceptar, ajustar o rechazar la recomendación y registrar el motivo. De esta forma, deja de ser un ejecutor pasivo de órdenes algorítmicas y pasa a formar parte activa del proceso de aprendizaje.
La IA no debería comenzar cobrando automáticamente. Debería comenzar ayudándonos a decidir a quién contactar, por qué, cuándo y con qué impacto esperado en la caja.
Esa retroalimentación tampoco debería ser aceptada ciegamente. La experiencia humana aporta contexto, pero también puede cargar hábitos, percepciones equivocadas y sesgos. Las divergencias entre la recomendación del modelo y la decisión del profesional deben ser registradas, analizadas y validadas. Cuando este ciclo funciona, con una recomendación explicable, una decisión humana, un resultado observado y una retroalimentación estructurada, la empresa no solamente mejora el modelo: transforma conocimiento individual en aprendizaje organizacional.
Comenzar con un piloto, no con una promesa de transformación
Un proyecto así no necesita comenzar automatizando toda la cartera. Podría iniciarse con una unidad de negocio, un país, una categoría de clientes o un segmento de facturas que posea datos suficientemente confiables. Durante el piloto, la IA no enviaría cobranzas automáticamente. Ayudaría al equipo a decidir a quién contactar, por qué, cuándo y con qué impacto esperado en la caja. Las decisiones sensibles continuarían bajo responsabilidad humana.
También sería necesario observar efectos indeseados: contactos excesivos, deterioro de la relación comercial, priorizaciones injustas o decisiones que funcionan matemáticamente, pero no respetan el contexto del cliente. Solo después de comprobar el valor, comprender los riesgos y mejorar la calidad de los datos tendría sentido ampliar la solución.
El verdadero punto de partida
La adopción de inteligencia artificial no comienza cuando una empresa contrata una plataforma. Comienza cuando consigue definir un problema relevante, reconocer la calidad real de sus datos, entender qué tipo de inteligencia necesita, involucrar a las personas que conocen el proceso y establecer una forma objetiva de medir el resultado. La tecnología puede analizar un volumen de información que sería imposible procesar manualmente, pero necesita contexto, gobierno y criterio humano para transformar ese análisis en una decisión responsable.
¿Qué datos realmente poseemos? ¿Qué conocimiento todavía vive solamente en las personas? ¿Cómo sabremos que la solución funcionó? Cuando estas respuestas están claras, la inteligencia artificial deja de ser una promesa genérica y empieza a convertirse en una capacidad real del negocio.
Fuente de los indicadores: Panorama de IA 2025, TOTVS. Artículo elaborado como proyecto personal a partir de fuentes públicas y experiencia profesional.