Para CFOs, controllers financieros y directores de administración de pymes que mueven volúmenes significativos de cuentas a pagar y saben que entre las miles de líneas mensuales se cuelan duplicidades aproximadas, sobreprecios, importes fuera de patrón y gastos no autorizados. Un motor IA que revisa el ledger de proveedores en tiempo real y alerta antes de que el pago salga.
En cuentas a pagar de una pyme con varios cientos o miles de facturas mensuales se cuelan sistemáticamente cuatro tipos de anomalías que cuestan dinero real. Duplicidades aproximadas: la misma factura registrada dos veces con un dígito cambiado en el número o con fecha distinta, habitualmente porque el proveedor envió la misma factura por dos canales (correo + EDI + portal) y se registró en ambos. Sobreprecios respecto a contrato: el proveedor factura por encima del precio acordado, intencionada o accidentalmente, y nadie cruza la línea factura con la tabla de precios contractual.
Importes outlier: un cero de más en un campo durante la captura manual, un decimal mal colocado, un importe muy por encima de la magnitud habitual de esa categoría de gasto que pasa al pago sin filtro porque no hay regla automática que lo detecte. Y gastos no autorizados: cargos en categorías que la empresa no ha presupuestado, o que requerían aprobación previa que no se hizo, o que tienen marca de actividad fuera del perímetro corporativo.
El coste agregado es serio. Los estudios sectoriales que cruzamos con nuestra propia base de clientes BC sitúan el coste de anomalías AP no detectadas entre el 0,3% y el 1,5% del gasto anual total de cuentas a pagar de la pyme. Para una empresa con 20 millones de gasto AP, eso son entre 60.000 y 300.000 euros al año que se pagan sin que nadie haya cruzado los datos. La mayor parte no es fraude: son errores administrativos, captura sucia, falta de control de precio, duplicidades de canal. Pero la cuenta es la misma.
El problema técnico es que detectarlos a mano no escala. Un controller financiero no tiene tiempo de revisar línea a línea miles de movimientos al mes, y los controles puntuales del cierre mensual o de la auditoría anual descubren solo una fracción. Lo que sí se descubre suele ser tarde, con el proveedor ya cobrado y la conversación incómoda de recuperar el sobreingreso. Justo el tipo de problema donde la IA aplicada bien aporta valor: revisar todo, todo el rato, sin cansarse.
El caso combina cuatro detectores independientes que se ejecutan en paralelo sobre cada movimiento AP nuevo (registro de factura) y cada propuesta de pago. El primero es un detector de duplicados aproximados que va más allá del match exacto: utiliza similitud de cabecera (número, fecha, NIF), similitud de líneas (descripción, base imponible, cuantía) y similitud semántica del concepto (con embeddings de Azure OpenAI). Detecta el caso clásico de la misma factura emitida con número distinto o con fecha que difiere en un día.
El segundo detector compara el precio facturado de cada línea contra dos referencias: la tabla de precios contractual del proveedor en BC (si existe) y la distribución histórica de precios para esa referencia con ese proveedor en los últimos doce meses. Si el precio facturado se desvía más del umbral configurable (típicamente 5% al alza sin justificación), levanta alerta. La sensibilidad por familia de producto se calibra durante el piloto.
El tercero es un detector estadístico de outliers por categoría de gasto. Sobre la distribución histórica de importes para cada cuenta contable y centro de coste, calcula el rango razonable (cuartiles, desviación típica) y marca cualquier nuevo importe que caiga fuera del rango. Es especialmente útil para capturar errores tipográficos en el registro: un cero de más, un decimal movido, una unidad facturada cuando deberían ser cien.
El cuarto es un clasificador supervisado entrenado sobre el histórico de anomalías marcadas por vuestro equipo. Aprende patrones que correlacionan con problemas reales: combinaciones proveedor-categoría-aprobador, NIFs creados recientemente con cabecera similar a proveedor existente, importes justo por debajo del umbral de aprobación segregada, gastos en cuentas cerradas presupuestariamente. Cuanto más feedback recibe, más fino se vuelve.
El motor común se construye sobre Azure Machine Learning con Azure OpenAI Service para las partes que requieren comprensión semántica. Los datos no salen de vuestro tenant. La trazabilidad de cada alerta es completa: qué movimiento, qué detector saltó, con qué puntuación, qué decidió el equipo financiero (descarte por falso positivo, ajuste, devolución, investigación). Ese feedback alimenta el siguiente reentrenamiento del clasificador supervisado.
| Aspecto del control | Antes (manual) | Después (con IA) |
|---|---|---|
| Detección de duplicados | Solo se cazan los que comparten número y NIF exactos. Los duplicados aproximados pasan. | Detector similitud de cabecera, base imponible, fecha y descripción de líneas. Caza los aproximados. |
| Control de sobreprecios | Solo se revisa contra contrato si el comprador se acuerda. Habitualmente no. | Comparación automática de cada precio facturado contra histórico del proveedor y contrato vigente. |
| Gasto fuera de presupuesto | Se descubre en el cierre mensual al cuadrar contra presupuesto. Tarde para reaccionar. | Alerta en el momento del registro: este gasto excede el presupuesto del centro X en YY euros. |
| NIF nuevos sospechosos | Si el alta de proveedor es semiautomática, los NIF inventados o muy parecidos a uno existente cuelan. | Alerta de proximidad de NIF con catálogo y revisión obligatoria antes del primer pago. |
| Importes outlier | No hay control de magnitud. Un cero de más en un campo pasa al pago sin filtro. | Cada importe se compara con la distribución histórica de su categoría. Outliers se marcan. |
| Auditoría | Muestreo manual en auditoría anual. Solo se ve lo que entra en la muestra. | Traza completa de anomalías detectadas, gestionadas y descartadas, con justificación. |
| Tiempo de respuesta | Si una anomalía aparece, se descubre semanas después del registro. | Alerta en minutos desde el registro o intento de pago. Bloqueo opcional según severidad. |
Auditoría del histórico AP en BC, análisis de la matriz de aprobaciones, identificación de tipologías de anomalía más frecuentes en vuestro contexto, cálculo de línea base (coste estimado de anomalías no detectadas en últimos 12 meses) y selección de detectores prioritarios para el piloto.
Despliegue de los detectores no supervisados desde semana 1, integración con dvinvoice-hub y dvfinance, configuración de umbrales por categoría, panel de gestión de alertas, formación del equipo financiero. Entrenamiento del clasificador supervisado con el feedback de las primeras semanas.
Afinado de umbrales con datos de operación, ampliación a más sociedades del grupo, integración con conciliación bancaria avanzada, integración con el caso colindante de resumen ejecutivo del cierre, reporting trimestral al CFO con ahorro consolidado.
Hay escenarios donde el caso no compensa o no es viable. Lo decimos directamente.
La extensión Davisa para el ciclo completo de facturas recibidas en BC.
Extensión BCCapa financiera de Davisa para BC: vencimientos, pagos, conciliación, control de caja.
Caso IAExtracción, codificación y matching automático de facturas. Predecesor natural de este caso.
Caso IALas alertas del mes alimentan el resumen ejecutivo al CFO sin trabajo adicional.
HubEl catálogo completo de casos, sectores, método y discovery del AI Studio.
Los detectores no supervisados (duplicados aproximados, importes outlier por categoría, NIF nuevos) funcionan desde el primer día, sin entrenamiento. Los detectores supervisados que requieren patrón histórico (desviación de precio, gasto fuera de presupuesto, comportamiento atípico de proveedor) necesitan idealmente entre 12 y 24 meses de histórico AP en BC para consolidar línea base. Lo medimos en el discovery con vuestros datos reales antes de comprometer alcance.
Al principio bastantes, y eso es bueno. El sistema se calibra restrictivo y aprende del feedback del equipo financiero: cada vez que marcáis una alerta como falso positivo, ajusta umbrales para esa familia de proveedor o categoría de gasto. La curva típica es agresiva al inicio (mucho ruido) y se estabiliza en el tercer o cuarto mes con tasa de falsos positivos por debajo del 15%. La regla de diseño es restrictiva siempre: preferimos ruido marginal a perder una anomalía real.
Sí, y es uno de los flujos donde más valor da. El detector marca anomalías antes del registro contable (paso 1: la factura entra, IA alerta de duplicado aproximado o sobreprecio), antes de aprobar el pago (paso 2: comprobación cruzada con el ledger del proveedor) y en la conciliación bancaria (paso 3: si un movimiento bancario no encuentra match razonable). Si tenéis dvfinance activo, los tres niveles van encadenados sobre el mismo motor.
Puede detectar patrones que correlacionan con fraude interno (mismo aprobador repetidamente sobre el mismo proveedor con desviación de precio, NIFs creados con cabecera muy parecida a proveedor existente, importes justo por debajo del umbral de aprobación segregada), pero no acusa: alerta para investigación. La decisión sobre si una anomalía es error administrativo o fraude la toma siempre vuestro equipo de auditoría o compliance. La IA aporta el hilo del que tirar, no la sentencia.
El motor corre como servicio Azure ML con autoescalado por carga. Volumetría de hasta varios cientos de miles de movimientos AP al mes se gestiona sin reconfiguración. El cuello de botella suele ser humano: si el equipo financiero no puede atender el flujo de alertas, conviene aumentar el umbral en lugar de saturar al equipo. En el escalado afinamos esa balanza con vosotros, mes a mes.
Os enmarcamos el caso dentro de vuestra relación actual con BC, dvinvoice-hub y dvfinance. Vuestro asesor habitual coordina la entrada del AI Studio.
Habla con el equipo →Empezamos por el discovery de 5 días. Auditamos vuestro AP, estimamos el coste real de anomalías no detectadas y dimensionamos el piloto contra esa cifra.
Solicita Discovery IA →