Cómo medir la IA en finanzas: tiempo de cierre, costo por factura y precisión del pronóstico

Por Jane Ha · Actualizado el 11 de octubre de 2026

Medir la IA en finanzas significa elegir un pequeño conjunto de métricas operativas en las que finanzas ya confía (días para el cierre, costo por factura, error de pronóstico), registrar cada una antes de que la herramienta entre en operación y comparar después con la misma definición. La herramienta en sí rara vez es lo difícil. Lo difícil es demostrar, ante un CFO o un auditor, que la cifra se movió por la IA y no por un trimestre tranquilo, una nueva contratación o un cambio de definición.

Esta guía está dirigida a contralores (controller), directores de finanzas y responsables de FP&A que tienen uno o más pilotos de IA en marcha, o a punto de empezar, y necesitan reportar resultados. Se apoya en las guías de proceso sobre el cierre de mes, las cuentas por pagar y FP&A. Si está en una etapa más temprana del camino, la pregunta más amplia de por qué es difícil demostrar el ROI de la IA es una buena compañera.

Datos clave

• La encuesta de benchmarking de Contabilidad General de APQC, reportada por CFO.com en 2018, ubicó al 25% superior de las organizaciones en 4,8 días calendario o menos para el cierre, a la mediana en 6,4 días y al 25% inferior en 10 días o más, entre 2300 encuestados (CFO.com).
• En esa medición, el tiempo de ciclo va desde la ejecución de la balanza de comprobación hasta la finalización de los estados financieros consolidados, y cuenta tanto el trabajo activo como el tiempo de espera (CFO.com).
• El informe State of ePayables 2025 de Ardent Partners, basado en 204 líderes de AP y finanzas, ubicó a los mejores equipos de AP en $2,65 por factura frente a un promedio de $12,42 (Ardent Partners).
• La guía de los manuales de pronósticos define el MAPE como la media de los errores porcentuales absolutos, y advierte que las medidas porcentuales son infinitas o indefinidas cuando un valor real es cero e inestables cuando está cerca de cero (Hyndman y Athanasopoulos).
• El mismo texto indica que lo ideal es que un conjunto de prueba sea al menos tan grande como el horizonte de pronóstico más largo que necesite, y describe la evaluación de origen móvil, donde cada pronóstico usa solo datos anteriores (Hyndman y Athanasopoulos).

Por qué los equipos de finanzas necesitan un plan de medición antes del piloto

La mayoría de los pilotos de IA en finanzas se juzgan por intuición. El auxiliar de AP dice que es más rápido, el contralor dice que el cierre «se sintió más fluido», y seis meses después nadie puede decir cuánto. Eso es un problema por dos razones.

Primero, el presupuesto. Una herramienta que no puede mostrar un resultado se recorta en el siguiente ciclo de planeación, aunque estuviera ayudando. Segundo, los controles. Si un paso de IA toca la información financiera, necesitará evidencia de que opera dentro de una tolerancia, algo que la guía de controles internos enumera como resultados de backtest y de precisión. La medición cumple una doble función.

La buena noticia es que finanzas ya tiene métricas bien entendidas. No necesita un nuevo tablero de IA. Necesita el tablero de siempre con líneas base limpias.

Las tres métricas ancla

Tiempo de cierre

El tiempo de cierre es el número de días calendario entre la ejecución de la balanza de comprobación y la finalización de los estados financieros consolidados. Esa es la definición detrás de la medición de APQC citada arriba, e incluye el tiempo de espera, no solo el trabajo directo.

La dispersión de los puntos de referencia es un contexto útil. Una mediana de 6,4 días, con el cuartil superior en 4,8 o menos y el cuartil inferior en 10 o más, significa que la distancia entre un buen cierre y uno lento es de varios días. Pero es un informe de 2018 sobre una pregunta de una encuesta, así que úselo para ubicarse de manera aproximada, no para fijar una meta. Su propia tendencia importa más que la mediana de cualquier otro.

Lo que la IA debería mover: las horas de conciliación y cotejo, el número de asientos manuales, el tiempo dedicado a perseguir cuadros de respaldo y los ajustes posteriores al cierre. Lo que no debería mover por sí sola: los pasos de aprobación formal, que siguen haciendo las personas.

Costo por factura

El costo por factura es el costo totalmente cargado de operar el proceso de AP en un periodo dividido entre el número de facturas procesadas en ese periodo. «Totalmente cargado» es donde los equipos discrepan. Algunos cuentan solo los salarios del personal de AP, otros agregan software, comisiones bancarias, gastos generales y el tiempo de los aprobadores de otros departamentos.

Las cifras de Ardent dan una idea de la dispersión: $2,65 para los mejores equipos frente a un promedio de $12,42. No las copie en su caso de negocio. La muestra, la mezcla de facturas y la definición de costo del informe no coincidirán con las suyas. Si un proveedor cita un punto de referencia, pregunte qué hay dentro de la cifra. Los componentes del costo los define usted, y la única regla es usar los mismos antes y después.

Lo que la IA debería mover: el tiempo de intervención por factura, la proporción de facturas que requieren codificación manual, el tiempo de manejo de excepciones y los pagos duplicados detectados. El volumen también importa. Si el número de facturas se duplica tras una adquisición, el costo total puede subir mientras el costo por factura baja, lo cual está bien, pero dígalo en el reporte.

Precisión del pronóstico

La precisión del pronóstico es qué tan cerca estuvo el pronóstico de lo que sucedió, medida sobre datos que el modelo no había visto. Las medidas de los manuales son el error absoluto medio (MAE), la raíz del error cuadrático medio (RMSE) y el error porcentual absoluto medio (MAPE). El MAPE es popular en finanzas porque es un porcentaje, pero se rompe cerca de cero, por lo que se adapta mejor a los ingresos que al flujo de caja neto. Para una línea que cruza el cero, use el MAE o una medida escalada. La guía de pronóstico de flujo de caja trata esa elección con más detalle.

Dos hábitos hacen honestas las métricas de pronóstico. Evalúe sobre periodos reservados, nunca sobre el historial con el que se ajustó el modelo, porque la precisión ajustada siempre se ve mejor que la precisión real. Y compare contra una línea base ingenua, como «el próximo mes es igual al mismo mes del año pasado». Si un modelo de IA no puede superar eso con sus datos, no se ha ganado su lugar. La guía de FP&A explica por qué los métodos más simples a menudo se mantienen a la par.

Lo que la IA debería mover: el error por línea y por horizonte, el sesgo (si usted pronostica de forma consistente por encima o por debajo) y los días que van del cierre del periodo a un paquete de pronóstico terminado.

La tabla de medición

Úsela como esqueleto de un tablero de una página. Agregue filas para sus propios procesos.

Cómo fijar una línea base, paso a paso

1. Elija un proceso y dos o tres métricas. Resista el impulso de medirlo todo. Tiempo de cierre y número de asientos manuales para el cierre, costo por factura y tasa de procesamiento sin intervención para AP, error y sesgo para una línea de pronóstico.

   

2. Escriba la definición. ¿Dónde empieza y dónde termina el reloj? ¿Qué costos entran? ¿Qué facturas se excluyen? Un párrafo ahora evita una discusión después.

3. Reúna el historial. Use al menos seis periodos cuando pueda, para que un mes atípico no defina la línea base. Anote cualquier cosa inusual: una adquisición, una migración de sistemas, un mes cargado de festivos.

4. Regístrela antes de que alguien cambie el proceso. Los pilotos suelen empezar con entusiasmo y sin una fotografía inicial. La guía de preparación de datos es el lugar para comprobar que los datos de origen de cada métrica estén lo bastante limpios para confiar en ellos.

5. Agregue una comparación ingenua. Para los pronósticos, evalúe el pronóstico «igual que el año pasado» o «último valor» en los mismos periodos. Para el cierre, la comparación es simplemente la tendencia del año pasado.

6. Ejecute en paralelo cuando pueda. Durante unos ciclos, deje que el proceso anterior y el asistido por IA corran lado a lado. Compare línea por línea. Esto es también lo que querrán ver sus auditores.

7. Reserve la prueba. Para los pronósticos, mantenga periodos recientes sin que el modelo los vea, al menos tan largos como su horizonte más largo, y use la evaluación de origen móvil para que cada pronóstico solo vea datos anteriores.

8. Reporte en un calendario fijo. Mismas métricas, mismas definiciones, en cada ciclo. Ponga la línea base junto a la cifra actual cada vez.

Ejemplos por función

Controller, cierre de mes. Imagine una empresa mediana cuyo controller registra los días calendario y los asientos manuales de los últimos ocho cierres, y anota el rango. Después de agregar conciliación automática en las cuentas bancarias e intercompañía, el controller da seguimiento a las mismas dos cifras más los ajustes posteriores al cierre. La meta es que los días bajen, los asientos manuales bajen y los ajustes se mantengan estables. Que los ajustes se mantengan estables es lo que hace creíble un cierre más rápido.

Gerente de AP. Un equipo cuenta su volumen mensual de facturas y escribe cada costo que incluye: salarios de AP, software, cargos bancarios y una parte del tiempo de compras. Tras implantar la captura de documentos, reporta el costo por factura, la tasa de procesamiento sin intervención y la tasa de corrección de los revisores. La tasa de corrección es la alerta temprana. Si la tasa de procesamiento sin intervención sube mientras las correcciones suben con ella, la herramienta está empujando errores aguas abajo.

Responsable de FP&A. El equipo evalúa su pronóstico actual de ingresos, un pronóstico estacional ingenuo y un modelo de aprendizaje automático con los últimos 12 meses de datos reservados. Supongamos que el modelo supera la línea base ingenua en algunas líneas de producto y pierde en otras. El equipo lo implanta donde gana y mantiene el método actual en el resto. Un resultado mixto reportado con honestidad vale más que un «la IA mejoró la precisión» generalizado.

Errores comunes

• Sin línea base. El fallo más común. Sin una cifra de antes, cada resultado es una anécdota.

  

• Cambiar la definición a mitad del proyecto. Si el «cierre» empieza en un paso distinto después de la puesta en marcha, parte de los días ahorrados es un truco contable.

• Medir la velocidad sin la calidad. Un cierre más rápido con más ajustes posteriores, o facturas más rápidas con más pagos duplicados, no es una mejora. Combine siempre una métrica de velocidad con una de calidad. La guía de controles de precisión cubre el lado de la calidad.

• Evaluar un pronóstico con los datos de entrenamiento. La precisión ajustada sobrestima la precisión real.

• Usar el MAPE donde los valores reales llegan a cero. El flujo de caja neto y las líneas de costo pequeñas producen porcentajes engañosos. Elija una medida que los maneje.

• Tomar prestado un punto de referencia sin su definición. El «costo promedio por factura» de un proveedor puede contar costos distintos de los suyos. Compare lo comparable o no compare.

• Atribuirle todo a la IA. La estacionalidad, los cambios de volumen, el personal nuevo y la depuración de procesos mueven estas cifras. Cuando sea posible, mantenga un grupo de control, como una entidad o línea de producto sin la herramienta.

• Promediar la historia. Reporte por línea, entidad o tipo de factura. Un buen promedio puede ocultar un segmento en el que la herramienta funciona mal.

• Ignorar el lado del costo. El software, la implantación, el tiempo de revisión y el retrabajo pertenecen al ROI.

Qué hacer este trimestre

Elija un proceso. Escriba la definición de dos métricas en lenguaje sencillo, reúna seis periodos de historial y evalúe una comparación ingenua. Es una semana de trabajo, y convierte el próximo piloto de una historia en un resultado. Luego acuerde, antes del lanzamiento, qué resultado cuenta como éxito y qué le haría detenerse.