Coreografía: encontrar la anomalía antes de que estalle
La IA revisa un volumen de asientos que tu ojo nunca revisaría y enciende las alertas de lo que sale de la curva. Tú sigues siendo quien investiga, separa el error de la excepción legítima y decide la acción.
Miércoles por la mañana, cierre de gastos del mes. En medio de once mil asientos, uno de ellos es un reembolso de viaje de cuatro mil doscientos reales, registrado en un centro de costos donde no hay nadie viajando. Puede ser fraude. Puede ser un asiento cargado a la cuenta equivocada con prisa. Puede ser una excepción perfectamente legítima que simplemente no recuerdas. El punto incómodo es: nunca ibas a encontrar esa línea a simple vista, porque nadie lee once mil líneas. La pregunta de esta lección es: ¿quién revisa ese volumen por ti, y quién decide qué hacer con lo que aparezca?
Ciclo de evaluación de desempeño cerrado, ochocientas notas para revisar. La IA escanea todo el lote y enciende dos puntos fuera de la curva: un gerente le dio la nota máxima a todo su equipo, otro le dio la peor nota del ciclo a alguien que siempre entregó bien. Puede ser favoritismo, puede ser un gerente que no sabe calibrar, puede ser una caída de desempeño real que no seguiste de cerca. Nunca ibas a encontrar esos dos casos leyendo ochocientas evaluaciones línea por línea; la IA solo te dio la lista corta para investigar. Antes de marcar a cualquiera de los dos como problema en el Gupy o en el sistema de RRHH, verificas el contexto, porque tratar la alerta como veredicto es la forma más rápida de castigar a un gerente que no hizo nada malo.
Fin de trimestre, hora de revisar las métricas del producto en el dashboard. En medio de cientos de eventos y embudos, la IA enciende una feature cuya activación se desplomó a la mitad en una semana, sin ningún cambio anunciado. Puede ser un bug que nadie reportó, puede ser estacionalidad, puede ser un experimento de otro equipo tocando el flujo sin avisar. Nunca ibas a encontrar esa caída rastreando todos los embudos a mano; la IA solo te entregó dónde cavar, no el motivo. Antes de escalar esto como incidente en el PRD del trimestre, verificas la cohorte de cerca, porque una caída real se convierte en prioridad y una caída de medición equivocada se convierte solo en ruido.
Viernes, revisión del pipeline antes del forecast, seiscientas oportunidades en el CRM. La IA enciende una de doscientos mil reales marcada como "cierre probable", pero sin ninguna interacción registrada hace cuarenta días. Puede ser un trato muerto que el vendedor no quiere admitir, puede ser una negociación avanzando por fuera del CRM, puede ser una cuenta grande que va a cerrar y solo está mal actualizada. Nunca ibas a encontrar esa línea revisando seiscientas oportunidades una por una; la IA solo te dio la lista corta de dónde mirar. Antes de sacar ese valor del forecast que va al director comercial, llamas al vendedor y confirmas, porque cortar un trato real del número por culpa de un CRM desactualizado sale caro.
Comienzo de semana, lectura del panel de SLA, miles de pedidos procesados. La IA enciende un lote entero de una transportadora que salió con un plazo de entrega tres veces mayor que el promedio de la ruta. Puede ser un cuello de botella nuevo en el centro de distribución, puede ser un error de registro en el sistema, puede ser una excepción legítima, una región en obra que siempre se atrasa en ese periodo. Nunca ibas a encontrar ese lote leyendo miles de pedidos línea por línea; la IA solo encendió dónde investigar. Antes de reclamarle a la transportadora o cambiar el proceso en el Zendesk, verificas el motivo real, porque actuar sobre una excepción legítima como si fuera una falla rompe una relación que funcionaba.
Auditoría interna del trimestre, revisión de accesos y tratamientos de datos bajo la LGPD. La IA enciende un registro de log de un colaborador exportando una base con datos personales un domingo de madrugada. Puede ser una filtración, puede ser una rutina técnica programada que nadie documentó, puede ser un acceso legítimo dentro de un proyecto que desconoces. Nunca ibas a encontrar ese registro leyendo miles de logs línea por línea; la IA solo te entregó al sospechoso. Antes de llevar esto al comité de riesgo como incidente, investigas con el equipo técnico, porque abrir un caso de filtración sobre una rutina programada normal cuesta una credibilidad que compliance no recupera fácil.
Lunes por la mañana, revisión de los deploys del fin de semana, cientos de commits y métricas de producción. La IA enciende un servicio que pasó a consumir el triple de memoria después de un deploy del viernes por la noche. Puede ser una fuga de memoria que va a tumbar todo, puede ser un pico de tráfico estacional sin relación con el código, puede ser un cambio esperado que el equipo no comunicó. Nunca ibas a encontrar ese servicio leyendo todos los paneles de todos los servicios cada mañana; la IA solo señaló dónde mirar primero. Antes de abrir un incidente o hacer rollback, verificas el log de cerca, porque revertir un deploy correcto por culpa de un pico estacional cuesta una noche de trabajo por nada.
Ronda de análisis del recorrido después de un lanzamiento, miles de sesiones grabadas. La IA enciende una pantalla de registro con una tasa de abandono muy por encima de todas las demás del flujo en el Figma. Puede ser un campo confuso que traba al usuario, puede ser un bug de validación que solo aparece en ciertos dispositivos, puede ser un comportamiento esperado, gente que solo estaba echando un vistazo sin intención de seguir. Nunca ibas a encontrar esa pantalla viendo miles de sesiones una por una; la IA solo te dio dónde investigar. Antes de rediseñar el campo o abrir un ticket para el equipo técnico, revisas algunas sesiones de cerca, porque tocar un campo que no es el problema real solo posterga la corrección de lo que realmente traba al usuario.
Revisión trimestral del panel competitivo, con doscientas menciones de mercado monitoreadas esta semana. En medio de ellas, la IA enciende a un competidor pequeño lanzando un producto casi idéntico al que vas a anunciarle al directorio el viernes. Puede ser una filtración real de tu estrategia, puede ser coincidencia de posicionamiento, puede ser un movimiento independiente que solo se parece de lejos. Nunca ibas a encontrar esa mención leyendo doscientas actualizaciones a mano; lo que hizo la IA fue encender al sospechoso, no concluir nada. Antes de llevar esto al directorio como señal de filtración, investigas la fuente, y solo después de confirmar se convierte en alerta real, no en un falso positivo que iba a generar pánico interno porque sí.
Déjame contarte de un trabajo que siempre fue medio imposible en la controladuría. Eres responsable de garantizar que los números cierren y que nada raro pase desapercibido. Solo que lo "nada raro" vive dentro de miles de líneas que nadie tiene tiempo de leer. Entonces, en la práctica, muestreas: miras lo que es grande, lo que llama la atención, lo que alguien reclamó. El resto pasa a oscuras. Piensa conmigo: ¿y si se pudiera revisar todo el resto, y aun así solo tuvieras que mirar la lista corta de lo que parece torcido? Es exactamente esa la coreografía de esta lección.
La idea central de esta lección. La IA no es un auditor que concluye en tu lugar. Es un detector de metales: pasa por encima de un terreno gigante que nunca cubrirías a mano, y pita donde hay algo enterrado. El pitido no es el tesoro ni la basura, es solo la señal de "cava aquí". Quién cava, quién decide si es error, fraude o excepción legítima, y quién toma la acción, sigue siendo tuyo. La IA te da alcance; el criterio sigue siendo tuyo.
01Lo que la IA hace bien: revisar lo que el ojo no revisa
Vamos a llamar las cosas por su nombre. El cuello de botella de la controladuría nunca fue inteligencia, fue volumen. Tú sabes exactamente qué es un asiento sospechoso, pero no tienes cómo pasar el ojo por todas las líneas, todos los meses, en todas las cuentas. Entonces queda el muestreo, y el muestreo deja huecos.
La IA invierte eso. No se cansa, no se salta líneas, no dice "esto parece estar bien". Tú la apuntas a toda la base y le pides que encienda lo que está fuera de patrón:
- Gastos fuera de la curva. Un valor muy por encima del promedio de esa categoría, de ese proveedor, de ese mes.
- Asientos extraños. Centro de costos que no cuadra, cuenta que no suele recibir ese tipo de gasto, fecha rara (un asiento en feriado, en fin de semana, en el último minuto del cierre).
- Duplicidad. La misma factura, el mismo valor, el mismo proveedor apareciendo dos veces con un día de diferencia.
- Ruptura de patrón. El proveedor que siempre cobra un valor redondo y ese mes vino fraccionado, el gasto recurrente que desapareció, el que apareció de la nada.
La ganancia real aquí es de alcance. Pasas de "miré los diez más grandes" a "pasé por todos, y tengo una lista de cuarenta para investigar". ¿Listo?
Cómo funciona el barrido, en la práctica:
02Lo que sigue siendo tuyo: investigar, separar y decidir
Aquí está la parte que la IA no hace, y que es justamente el corazón de la controladuría. La IA encendió cuarenta sospechosos. ¿Y ahora? Ahora empieza tu trabajo, y es todo de criterio.
- Investigar al sospechoso. La IA señaló, no explicó. Ese reembolso en el centro de costos equivocado: ¿fue un prorrateo mal registrado, fue alguien aprovechándose, fue un acuerdo que olvidaste? Eso es sacar el documento, preguntarle a la persona, revisar el historial. La IA no hace eso por ti.
- Separar error de excepción legítima. Este es el punto fino. No todo lo que está fuera de patrón está mal. El bono de fin de año siempre rompe la curva, y está correcto. El proveedor nuevo siempre parece raro, y es solo nuevo. Distinguir "está torcido" de "está bien y solo es inusual" es lectura de contexto, y el contexto es tuyo.
- Decidir la acción. ¿Encontraste un error? Revierte, corrige, escala, conversa. La IA no le reclama a nadie, no bloquea un pago, no toma una decisión que tiene consecuencias. Quien firma la acción, y responde por ella, es una persona. Siempre.
Fíjate en el diseño: la IA estrecha tu campo de búsqueda, no reemplaza tu ojo entrenado. Transforma "revisar todo" en "mirar lo que importa". El trabajo de pensar sigue siendo enteramente tuyo, solo que aplicado en el lugar correcto.
03El costo a nombrar: el falso positivo
Ahora la parte que no puedo dejar que olvides, porque es donde esta coreografía sale mal si se hace mal. La IA enciende sospechosos, y no todo sospechoso es culpable. Esto tiene nombre: falso positivo. La IA señala algo como anomalía y, cuando investigas, no era nada.
Y aquí vive un riesgo humano, no técnico. Si tratas la lista de la IA como veredicto, vas a reclamarle a la persona equivocada, vas a revertir un asiento correcto, vas a crear fricción interna por culpa de un pitido que era solo el detector reaccionando a una moneda vieja en el bolsillo de alguien. El costo del falso positivo no es de la máquina, es tuyo, en forma de tiempo perdido y credibilidad gastada acusando al inocente.
Por eso la regla de esta coreografía, que dialoga con la regla de oro de la ruta: el humano filtra antes de cualquier acción. La IA enciende, tú investigas, y solo después de confirmar es que se convierte en reclamo, reversión o escalamiento. Ningún pitido se convierte en acusación sin que tú caves primero.
04La coreografía, paso a paso
Junta todo y se convierte en un sistema simple, que corres cada cierre de mes. Cuatro pasos, roles bien separados.
- La IA revisa. Le entregas la base de asientos del periodo y le pides que encienda lo que está fuera de patrón, por categoría de anomalía: valor fuera de la curva, centro de costos incoherente, duplicidad, fecha atípica. Salida: la lista corta de sospechosos, con el motivo de cada uno.
- Tú investigas. Tomas la lista y cavas cada línea: documento, contexto, historial. Aquí ya no estás revisando once mil, estás mirando cuarenta con atención de verdad.
- Tú clasificas. Cada sospechoso se convierte en una de tres cosas: error (necesita corrección), excepción legítima (está bien, solo es inusual) o fraude/riesgo (necesita escalar). Los falsos positivos mueren aquí.
- Tú decides y actúas. Solo lo que quedó confirmado se convierte en acción: reversión, corrección, proceso, conversación. Y cierras el ciclo registrando lo que era recurrente, para ajustar el barrido del mes siguiente.
Fíjate que la IA aparece en un solo paso, al comienzo. No está en el lugar del controlador, está en la entrada, ampliando su alcance. Es el detector de metales antes de la excavación, no el juez después de ella. ¿Vamos?
05Dónde encaja esto en el resto del curso
Esta coreografía no vive sola. Es un sensor dentro de un sistema mayor, y vale la pena conectar dos puntos.
Allá en la lección 6.1, viste CI/CD corrido por agentes: procesos que tienen una etapa de chequeo automático antes de que algo pase adelante. El barrido de anomalías es exactamente eso aplicado a las finanzas. En vez de revisar código antes del deploy, revisas asientos antes de que el cierre se convierta en verdad. Misma lógica: una capa de verificación automática al frente, decisión humana atrás.
Y en el mapa "La Ingeniería del Harness", la pieza de sensores y observabilidad es la idea de instrumentar tu sistema para que te avise cuando algo sale de lo esperado. Aquí, la IA revisando asientos es tu sensor de controladuría: observa el volumen y dispara la alerta. No cambias el control por la IA, instrumentas el control para que vea más lejos. ¿Listo?
Hazlo ahora
Toma una base de asientos que ya tengas a la mano, tu tarea real o los gastos del último cierre. No tiene que ser todo, toma un periodo.
Pídele a la IA que haga un primer barrido, siendo específico en qué es "fuera de patrón":
- Lista los asientos cuyo valor está muy por encima del promedio de la propia categoría.
- Señala posibles duplicidades (mismo valor, proveedor y fecha cercana).
- Marca asientos en centros de costos o cuentas inusuales para ese tipo de gasto.
- Para cada sospechoso, di en una línea el motivo de la alerta.
Ahora haz tu parte, que es la que importa: toma los cinco primeros sospechosos y clasifica cada uno en error, excepción legítima o falso positivo. Cuenta cuántos eran falso positivo. Ese número es tu calibración: te muestra cuánto enciende la IA de más, y por qué el filtro humano no es opcional.
Practica
1. En la coreografía de controladuría con IA, ¿cuál es el rol correcto de la IA?
2. La IA encendió un asiento como anomalía, pero al investigar descubres que era un bono de fin de año, perfectamente legítimo. ¿Qué es esto?
3. ¿Por qué el barrido de anomalías con IA se parece al CI/CD corrido por agentes de la lección 6.1?
Para la pizarra
Sobre el alcanceel muestreo deja al resto pasar a oscuras. La fuerza de la IA es barrer todas las líneas, no leer mejor que tú.
Sobre el falso positivono todo sospechoso es culpable. Es el costo previsible del barrido, y el filtro humano existe para que no se vuelva un reclamo injusto.
Sobre el paraleloes el mismo diseño del CI: verificación automática en la entrada, criterio humano en la salida. Solo que en asientos, no en código.
Gracias por el feedback. Esto ayuda a afinar la próxima lección.