IA en la gestión de tesorería: liquidez, divisas y pagos

Por Jane Ha · Actualizado el 11 de octubre de 2026

La IA en la gestión de tesorería es el uso de aprendizaje automático y modelos de lenguaje para pronosticar la caja y la liquidez, cuantificar la exposición cambiaria, filtrar pagos en busca de fraude y ajustar el capital de trabajo, mientras el personal de tesorería conserva la autoridad sobre el financiamiento, la cobertura y la liberación del dinero. La tesorería es un buen lugar para la IA porque los datos son numéricos y tienen marca de tiempo. También es el lugar donde una respuesta equivocada es más difícil de deshacer, porque el dinero que salió del banco ya no vuelve.

Esta guía está dirigida a tesoreros, CFOs, contralores (controller) y directores de finanzas que deciden dónde encaja la IA en la función de tesorería y qué controles deben acompañarla. Para la visión de toda la función, comience con la IA en finanzas y contabilidad y con el centro de planeación, la IA en FP&A. Para la mecánica del pronóstico, lea pronóstico de flujo de caja con IA.

Datos clave

• En la AFP Payments Fraud and Control Survey de 2026 (465 profesionales de tesorería, realizada en enero de 2026), el 76% de las organizaciones de EE. UU. sufrió fraude en pagos, intentado o consumado, en 2025, el 74% fue afectado por compromiso del correo empresarial (BEC) y los cheques fueron el método más atacado, con el 58%, seguidos por los débitos ACH (30%) y las transferencias bancarias (25%) (AFP).
• En esa misma encuesta de AFP, solo el 17% de las organizaciones usaba IA para combatir el fraude en pagos (AFP).
• El Internet Crime Report de 2025 del FBI registró 24 768 denuncias de compromiso del correo empresarial con pérdidas reportadas de $3 046 598 558, frente a $2 770 151 146 en 2024 (FBI IC3).
• En la Treasury Benchmarking Survey de 2026 de AFP (425 respuestas, realizada en mayo de 2026), el pronóstico de caja y liquidez fue a la vez la principal prioridad de tesorería (63%) y la actividad más difícil (49%) (AFP).
• En esa misma encuesta, las políticas de IA y tecnologías emergentes obtuvieron 2,9 sobre 5, la puntuación más baja de todas las áreas de política medidas, y el 38% señaló la gestión de las oportunidades y los riesgos de la IA como un desafío significativo (AFP).
• El comercio mundial de divisas alcanzó $9,6 billones por día en abril de 2025, un 28% más que en 2022, con el dólar estadounidense en uno de los lados del 89% de las operaciones (BIS).

Qué hace la IA en tesorería

La tesorería tiene cuatro tareas que la IA puede tocar: saber cuánta caja tendrá, saber qué riesgo de divisas y de tasas lleva, sacar los pagos de forma segura y no inmovilizar más capital de trabajo del necesario. La IA contribuye de tres maneras. Pronostica a partir del historial (analítica predictiva sobre datos bancarios y del libro mayor). Señala lo que parece estar mal (detección de anomalías en pagos y saldos). Y redacta o resume (un modelo de lenguaje que convierte un reporte de posición en un resumen matutino).

Lo que no debería hacer, al menos sin supervisión, es mover dinero o comprometer a la empresa con una cobertura. Las cifras de AFP muestran por qué importa el punto de partida: los equipos de tesorería califican la madurez de sus propias políticas de IA como la más débil de sus áreas de política, mientras los intentos de fraude golpean a tres de cada cuatro organizaciones. La herramienta llega más rápido que el reglamento que la rodea.

Dónde ayuda la IA, por función de tesorería

Ejemplos reales por función

Pronóstico de liquidez. Un tesorero que administra 14 cuentas bancarias en cinco países reconstruye a mano cada lunes un pronóstico de 13 semanas a partir de hojas de cálculo que envían los equipos de finanzas regionales. Un modelo de pronóstico ingiere los saldos bancarios diarios junto con las cuentas por cobrar y por pagar abiertas, produce una línea base y un rango, y muestra qué regiones fallan con más frecuencia. El tesorero dedica el lunes a los desvíos, no a juntar archivos. El pronóstico de flujo de caja con IA trata en profundidad la elección de modelos y la medición de la precisión. El pronóstico de caja es el área que los propios líderes de tesorería califican como la más difícil, así que es el primer objetivo natural.

Exposición cambiaria. Una empresa factura en euros, paga a proveedores en yenes y financia a una filial en dólares de Singapur. Los datos para calcular la exposición neta viven en tres sistemas. Una capa de IA lee las facturas y órdenes de compra abiertas, las asigna a monedas y fechas de liquidación, y actualiza a diario un reporte de exposición neta. Las decisiones de cobertura quedan en manos del tesorero y de la política de coberturas. Para dimensionarlo, importa el papel del dólar: estuvo en uno de los lados del 89% de las operaciones mundiales de divisas en abril de 2025, por lo que la exposición al dólar rara vez se puede evitar, solo gestionar.

Filtrado de fraude en pagos. El compromiso del correo empresarial funciona convenciendo a alguien de que envíe un pago a una cuenta bancaria modificada. Los datos de denuncias del FBI de 2025 cuentan 24 768 casos de este tipo y más de 3000 millones de dólares en pérdidas reportadas. Un modelo que puntúa cada pago saliente frente al historial del proveedor (número de cuenta nuevo, importe inusual, momento extraño) puede retener la pequeña proporción que merece una llamada telefónica. No detectará todo, y debe ir junto a la llamada de verificación humana a un número conocido, no reemplazarla. Solo el 17% de los encuestados de AFP usaba IA contra el fraude en pagos, así que la mayoría de las empresas todavía depende de la revisión manual.

Capital de trabajo. Un modelo de IA que lee el historial de pagos predice qué clientes pagarán tarde y qué pagos a proveedores pueden moverse unos días sin romper las condiciones. Las ganancias se ven en el capital de trabajo: menos faltantes sorpresivos y mejor aprovechamiento de los descuentos por pronto pago. Los insumos provienen de las cuentas por cobrar y de las cuentas por pagar, y por eso tesorería debería sentarse a la mesa cuando se automatizan esos procesos.

Requisitos de control: qué debe cumplirse antes de que la IA toque la caja

Los controles clásicos de tesorería existen porque una sola persona con acceso al dinero es un riesgo. La IA añade un nuevo tipo de actor que también puede equivocarse o ser manipulado. Mantenga estos controles.

Segregación de funciones. La persona o el sistema que prepara un pago no puede ser quien lo aprueba, y ninguno de los dos debería poder cambiar por sí solo los datos bancarios de un proveedor. Un agente de IA que redacta lotes de pagos es un preparador. No le dé derechos de aprobación, y no permita que una misma cuenta de servicio cree y libere.

Aprobaciones de liberación de pagos. Cada pago por encima de su umbral necesita un aprobador humano con la información para decir que no: el importe, el beneficiario, el historial de cambios de la cuenta y la puntuación de riesgo de la IA con sus motivos. Un aprobador que solo ve una marca verde aprende a hacer clic en ella. Este es un control human-in-the-loop (persona en el circuito), y solo funciona cuando la persona tiene tiempo real y autoridad real.

Cambios de datos bancarios. Trate cualquier cambio en la cuenta de un beneficiario como de alto riesgo. Exija una verificación independiente usando datos de contacto que ya tenga registrados, nunca los de la solicitud. Esta es la defensa contra el compromiso del correo empresarial, y la IA hace más convincentes los correos fraudulentos, así que el control importa más.

Supervisión de los modelos. Asigne a cada modelo un responsable, un propósito documentado, los datos que usa, los resultados de sus pruebas y un registro de cambios. Haga pruebas retrospectivas (backtest) de los pronósticos contra la caja real según un calendario y fije una tolerancia que active una revisión. Registre qué recomendó el modelo y qué hizo la persona.

Límites de acceso y de datos. Un modelo necesita acceso de lectura a saldos y transacciones. Rara vez necesita acceso de escritura a un portal bancario. Mantenga las credenciales de API para iniciar pagos fuera de cualquier herramienta que también lea correos o documentos, y mantenga los datos bancarios sensibles fuera de chatbots públicos no aprobados.

Plan de respaldo. Sepa cómo opera tesorería si la herramienta se equivoca o no está disponible: un pronóstico manual, una lista de verificación manual de filtrado, una persona designada que pueda pausar la automatización.

Cómo desplegar la IA en tesorería, paso a paso

1. Empiece con trabajo de solo lectura. El pronóstico, el reporte de exposición y los resúmenes diarios de posición no pueden mover dinero. Generan confianza y dejan al descubierto problemas de datos a bajo costo.
2. Mapee los datos. Liste los flujos bancarios, los módulos del ERP, los datos del TMS y las hojas de cálculo. Corrija primero los códigos de cuenta que no coinciden, las contrapartes duplicadas y los registros de proveedores obsoletos; la preparación de los datos financieros repasa qué verificar.
3. Establezca la línea base de la precisión actual. Registre cuánto se desvía su pronóstico actual por horizonte (próxima semana, próximo mes, próximo trimestre). Sin una línea base no puede saber si el modelo ayuda.
4. Ejecute en paralelo. Deje que el modelo pronostique junto al proceso existente durante al menos dos o tres ciclos y compare línea por línea.
5. Añada el filtrado como señalizador, no como bloqueo. Deje que el modelo de fraude genere retenciones para revisión antes de permitirle retener algo automáticamente. Haga seguimiento de los falsos positivos, porque un equipo inundado de alertas deja de leerlas.
6. Ponga por escrito las reglas de aprobación. Quién aprueba qué, en qué umbral, con qué información en pantalla. Pida a auditoría interna que las lea antes del lanzamiento.
7. Haga un piloto en una entidad o una región. Mida el error del pronóstico, las alertas generadas, el fraude confirmado detectado, las horas ahorradas y los incidentes.
8. Revise cada trimestre. Haga pruebas retrospectivas, vuelva a verificar los derechos de acceso y confirme que las personas siguen haciendo la revisión.

Errores comunes

• Tratar un pronóstico como un hecho. Un modelo da una estimación central y un rango. Planee el financiamiento según el rango.
• Datos bancarios de mala calidad. La caja mal clasificada en el libro mayor produce pronósticos que se equivocan siempre en la misma dirección.
• Entregarle las llaves al agente. Los derechos de inicio de pagos en una cuenta de servicio de IA reducen la segregación de funciones a una sola credencial.
• Fatiga de alertas. El filtrado que señala una gran proporción de pagos termina ignorado. Ajuste los umbrales junto con los revisores.
• Sin política. El benchmark de AFP halló que la política de IA es el área menos madura en tesorería. Escriba las reglas antes del piloto, no después del primer incidente.
• Omitir el monitoreo de los modelos. El comportamiento de pago de los clientes cambia tras un movimiento de tasas o un choque de mercado, y un modelo entrenado en meses tranquilos se desvía. Repita la prueba retrospectiva según un calendario.
• Narraciones alucinadas. Un modelo de lenguaje que resume la posición de caja puede afirmar con fluidez una cifra equivocada. Aliméntelo con las cifras y haga que las cite, en lugar de pedirle que las recuerde.

Qué medir

• Calidad del pronóstico: error por horizonte, sesgo (sistemáticamente alto o bajo) y proporción de semanas dentro de la tolerancia.
• Resultados de liquidez: saldos de caja ociosos, uso de líneas de crédito y costo del endeudamiento a corto plazo.
• Fraude y control: pagos retenidos, pérdidas evitadas confirmadas, tasa de falsos positivos y tiempo para resolver una retención.
• Proceso: horas dedicadas a armar la posición de caja y proporción de excepciones cerradas el mismo día.

Siguientes pasos

Si hace una sola cosa este trimestre, establezca la línea base de la precisión de su pronóstico de caja actual y ponga un modelo a su lado en modo de solo lectura. Luego lea pronóstico de flujo de caja con IA para la construcción, la IA en FP&A para conectar tesorería con la planeación y la visión general de la IA en finanzas para el panorama más amplio del gobierno. Ponga por escrito las reglas de aprobación y de cambios bancarios antes de que cualquier herramienta se acerque a una corrida de pagos.