Aprobación de gastos: Cómo la IA bloquea riesgos financieros

19/09/2026

"¿Puede el sistema impedir que un empleado retire el doble de su límite?"

Esa es la pregunta más común que recibo de los directores financieros (CFO) al hablar de seguridad financiera. La respuesta honesta: No, si dependen únicamente de reglas rígidas.

En la realidad, la mayoría de los casos de fraude interno no violan los límites monetarios, sino las fronteras conductuales. Retiran fondos a medianoche, en una tienda lejos de la oficina o mediante tres transacciones pequeñas consecutivas por debajo del umbral de reporte. Las reglas antiguas solo capturan lo obvio. Los astutos se colarán por cada brecha. Es precisamente cuando el Análisis de Comportamiento de Usuarios y Entidades (UEBA) se convierte en un factor crítico en la gestión de gastos corporativos.

Cuellos de botella en los procesos manuales de aprobación actuales

Para entender por qué el cambio es necesario, miren el proceso de aprobación de gastos con tarjetas internas de un conglomerado de distribución de alimentos en Hanói para el cual una vez consulté. Aunque el proceso suena simple, su operación real es altamente fragmentada.

Fase 1: Ocurrencia de la transacción. Un empleado compra materias primas al Proveedor A. El sistema bancario envía una notificación por SMS sobre el saldo y el monto. Esto es datos crudos, carentes de contexto.

Fase 2: Recopilación de documentos. El departamento de contabilidad espera la factura de IVA del proveedor. El tiempo promedio de espera es de 2 a 3 días hábiles. Durante este período, nadie verifica si la transacción es razonable, a menos que haya una queja del proveedor.

Fase 3: Conciliación y aprobación. Los contadores concilian la factura con el comprobante de pago. Si coinciden, ingresan los datos en el software ERP. Si no, hacen una llamada telefónica para confirmar. Este paso depende en gran medida de la diligencia y experiencia de los contadores individuales.

Fase 4: Reporte de fin de mes. El CFO revisa el informe consolidado. En este punto, si hay una transacción anómala de 50 millones de VND, quedará enterrada entre miles de otras transacciones. Para detectarla, deben revisar cada archivo PDF y llamar a cada proveedor nuevamente. Este proceso toma de dos semanas a un mes para aclararse.

El mayor problema radica en las Fases 2 y 3. La brecha de tiempo entre que el dinero sale y que se verifica es la puerta de entrada para el fraude. Además, los humanos no pueden recordar todo el historial de gastos de 500 empleados. El contador A puede ser bueno detectando fraudes en la sucursal del Norte, pero podría pasar por alto un patrón de fraude sofisticado en la sucursal del Sur porque nunca ha visto ese patrón antes.

¿Dónde encaja la IA? ¿Y dónde deben permanecer los humanos?

Esta es la parte más importante. Muchos ejecutivos creen que la IA reemplazará a los contadores. Un gran error. La IA no reemplaza a los humanos; la IA reemplaza el "cruce de datos estático" para que los humanos puedan enfocarse en el "juicio de contexto dinámico".

Lo que todos dicen: "La IA automatizará todo el proceso de aprobación; los humanos solo necesitan hacer clic en aprobar".

Lo que muestra la realidad: La automatización del 100% es un camino hacia los accidentes. He visto un sistema bloquear automáticamente el 30% de las transacciones válidas porque se desviaban del modelo promedio (por ejemplo, una fiesta de fin de año más grande de lo habitual). El resultado fueron empleados atrapados con fondos, retraso en el progreso de proyectos y el CFO perdiendo la confianza en el sistema.

El enfoque correcto que he implementado con socios como Masan o corporaciones multinacionales en Tailandia es estratificar el proceso:

• Capa 1: Filtrado técnico (100% IA). Verificar saldos, límites, transacciones duplicadas y errores de formato en facturas. Si hay un error, el sistema lo rechaza automáticamente y envía una notificación detallada. No se necesita intervención humana. Esto ayuda a reducir la carga de trabajo del departamento de contabilidad en aproximadamente un tercio.
• Capa 2: Alertas de comportamiento (La IA sugiere, los humanos deciden). Aquí es donde el UEBA brilla. La IA analiza el historial de gastos de cada empleado. Si un empleado que normalmente compra suministros de oficina en Hanói de repente realiza una compra de 20 millones de VND en Ciudad Ho Chi Minh un sábado, el sistema lo marca como "Alto Riesgo". No bloquea la transacción de inmediato, sino que envía la alerta al tablero del Gerente Financiero. El gerente revisa el contexto: ¿El empleado está en viaje de negocios? ¿Hay una solicitud de permiso? Si es así, aprueban. Si no, llaman para confirmar.
• Capa 3: Aprobación de excepciones (100% Humano). Las transacciones que exceden un cierto umbral (por ejemplo, más de 100 millones de VND) o involucran categorías sensibles (efectivo, regalos) siempre requieren aprobación manual de un nivel superior. La IA solo proporciona información de apoyo, no decisiones autónomas.

El punto clave es el reconocimiento conductual en lugar del análisis numérico. Una transacción de 5 millones de VND puede parecer pequeña, pero si es la 10.ª transacción del día para el mismo empleado, es una bandera roja. A los humanos les resulta difícil detectar esto a simple vista al desplazarse por 500 líneas de datos. Las máquinas son muy buenas en esto.

Límites de hardware y calidad de datos: Los enemigos silenciosos

Quiero ser directo sobre una realidad que muchos artículos de marketing suelen pasar por alto: El mejor modelo de IA es inútil si los datos de entrada son basura.

En las empresas vietnamitas, los datos de gastos a menudo son muy "sucios". Los nombres de los proveedores se escriben de manera inconsistente ("Empresa ABC" vs "CTy ABC" vs "ABC Trading"). Las facturas están borrosas, les faltan códigos de barras o están dobladas. Cuando alimentan estos datos a un modelo UEBA, el resultado es ruido. El modelo emitirá constantemente alertas falsas, lo que provoca que los usuarios ignoren el sistema (fatiga de alertas).

Una vez implementé un proyecto para una empresa de lubricantes. El primer paso no fue construir el modelo de IA, sino dedicar tres meses a limpiar los datos. Establecimos reglas para estandarizar los nombres de los proveedores, integramos OCR para leer facturas automáticamente y los contrastamos con el catálogo de productos. Solo cuando los datos estaban limpios y consistentes, el UEBA comenzó a tener sentido.

Además, las limitaciones de hardware también son un factor a considerar. Procesar millones de transacciones diarias y ejecutar modelos de detección de anomalías en tiempo real requiere una infraestructura de cómputo robusta. Si su empresa está usando servidores locales obsoletos, implementar UEBA en tiempo real enfrentará desafíos significativos de latencia. En muchos casos, aconsejamos a los clientes mover la capa de procesamiento de big data a la nube, manteniendo los datos financieros sensibles en las instalaciones. Este es un intercambio que requiere una consideración cuidadosa entre costo y rendimiento.

Otra nota sobre el contexto regional. Si su empresa tiene una cadena de suministro en Filipinas o México, los datos de gastos diferirán significativamente en términos de zonas horarias, tasas de cambio y hábitos de consumo. El modelo UEBA necesita ser entrenado por separado para cada región geográfica; no se puede usar un modelo común para todo el sistema. He visto muchos proyectos fallar porque intentaron imponer reglas del mercado de EE. UU. en el mercado del Sudeste Asiático sin ajustar los parámetros.

Conclusión práctica

Ninguna tecnología puede reemplazar el juicio humano en situaciones ambiguas. Pero ningún humano es tan bueno como una máquina para reconocer un patrón repetitivo en millones de líneas de datos. La verdadera seguridad financiera proviene de conocer claramente ese límite: dejar que la IA haga el trabajo repetitivo y que los humanos hagan el trabajo creativo y de juicio.

Esta serie proviene de proyectos que realmente se lanzaron. Más en el blog de AIVISION, detalles sobre reconocimiento facial y el resto de nuestras soluciones, o contáctenos.