La tesorería agéntica ya es técnicamente posible

Durante los últimos años me ha tocado acompañar a distintas tesorerías corporativas en su evolución hacia modelos de Cash Management cada vez más integrados: de los archivos de Excel, los correos y los portales bancarios a la conectividad host-to-host, los ERP más robustos, los Treasury Management Systems y, más recientemente, las APIs.

Sin embargo, tengo la impresión de que ahora estamos entrando en una etapa diferente. Los modelos más recientes ya no se limitan a redactar un reporte o explicar una variación: pueden consultar información, utilizar herramientas, interactuar con sistemas y completar procesos que requieren varios pasos. Esto abre la puerta a una nueva arquitectura: la tesorería agéntica.

No me refiero a entregar el control financiero de una empresa a una caja negra, sino a diseñar agentes especializados que trabajen sobre información corporativa, sigan políticas previamente definidas, documenten cada acción y mantengan al tesorero dentro del proceso de decisión.

La conversación ya no debería centrarse en si la inteligencia artificial puede ayudar a una tesorería. La verdadera pregunta es otra:

¿Cómo conectamos la inteligencia artificial de forma segura con el ERP, el TMS, los bancos y las políticas financieras de la empresa para que realmente genere valor?

Del copiloto financiero al agente de tesorería

Un asistente responde preguntas: puede resumir la posición de caja, revisar un contrato bancario, explicar las causas de una desviación o preparar un reporte para el CFO. Un agente, en cambio, puede recibir un objetivo, consultar distintas fuentes de información, construir un plan y utilizar herramientas para completar una secuencia de trabajo.

Pensemos en un agente de liquidez que comienza a trabajar antes de que inicie la jornada. Podría consultar los saldos bancarios del grupo, las cuentas por cobrar y por pagar en el ERP y las proyecciones del TMS. Si detecta que una subsidiaria enfrentará un déficit en las siguientes 48 horas, podría analizar alternativas: utilizar efectivo de la estructura centralizada, realizar un fondeo intercompañía, disponer temporalmente de una línea de crédito o reprogramar una inversión de corto plazo.

Eso no significa que deba ejecutar la decisión. En una primera etapa, podría presentar una recomendación como esta:

El valor no está solamente en que el modelo redacte mejor una recomendación. Está en que pueda reunir información dispersa, aplicar criterios financieros, comparar alternativas y presentar una propuesta que facilite una mejor decisión humana.

La arquitectura importa más que el modelo

Uno de los errores más comunes al hablar de inteligencia artificial empresarial es comenzar preguntando qué modelo debe utilizarse: ¿GPT? ¿Claude? ¿Gemini? ¿Un modelo privado? Cada uno puede tener fortalezas distintas, pero el éxito dependerá mucho más de la arquitectura que lo rodea. Una buena arquitectura permite cambiar, sustituir o combinar modelos sin reconstruir toda la solución.

En términos generales, una tesorería agéntica necesitaría al menos cinco capas.

1. Fuentes de información. ERP, TMS, bancos, cobranza, pagos y bases internas. El agente solo será tan confiable como la información a la que tenga acceso: “liquidez disponible”, por ejemplo, puede excluir saldos restringidos, garantías o recursos comprometidos. Antes de hablar de agentes, es necesario hablar de calidad y gobierno de datos.
2. Integración. APIs, servicios internos, conectores y servidores MCP. Es lo que convierte al modelo en una herramienta operativa: sin ella, puede explicar qué hacer, pero no consultar saldos, pronósticos o líneas reales.
3. Modelo de IA. Interpreta la información, entiende el objetivo, construye un plan y decide qué herramienta utilizar. Su desempeño real depende del contexto, las herramientas y los límites que defina la empresa, no de una prueba conversacional.
4. Reglas y controles. Probablemente la capa más importante para una tesorería: límites transaccionales, segregación de funciones, niveles de autorización, políticas, escalamiento y registro de actividades. La inteligencia artificial no debería sustituir los controles de la empresa. Debería operar dentro de ellos.
5. Intervención humana (human in the loop). Siempre debe existir un punto en el que el tesorero pueda revisar, modificar, aprobar o rechazar una recomendación. En consultas y reportes puede supervisar e intervenir cuando haga falta (human on the loop); en pagos, inversiones o financiamiento, cada acción debería pasar por su aprobación (human in the loop).

Anthropic y OpenAI ya ofrecen piezas para construir esta arquitectura: conectores, agentes con permisos limitados y trazabilidad, y herramientas como Responses API, Agent Builder y Agents SDK. La conclusión me parece relevante: una empresa no necesita introducir sus procesos financieros en una aplicación pública de chat. Puede construir una solución propia en la que el modelo opere detrás de una interfaz corporativa y acceda únicamente a las herramientas expresamente autorizadas.

APIs y MCP: cómo llevar la IA a la información de tesorería

Una API permite que dos sistemas intercambien información bajo reglas previamente definidas. El modelo no tendría que conocer las credenciales bancarias ni conectarse libremente a toda la infraestructura de la compañía: solo podría utilizar las funciones que la organización haya decidido exponer, cada una con un propósito específico, permisos determinados y un registro de ejecución. Por ejemplo:

• consultar_saldos()
• obtener_flujo_proyectado()
• consultar_lineas_disponibles()
• preparar_fondeo()
• enviar_a_autorizacion()

MCP, o Model Context Protocol, busca estandarizar la manera en que los modelos se conectan con herramientas y fuentes de información: en lugar de una integración distinta para cada modelo, un servidor MCP expone recursos y acciones bajo un protocolo común. Para una tesorería, podría facilitar conectores controlados hacia el ERP, el TMS, SharePoint o bases de datos internas.

Sin embargo, conectar un sistema no significa autorizar todas las acciones. Los accesos deben diseñarse por niveles: un agente puede tener permiso para leer información, pero no para modificarla; otro puede preparar una operación, pero no autorizarla; y un tercero podría ejecutar determinadas acciones únicamente dentro de límites muy específicos.

No necesitamos un solo agente que haga todo

Una implementación madura probablemente no tendrá un “superagente” con acceso ilimitado a toda la tesorería, sino varios agentes especializados:

• Posición de caja: consolida saldos y explica las principales variaciones contra el día anterior.
• Pronóstico: compara el flujo real contra el esperado y actualiza escenarios de liquidez.
• Conciliación: identifica movimientos no reconocidos y propone correspondencias con facturas o pagos.
• Pagos: valida que las instrucciones cumplan las políticas y las prepara para autorización, sin facultad para liberarlas.
• Capital de trabajo y financiamiento: analiza cobranza, pagos, factoraje, vencimientos y disponibilidad de líneas.

Esta especialización permite aplicar un principio fundamental de seguridad: el mínimo privilegio. Cada agente debería acceder únicamente a la información y a las funciones necesarias para cumplir su tarea.

Para documentar cómo trabaja cada agente sirven las skills: definen qué fuentes consultar, qué pasos seguir, qué validaciones realizar y en qué momento se requiere una revisión humana. Una skill de posición diaria de caja, por ejemplo, consultaría los saldos bancarios, los compararía con el cierre anterior, buscaría en el ERP la explicación de las variaciones relevantes y escalaría cualquier excepción al tesorero. Así, el conocimiento operativo se convierte en un flujo documentado, repetible y auditable.

Elegir el modelo según el trabajo, no según la moda

No creo que exista un modelo universalmente superior para todas las funciones de tesorería. La decisión debería considerar residencia de los datos, seguridad, latencia, costo, capacidad de razonamiento, tamaño de contexto, trazabilidad, controles empresariales y facilidad de integración. También la capacidad de cambiar de proveedor: lo que hoy es la mejor opción puede no serlo en dos años. Incluso podría convenir utilizar más de uno.

El objetivo no es elegir un ganador entre plataformas. Es construir una arquitectura suficientemente flexible para utilizar el modelo más conveniente en cada proceso.

¿Cómo comenzaría una implementación real?

Yo no comenzaría permitiendo que un agente ejecute pagos. Empezaría con un proceso frecuente, bien documentado, medible y sujeto a revisión humana: la posición diaria de caja, la investigación de partidas no conciliadas o la actualización del pronóstico.

1. Línea base: cuánto tiempo consume hoy el proceso, cuántas personas participan, cuántas intervenciones manuales requiere y qué errores se presentan.
2. Piloto de solo lectura: una o dos fuentes conectadas y una recomendación revisable, sin ninguna acción irreversible.
3. Medición: precisión de la información, calidad de las recomendaciones, tiempo ahorrado, excepciones, correcciones humanas y trazabilidad.
4. Ampliación gradual: solo con evidencia de calidad y control, pasar a elaborar una propuesta de fondeo, después prepararla dentro del TMS y, finalmente, enviarla al circuito formal de autorización.

La hoja de ruta propuesta por Anthropic para servicios financieros sigue una lógica semejante: empezar con procesos conocidos y estandarizados, medir resultados y escalar únicamente los flujos que hayan demostrado valor.

El primer indicador de éxito no debería ser cuántas decisiones toma el agente, sino cuántas decisiones humanas mejora sin debilitar el control.

La trazabilidad será irrenunciable

En una tesorería no basta con obtener una respuesta correcta: también necesitamos entender cómo se llegó a ella. Un agente debería dejar registro de la información que consultó, las herramientas que utilizó, las reglas que aplicó, las excepciones que detectó y las recomendaciones que generó, junto con cualquier modificación humana y la autorización final.

Ese registro sirve a auditoría interna y cumplimiento, y también para mejorar el propio sistema: cada corrección del tesorero indica una regla que ajustar o una situación que el agente todavía no entiende. La implementación no termina al llegar a producción; es un proceso continuo de supervisión, ajuste y aprendizaje.

El futuro del tesorero será diseñar sistemas de decisión

La inteligencia artificial no elimina la necesidad de experiencia en tesorería. La hace todavía más importante. Un modelo puede comparar alternativas, pero alguien debe definir qué significa liquidez disponible, cuál es el costo financiero relevante y qué nivel de exposición es aceptable.

La ventaja estará en los profesionales capaces de comprender al mismo tiempo la arquitectura financiera y la arquitectura tecnológica.

Personas capaces de traducir políticas financieras en reglas digitales, conectar información corporativa con modelos de inteligencia artificial y diseñar controles que permitan a los agentes operar dentro de límites claros.

La tesorería agéntica no consiste en permitir que una inteligencia artificial administre libremente el dinero de una empresa. Consiste en que la IA ayude a preparar mejores decisiones, ejecute tareas controladas y permita que el equipo humano dedique más tiempo al riesgo, la estrategia y el negocio.

Para seguir leyendo: La liquidez no se administra cuenta por cuenta · ISO 20022: Swift amplía el plazo, pero el reto sigue estando en los datos.

Fuentes y lecturas recomendadas

• Anthropic. Claude for Financial Services.
• Anthropic. Claude para servicios financieros.
• Anthropic. Agent Skills.
• Anthropic. Remote MCP servers.
• OpenAI. A Practical Guide to Building Agents.
• OpenAI. Responses API.
• OpenAI. Agents (Agents SDK).
• OpenAI. Agent Builder.
• Model Context Protocol. Especificación oficial.

Nota del autor

Este artículo combina documentación técnica publicada por Anthropic, OpenAI y Model Context Protocol con reflexiones desde mi experiencia en Cash Management y banca transaccional. Los agentes descritos son propuestas conceptuales: no representan necesariamente productos o implementaciones disponibles de las compañías mencionadas, y el objetivo no es promover una plataforma en particular. Las herramientas mencionadas corresponden a la documentación disponible al 1 de agosto de 2026.