Conectar la IA a tus números (sin filtrar nada)
Cómo hacer que la IA trabaje con tus números de verdad, eligiendo el camino correcto según el formato del dato y conectando con seguridad, sin filtrar información ni inventar valores.
Le preguntas a la IA cuál fue tu margen de contribución en el último trimestre. Ella responde con un análisis impecable, lleno de términos bonitos de finanzas. E inventado. La IA nunca abrió tu ERP ni tu cierre, así que adivina un número plausible.
Le pides a la IA que cruce el índice de rotación, que vive estructurado en el sistema de nómina, con la política de desvinculación, que es texto corrido en PDF. Ella devuelve una respuesta con jerga de gestión de personas, pero trató la política como si fuera planilla y la nómina como si necesitara búsqueda por significado. El equipo que más perdía gente se perdió en medio de la confusión, porque ninguna de las dos fuentes fue leída de la manera correcta. Y antes de conectar la base de desvinculación nominal, todavía falta la pregunta que más vale: ¿ese dato puede salir de la empresa sin anonimizar?
Le pides a la IA que diga qué feature tiene la mayor retención, cruzando el panel de analytics, que es dato estructurado, con el informe trimestral en PDF lleno de gráficos que manda el equipo de datos. Ella devuelve un número bonito, pero leyó el PDF como texto corrido y perdió la tabla, y trató el panel como si necesitara buscar por significado en vez de calcular. La feature que realmente retenía al usuario estaba en una columna del panel que ella nunca sumó bien. Formato equivocado, respuesta equivocada: dato estructurado pide razonamiento sobre schema; informe con gráficos pide lectura como imagen.
Le pides a la IA que explique dónde traba más el pipeline, cruzando el export del CRM, que es fila y columna, con el informe de win-loss en PDF que arma el equipo de ventas cada trimestre. Ella devuelve una respuesta de consultor, pero trató el CRM como texto para buscar por significado y el PDF lleno de gráficos como planilla simple, perdiendo la tabla de conversión por etapa. El cuello de botella real estaba en la calificación, escondido en una tabla que ella nunca leyó como imagen. Y antes de conectar el historial de propuestas con datos de clientes, falta preguntar: ¿esto puede salir hacia el modelo en la nube, o necesita anonimización primero?
Le pides a la IA que encuentre dónde se rompe más el SLA, cruzando el sistema de tiempos por etapa, que es dato estructurado, con el informe de calidad en PDF lleno de gráficos que el hub te manda cada semana. Ella devuelve una respuesta con jerga de eficiencia, pero trató el PDF como texto corrido, perdiendo la tabla de tiempos, y trató el sistema estructurado como si necesitara búsqueda por significado. El traspaso interno que más atrasaba estaba en una tabla que ella nunca leyó como imagen de verdad. Formato equivocado, diagnóstico equivocado: sistema estructurado pide razonamiento sobre schema, informe con gráficos pide lectura como imagen.
Le pides a la IA que liste qué controles internos están más expuestos, cruzando la matriz de riesgo, que es fila y columna, con la política de tratamiento de datos, que es texto corrido, y el informe de auditoría en PDF lleno de gráficos. Ella devuelve una lista genérica, pero mezcló las tres fuentes: trató la matriz como texto, la política como planilla, y el PDF perdió la tabla de severidad. El control realmente roto estaba en una política que ella nunca leyó por significado, y en una tabla que ella nunca leyó como imagen. Y antes de conectar cualquiera de estas fuentes con datos de clientes, falta la pregunta que lo decide todo: ¿esto puede salir de la empresa, o necesita un ambiente cerrado?
Le pides a la IA que encuentre qué servicio causa más incidentes, cruzando el log estructurado del monitoreo con el informe de postmortem en PDF lleno de gráficos de latencia. Ella devuelve un palpito con aire de quien entiende de infraestructura, pero trató el log como texto para buscar por significado y el PDF como planilla simple, perdiendo el gráfico. El microservicio que más tumbaba el sistema estaba en una tabla del informe que ella nunca leyó como imagen. Formato equivocado, causa raíz equivocada: log estructurado pide razonamiento sobre schema, informe con gráficos pide lectura como imagen.
Le pides a la IA que encuentre dónde el usuario más abandona el flujo, cruzando los datos de embudo, que son estructurados, con el informe de investigación en PDF lleno de mapa de calor. Ella devuelve un cliché de UX, pero trató el embudo como texto corrido y el PDF como planilla, perdiendo el mapa de calor que mostraba el punto real de fricción. El paso del medio del flujo, donde el usuario realmente se trababa, desapareció porque ninguna fuente fue leída de la manera correcta. Formato equivocado, hallazgo equivocado: dato de embudo pide razonamiento sobre schema, informe con gráficos pide lectura como imagen.
Le preguntas a la IA qué competidor gana participación de mercado más rápido, juntando tu informe de win-loss en PDF, lleno de gráficos, con la planilla de ventas por trimestre de una sola vez. Ella devuelve una respuesta bonita, pero mezcló las dos: trató el PDF con gráficos como texto corrido y perdió la tabla, y trató la planilla como si necesitara búsqueda por significado. El competidor pequeño y ágil que más te quitaba negocio estaba escondido en una línea de la planilla que ella nunca leyó como tabla de verdad. Formato de dato equivocado, camino equivocado: PDF con gráficos pide lectura como imagen, planilla pide razonamiento sobre schema, no al revés.
Ok, fíjate en algo: el problema casi nunca es que la IA sea mala con las cuentas. El problema es que está respondiendo de memoria, sin haber abierto nunca TUS números. Es como contratar al mejor analista financiero del mercado, sentarlo en tu oficina y nunca darle acceso a tu ERP, a tu cierre, a tu planilla de costos. Va a hablar bonito y se va a equivocar feo, porque está adivinando. Conectar la IA a tus datos es exactamente lo que la saca de lo genérico. Solo que conectar mal es peor: o filtra información que no podía salir, o inventa un número con cara de verdad.
La idea central de esta lección. La IA solo sirve de verdad cuando trabaja CON tus números, y el FORMATO del dato decide el camino. El dato estructurado (planilla, ERP, tabla) muchas veces ni pide búsqueda vectorial: la IA razona sobre el esquema, las estadísticas y una muestra. El documento de texto (política, contrato) pide RAG, búsqueda por significado. El informe con gráfico y tabla (PDF de cierre, estado financiero) rompe el RAG tradicional, y ahí entra leer la página como imagen, sin perder los números. Y en finanzas, antes que nada, viene la pregunta de seguridad: qué puede salir de la empresa y qué no.
01El formato del dato decide el camino
Lo primero que lo cambia todo es dejar de tratar "tus datos" como una sola cosa. No existe un camino único para conectar la IA a tus números. Lo que existe es el formato del dato, y el formato dicta el camino.
Piensa conmigo en tres tipos de números que viven en toda empresa. Está el dato estructurado, que vive en fila y columna: la planilla de costos, la tabla del ERP, el informe de ventas exportado. Está el documento de texto corrido: la política de crédito, el contrato del proveedor, el manual de aprobación de gastos. Y está el informe visual: el PDF del cierre mensual, el estado financiero con gráfico, la presentación de resultados con tabla a color.
Son tres naturalezas distintas, y cada una pide una herramienta distinta. Intentar meter las tres en el mismo camino es el error número uno. El estudio de @datasciencebrain apunta exactamente a esto: el formato del dato decide la arquitectura de memoria, no al revés.
02Dato estructurado: muchas veces la IA ni necesita vectorial
Aquí vive el error más común de quien acaba de aprender RAG: creer que TODO dato necesita convertirse en búsqueda vectorial. No es así. Y en finanzas esto es especialmente cierto, porque buena parte de tus números vive estructurada, en fila y columna.
Cuando el dato es una planilla de costos o una tabla del ERP, la IA no gana casi nada transformando cada celda en coordenada de significado. Lo que necesita es entender la ESTRUCTURA: cuáles son las columnas, qué significa cada una, cuál es el total de filas, la suma de cada columna, el rango de los valores. En vez de "buscar fragmentos parecidos", razona sobre el esquema, sobre las estadísticas (promedio, suma, máximo, mínimo) y sobre una muestra de algunas filas representativas.
Piensa en la diferencia práctica. Para responder "qué producto tiene el peor costo unitario", la IA no necesita una búsqueda semántica difusa. Necesita mirar la tabla, ordenar la columna de costo unitario y leer la primera fila. Eso es razonamiento sobre dato estructurado, no búsqueda vectorial. Es más barato en tokens, más exacto y no tiene el riesgo de que la búsqueda traiga la ficha equivocada.
El mensaje es directo: antes de armar un RAG completo para tus números, pregunta si el dato ya no está estructurado. Si lo está, el camino es darle a la IA el esquema, las estadísticas y una muestra, y dejar que calcule. ¿Listo?
03Documento e informe visual: dos caminos que no se mezclan
Ahora los otros dos formatos, que mucha gente trata igual y no lo son.
El documento de texto es el territorio natural del RAG, tal como viste en la lección de RAG y memoria (la 2.4). La política de crédito, el contrato del proveedor, el manual de gastos: todo eso es texto corrido, y la IA encuentra la respuesta correcta buscando por significado. Preguntas "cuál es el plazo de pago de este contrato" y la búsqueda por significado trae el fragmento correcto, aunque el contrato diga "vencimiento" en vez de "plazo de pago". Para texto, RAG resuelve.
El informe visual es donde vive la trampa. Toma el PDF de tu cierre mensual: tiene tabla, tiene gráfico de barras, tiene número alineado en columna, tiene pie de página con la nota que cambia el sentido de la línea de arriba. Si le pasas ese PDF a un RAG tradicional, extrae el texto y lo REVUELVE todo: la tabla se vuelve una sopa de números sueltos, el gráfico desaparece, la relación entre fila y columna se pierde. El RAG tradicional se rompe con el informe visual, y lo peor es que se rompe en silencio: devuelve un número que parece correcto y está mal.
La salida es leer la página como IMAGEN. Los modelos con visión (multimodales) miran el PDF como una foto de la página, ven la tabla como tabla, el gráfico como gráfico, y preservan la relación entre los números. Es la diferencia entre transcribir un estado financiero a ciegas y realmente mirarlo.
04Seguridad: en finanzas, es el punto mortal
Todo lo que vimos hasta aquí es sobre hacer que la IA acierte. Ahora el punto que, en finanzas, es lo que puede tumbarte: qué sale de la empresa.
En el instante en que conectas la IA a tus números, necesitas responder una pregunta antes que cualquier otra: ¿ese dato PUEDE salir de la empresa? Hay datos que pueden ir a un modelo en la nube sin ningún problema. Y hay datos que no pueden salir de ninguna manera: nómina nominal, datos de clientes, número que mueve el precio de tu acción, base sujeta a LGPD. Mandar eso afuera sin pensar no es optimización, es una filtración.
Existen tres capas de protección que van juntas. La primera es la anonimización: quitar lo que identifica antes de enviar, cambiar el nombre del cliente por un código, enmascarar el documento de identidad, agregar lo que se pueda agregar. La segunda es la elección de dónde correr: un dato sensible puede pedir un modelo corriendo local o en un entorno cerrado, en vez de la nube pública, y eso es una decisión de riesgo, no de pereza. La tercera es el gateway, un portón que queda entre tú y el modelo y BLOQUEA lo que no puede pasar, registrando todo lo que pasó.
Este gateway es el mismo concepto de la Pila más AI Gateway que viste en la Sala de Máquinas, y conecta directo con la lección de gobernanza de la ejecución (la 4.4). No es burocracia: es lo que separa "usé IA en mis números" de "filtré mis números a un tercero sin darme cuenta". En finanzas, esa diferencia tiene nombre de proceso, de multa y de despido.
05Juntando todo: del número genérico al número tuyo
Ahora se puede ver el cuadro completo. Conectar la IA a tus datos es lo que la saca de lo genérico, es lo que hace que deje de adivinar y empiece a responder con tu cierre delante. Pero conectar es un arma de doble filo: conectar mal o filtra información que no podía salir, o inventa un número con cara de verdad.
La secuencia mental que te protege es siempre la misma. Primero, mira el FORMATO del dato y elige el camino: estructurado se convierte en razonamiento sobre esquema, texto se convierte en RAG, informe visual se convierte en lectura como imagen. Segundo, antes de conectar cualquier cosa, pasa por la verificación de seguridad: este dato puede salir, necesita anonimizarse, corre local o en la nube, el gateway está en medio. Formato primero, seguridad siempre.
Quien entiende este orden deja de tratar la IA como una caja mágica que adivina números y pasa a tratarla como un analista al que le das acceso, con reglas, a lo que puede ver. Es la diferencia entre un análisis que confías y uno que te pone en una reunión con un número fantasma. ¿Listo?
Hazlo ahora
Toma un caso real de tus finanzas donde la IA respondió de memoria y se equivocó, o donde todavía ni has intentado usar IA: tu tarea real.
- Lista 3 fuentes de números que contendrían la respuesta correcta (ERP, planilla de costos, PDF de cierre, contrato, extracto).
- Para cada fuente, clasifica el FORMATO: estructurado (fila y columna), documento de texto, o informe visual (tabla y gráfico en una página).
- Marca el camino de cada una: estructurado lleva a razonamiento sobre esquema, texto lleva a RAG, informe visual lleva a lectura como imagen.
- Haz la verificación de seguridad de cada fuente en una línea: ¿este dato puede salir de la empresa? ¿Necesita anonimizarse? ¿Corre en la nube o pide entorno cerrado?
- Señala cuál fuente es la más sensible de las tres y escribe, en una frase, qué debería bloquear el gateway en ella.
Acabas de diseñar la conexión de tus números con la IA por el camino correcto y con el portón de seguridad en su lugar. Estás por delante de quien solo tira el PDF del cierre a un chat y reza.
Practica
1. Necesitas que la IA responda 'qué producto tiene el peor costo unitario' a partir de tu planilla de costos. ¿Cuál es el camino más indicado?
2. ¿Por qué pasarle el PDF del cierre mensual (con tablas y gráficos) a un RAG tradicional suele dar una respuesta equivocada?
3. Antes de conectar la IA a un dato financiero sensible (nómina nominal, base de clientes), ¿cuál es la postura correcta?
</content>
Para la pizarra
Sobre el diagnósticono es mala para las cuentas. Está adivinando, porque nunca abrió tus números.
Sobre el formatoel formato del dato decide el camino. Una planilla ya es estructurada y muchas veces ni pide búsqueda vectorial.
Sobre el silencio peligrosoun informe visual rompe el RAG tradicional sin avisar: devuelve un número que parece correcto.
Gracias por el feedback. Esto ayuda a afinar la próxima lección.