Tesorería 2026
Flujo de efectivo
en tiempos
de la IA.
Por qué la tesorería que sabe preguntarle al modelo correcto está redefiniendo lo que significa proyectar liquidez.
¿Qué tan lejos
estaría su tesorería
si el modelo
ya estuviera
corriendo solo?
La IA no reemplaza al tesorero.
Pero el tesorero
que la usa
desplaza al que no.
No es un sustituto del juicio financiero. La IA sin contexto produce respuestas verosímiles, no correctas.
Es un amplificador del analista que ya entiende el negocio. Convierte su criterio en escala.
Datos limpios, supervisión humana y un nuevo perfil de tesorero — más pregunta, menos plantilla.
Cinco bloques.
Una conversación.
tradicional
a inteligente
de uso
concretos
y ecosistema
la IA
(y por qué
importa)
perfil del
tesorero · cierre
De previsión
tradicional
a inteligente.
Por qué el rolling forecast con ML ya no es una conversación de innovación, sino el nuevo estándar operativo.
La hoja de cálculo no se rompe.
Se queda quieta.
| Dimensión | Forecast tradicional · Excel | Forecast inteligente · ML |
|---|---|---|
| Frecuencia de actualización | Mensual o quincenal · manual | Diaria, automatizada |
| Variables consideradas | 5–15, plantilla fija | 100+, incl. macro y comportamiento |
| Aprendizaje | Ninguno — el modelo es el analista | Continuo — re-entrenamiento sobre desviaciones |
| Trazabilidad de supuestos | Frágil, en celdas y comentarios | Versionada, auditable |
| Tiempo a primer forecast | 3–5 días · equipo | Minutos · una vez calibrado |
| Riesgo principal | Error de fórmula no detectado | Sobreajuste y sesgo de datos |
No es un modelo.
Es un portafolio.
Capturan estacionalidad, tendencia y ciclos. Buenos para ingreso recurrente y consumo histórico.
Predicen un valor o probabilidad a partir de features de cliente, factura, producto.
Cuantifican el efecto de variables externas: tipo de cambio, tasas, inflación, eventos macro.
El presupuesto anual ya no es la unidad útil.
Trece semanas, refrescadas cada semana.
no anual.
La mayoría está en el primer escalón.
El valor está en el tercero.
De predicción a acción. Predecir mora sin desencadenar una acción comercial es un reporte más caro.
¿En cuántos de sus reportes el dashboard ya recomienda qué hacer y con cuánta confianza?
El forecast deja de ser un entregable mensual y se vuelve un flujo continuo.
Casos de uso
concretos.
Cinco problemas reales del día a día. Qué hace la IA, qué métrica se mueve, qué evidencia hay.
Cinco casos. Una anatomía común.
y mora
working capital
anomalías
inteligente
bancaria
Predicción de cobros y mora.
El analista revisa todas las facturas vencidas a mano. La gestión llega tarde porque no hay priorización: clientes que iban a pagar y clientes que nunca van a pagar reciben el mismo trato.
Modelo supervisado que para cada factura abierta predice probabilidad de cobro a 30, 60 y 90 días, usando historia del cliente, tamaño de factura, sector y comportamiento reciente.
Distribuidora de consumo masivo, MX. Carteras > 8 mil clientes activos. Implementación de scoring de mora redujo cartera vencida +90 días en 22% en 7 meses.
Empezar con un piloto en una sola unidad de negocio. La calidad del histórico de pagos es lo que define el techo del modelo, no la herramienta.
Optimización de pagos y capital de trabajo.
Pagar tarde captura caja pero quema relación con el proveedor. Pagar temprano captura descuento pero presiona liquidez. La decisión hoy se toma por instinto.
Optimizador que decide, por cada factura por pagar, la fecha óptima de pago dado: descuento por pronto pago, costo de capital, riesgo del proveedor, restricciones de liquidez.
Manufacturera global con > 30 mil proveedores ha reportado capturas de descuento dinámico en el rango de centenas de millones de USD anuales mediante optimización de pagos.
Requiere conexión bidireccional con AP del ERP. La IA propone, el humano aprueba lotes — no transacciones individuales.
Detección de fraude y anomalías.
Las reglas estáticas (lista negra, montos, países) detectan lo conocido. El fraude moderno no se repite: cambia patrón cada vez. Los falsos positivos saturan al equipo y los reales pasan.
Modelo de detección de anomalías que aprende la huella normal de cada proveedor y usuario. Flagea solo lo que se desvía estadísticamente, con explicación del por qué.
Pagos a proveedores nuevos, cambios de cuenta destino, transacciones fuera de horario, secuencias inusuales de transferencias intercompañía.
Gestión inteligente de liquidez.
Empresas con +20 cuentas bancarias en +5 países viven con cash idle en una entidad mientras otra se financia a corto plazo. La concentración manual no escala.
Forecast intradía + agente que ejecuta pooling, sweeping y swaps automáticos dentro de límites preaprobados. El humano define política y aprueba excepciones.
Conectividad bancaria real (host-to-host o APIs estándar). Sin saldos en tiempo real, no hay liquidez inteligente — solo un dashboard más.
Definir límites por entidad, divisa y contraparte. La IA opera dentro de un sandbox — fuera, escala al tesorero humano.
Conciliación bancaria automatizada.
Conciliar miles de líneas con descripciones inconsistentes consume días. Las reglas no cubren proveedores nuevos, formatos no estándar, ni transferencias agrupadas.
Modelos de matching que combinan reglas duras + similitud semántica de descripción + monto + fecha. Las excepciones se enrutan al humano con sugerencia y confianza.
El menos glamoroso, el de mayor ROI inmediato. Casi siempre el primer caso de uso que paga la inversión completa del proyecto de IA.
Excepciones en cola priorizada. El analista trabaja sobre las que mayor impacto tienen, no sobre las que el sistema le presenta primero.
Cómo se ve esto cuando ya está en producción.
Un grupo industrial multinacional con presencia en más de 40 países ha integrado un motor de optimización sobre su TMS para decidir el momento óptimo de pago a proveedores.
Empresa tecnológica de gran escala ha publicado el uso de modelos de ML para forecasting de flujo de efectivo, reduciendo significativamente la varianza vs. métodos tradicionales.
Distribuidora con cartera de +8 mil clientes implementó modelo de scoring de mora. La gestión pasa de "todas las facturas vencidas" a las 200 con mayor probabilidad de pago si se interviene.
Manufacturera mediana con 14 cuentas bancarias en 3 países. Conciliación pasó de 3 días-persona a 4 horas, con auditoría completa de excepciones.
Cinco casos. Una sola anatomía:
datos limpios + modelo ajustado al dominio + humano sobre las excepciones.
La métrica concreta: DSO, DPO, cash idle, horas-persona.
La receta: dato → modelo → revisión humana → acción.
Casi siempre la calidad del dato fuente, no el modelo.
Herramientas
y ecosistema.
Cuatro capas. Tres plataformas. Un criterio: la disciplina con que se usa importa más que la marca.
Cuatro capas. La mayoría compra la cuarta sin tener resuelta la primera.
Tres perfiles dominantes en el mercado.
| Dimensión | Plataforma TMS empresarial | Plataforma AR / cobros con IA | Plataforma de cash & data |
|---|---|---|---|
| Foco | Tesorería completa · multidivisa · pagos | Cuentas por cobrar · cobranza inteligente | Visibilidad de caja en tiempo real |
| Empresa típica | Corporativo · > 1B USD | Mid & large · cartera amplia | Mid · alta dispersión bancaria |
| Implementación | 9–18 meses | 3–9 meses | 4–12 semanas |
| Modelo IA propio | Embebido en módulos | Núcleo del producto | Cada vez más integrado |
| Costo orden de mag. | $$$$ | $$$ | $$ |
| Riesgo principal | Sobreingeniería · roadmap rígido | Calidad de dato cliente como techo | Cobertura limitada a visibilidad |
La regla simple — y por qué casi siempre se ignora.
ingresos
Comprar más plataforma de la que el equipo puede operar.
USD
Querer construir lo que se debería comprar.
Cinco preguntas. Si no hay respuesta, no es decisión.
Si la respuesta es "ninguno", se está pagando software, no inteligencia.
Trazabilidad de inputs, versiones, decisiones. CNBV pregunta tarde o temprano.
Bancos LATAM, formatos SPEI, CFDI. Lo que funciona en Frankfurt no funciona aquí.
Si los datos quedan presos, no es proveedor — es matrimonio sin divorcio.
Sin un dueño interno con tiempo, la mejor plataforma se queda en demo.
Cómo piensa
la IA.
Si entienden esto, los próximos diez años son fáciles. Si no, van a estar a merced del proveedor.
La IA no entiende
finanzas.
Predice texto.
Todo lo que sigue — alucinaciones, sesgos, prompts, gobernanza — se entiende mejor desde aquí.
Tokenización · una frase que parece simple no lo es.
La IA no ve frases. Las descompone en tokens — fragmentos que pueden ser palabras, sílabas o caracteres — y a cada uno le asigna un identificador numérico.
Aquí nace todo — incluyendo las alucinaciones.
Para cada posición, el modelo asigna una probabilidad a cada token posible y elige uno. No "sabe" la respuesta — escoge la siguiente palabra estadísticamente más plausible.
"$25M" no es una predicción financiera. Es la continuación más probable del texto.
Si el modelo nunca vio datos reales de su empresa, está completando con base en el patrón de otras empresas parecidas. Por eso el contexto importa más que el modelo.
Tres pilares. Si falta uno, el output es ficción coherente.
Histórico limpio, completo, etiquetado. Sin esto, todo lo demás es decorado.
La instrucción es producto. Pregunta vaga, respuesta vaga — siempre.
El modelo no sabe nada de su empresa. Hay que dárselo: políticas, datos, restricciones.
La diferencia no es el modelo. Es la pregunta.
"Un forecast típico considera ingresos, egresos y saldo inicial. Para una empresa promedio, los ingresos suelen crecer 5–10% trimestral... [respuesta genérica, sin números reales, sin riesgo financiero ni anclaje al negocio]"
CSV con cifras concretas + lista de 4 supuestos explícitos + 2 preguntas al usuario sobre estacionalidad y un cliente atípico. Resultado auditable.
Cuando el modelo no sabe, no se calla.
El modelo está entrenado para producir la siguiente palabra más probable. "No sé" casi nunca es la palabra más probable.
- × Cifras inventadas con dos decimales y signo de pesos
- × Citas a normas (NIIF, NIF) que no existen o no aplican
- × Funciones financieras mal aplicadas con confianza absoluta
- × Tasas, plazos y condiciones de crédito atribuidos a un banco real
-
01Pedir fuente verificable en cada cifra. Sin fuente, no entra al reporte.
-
02Inyectar contexto mediante retrieval sobre fuentes propias — no confiar en el conocimiento del modelo.
-
03Cruzar contra el sistema fuente (ERP, banco) antes de cualquier acción.
-
04Permitir y celebrar el "no tengo dato suficiente" en la salida.
IA sin tesorero supervisando = lazo abierto. Funciona hasta que no.
Sin retroalimentación.
El error se descubre cuando ya pegó en el banco.
El modelo aprende. El tesorero gana criterio. El sistema mejora.
Cinco riesgos que casi nunca aparecen en el demo.
El modelo aprende lo que hay. Si el histórico discrimina, el modelo discrimina más.
Output asertivo aunque la confianza interna sea baja. Pidan probabilidades.
Inyección de prompts, exfiltración por modelo, datos a APIs públicas sin gobernanza.
Si la empresa no opera sin el proveedor, ya no es proveedor — es socio crítico.
CNBV, SAT, SHCP. La IA en finanzas ya es zona auditada. Documenten desde día uno.
Garbage in.
Garbage out.
El modelo no arregla el dato. Lo confirma con más confianza.
Si tres analistas concilian distinto, ningún modelo va a concordar mejor.
~70% del esfuerzo de IA en finanzas es ingeniería de datos. Quien dice otra cosa, no implementó nada.
La gobernanza no es freno a la IA.
Es la condición para usarla.
La pregunta deja de ser "¿podemos automatizar esto con IA?" y pasa a ser "¿cómo demostramos a auditoría que la decisión es defendible?".
El nuevo
perfil del
tesorero.
Menos hojas. Más decisiones. Y una nueva conversación con tecnología.
De operador de hoja a curador de modelos.
operador
Excel, fax, llamadas al banco, conciliación manual. Velocidad humana, precisión humana.
integrador
ERP, banca electrónica, primer TMS. El trabajo se mueve a integrar sistemas.
analítico
BI, dashboards, primeros modelos predictivos. La pregunta es "¿qué va a pasar?".
curador de IA
Define el problema, audita el modelo, decide qué automatiza. La pregunta es "¿qué hacemos con esto?".
Lo financiero ya no basta. Tampoco lo técnico.
-
01Pensamiento de datosSaber cuándo un dato es confiable y cuándo no. SQL básico, no para programar — para preguntar.
-
02Criterio sobre modelosEntender qué modelo aplica a qué problema. No matemáticas — sí lógica de uso y límites.
-
03Diseño de prompt y contextoSaber instruir un sistema. Es la nueva versión de "saber escribir un memo".
No "implementen IA". Resuelvan un problema con IA.
Comprar plataforma sin caso de uso definido
Pilotar 1 caso de uso medible en 90 días.
Pasar todo a un solo proveedor
Mantener portabilidad de datos y opcionalidad de modelo.
Delegar la decisión a TI
Tesorería dueña del problema; TI dueña de la plomería.
Definir KPIs financieros antes que tecnológicos
"Reducir DSO 4 días en 6 meses" — no "implementar ML".
Cinco pasos accionables. En este orden.
Mapear fuentes, calidad, frecuencia. Identificar deudas técnicas críticas.
Elegir 1 caso con KPI medible. Forecast 13 semanas o conciliación es el punto óptimo.
Política de uso, trazabilidad, comité de revisión. Antes de escalar, no después.
No cursos genéricos — entrenamiento sobre casos reales del piloto.
Replicar a un segundo caso. Matar lo que no movió KPI. Sin sentimentalismos.
Tres frases para repetir en su próxima junta.
La IA no entiende finanzas. Predice texto.
Por eso el dato y el contexto pesan más que el modelo.
Pidan probabilidades, no respuestas.
Una distribución se audita. Una respuesta sólo se cree.
El tesorero que cierra el lazo gana.
No el que más automatiza — el que mejor supervisa.
La pregunta no es
si la IA
va a transformar
la tesorería.
Es qué tan rápido ustedes deciden estar adelante o atrás de esa transformación.
Q&A
¿Cuál es su caso de uso menos obvio que querrían explorar?
¿Qué necesitarían para que valga la pena no hacer nada?
¿Qué riesgo no estoy diciendo lo suficientemente fuerte?
Cuatro lecturas. Cero humo.
El mejor recurso público para entender tokenización y predicción del siguiente token sin matemáticas.
Encuestas globales que muestran adopción real, no marketing de proveedor.
Marco gratuito y aplicable a tesorería. Lo que CNBV terminará pidiendo.
Antídoto necesario contra el ciclo de hype. Búsquedas en arXiv son gratis.
Gracias.
Ing. Roberto Tello Suárez
Ingeniero · Finanzas & IA aplicada
rtello@globalset.mx
Escanea para escribirme
/in/roberto-tello-suárez
Escanea para conectar