03. ¿Qué SÍ y qué NO puede hacer la IA en contabilidad?

Esta lección probablemente sea la más importante del curso. Si entendés bien dónde está el límite, vas a poder aplicar IA con confianza profesional. Si no, vas a cometer errores caros — algunos con consecuencias legales.

Lo que la IA SÍ puede hacer (bien)

1. Clasificación de transacciones contra plan de cuentas

Caso de uso: Tenés 5.000 transacciones bancarias del mes y debés asignarlas a tu plan de cuentas chileno/mexicano/argentino.

Por qué la IA es buena en esto:

• Reconoce patrones de comercio típicos (Falabella → retail, Esso → combustible, Mercado Libre → ventas online)
• Aprende rápidamente de pocos ejemplos (few-shot learning)
• Mantiene consistencia (clasifica igual en enero y en diciembre)
• Velocidad: 5.000 transacciones en 10-20 minutos vs días de trabajo manual

Limitaciones:

• No conoce contexto específico de tu cliente (un "PAGO X" puede ser gasto o reembolso según relación con la empresa)
• Necesita feedback humano periódico para casos atípicos
• Siempre requiere validación de muestras por un humano

2. Extracción de datos de facturas y documentos

Caso de uso: Recibís 200 facturas escaneadas (PDFs) y debés ingresar manualmente: RUT/RFC del proveedor, número de factura, fecha, monto neto, IVA, total.

Por qué la IA es buena en esto:

• Document AI (Google, AWS, Azure) extrae datos estructurados con ~98% precisión en facturas LATAM
• Combinar OCR + LLM normaliza inconsistencias (formatos de fecha, monedas, decimales)
• Procesa cientos de facturas en minutos
• Maneja facturas en español, portugués, inglés sin problema

Limitaciones:

• Documentos muy degradados (fotocopias de fotocopias) bajan precisión
• Tablas complejas o anidadas requieren validación
• Casos especiales (notas de crédito sin formato estándar) pueden confundirse

3. Resumen y análisis de documentos largos

Caso de uso: Recibís 80 páginas de un contrato de servicios profesionales y necesitás identificar: cláusulas tributarias clave, partes responsables, fechas de pago, condiciones de rescisión.

Por qué la IA es buena en esto:

• LLMs como Claude Opus 4.7 procesan 1M+ tokens (~1.500 páginas) en un solo contexto
• Pueden identificar cláusulas relevantes con precisión
• Generan resúmenes con citas al documento original
• Comparan dos versiones de un contrato y resaltan diferencias

Limitaciones:

• Para asuntos legales graves, el contador/abogado debe leer las cláusulas relevantes igual
• Puede ignorar información importante si el prompt no la pide específicamente

4. Generación de borradores (siempre revisar)

Caso de uso: Necesitás redactar respuesta a una citación del SII, una nota a los estados financieros, un memorándum técnico tributario.

Por qué la IA es buena en esto:

• Tono profesional consistente
• Estructura formal correcta
• Ahorra 60-80% del tiempo de redacción
• Excelente en español formal LATAM

Limitaciones críticas:

• NUNCA enviar sin revisión humana profesional
• Puede inventar referencias normativas (alucinaciones)
• Puede tener tono "demasiado IA" si no se ajusta

5. Detección de anomalías y patrones

Caso de uso: Auditoría de 50.000 transacciones del año fiscal. Quieres identificar transacciones inusuales que ameriten revisión.

Por qué la IA es buena en esto:

• Detecta patrones estadísticos (Ley de Benford, percentiles atípicos)
• Identifica duplicados sutiles
• Encuentra transacciones por debajo de límites de control (split payments)
• Genera reportes priorizando riesgos

Limitaciones:

• "Anomalía" ≠ "fraude". El juicio profesional sigue siendo del auditor.
• NIA 240 exige escepticismo profesional independientemente de la herramienta usada.

6. Asistencia conversacional sobre normativa

Caso de uso: Mientras trabajás en una declaración, querés consultar rápidamente "¿se puede deducir este gasto X en el régimen actual?".

Por qué la IA es buena en esto (con RAG):

• Acceso instantáneo a normativa que conocés
• Explica conceptos complejos en lenguaje accesible
• Cita la fuente cuando está bien configurada (RAG)

Limitaciones:

• SIN RAG, puede inventar artículos y números legales
• Decisiones tributarias importantes requieren verificación contra texto legal vigente
• No reemplaza consultas a especialistas tributarios o asesoría legal

---

Lo que la IA NO puede hacer (todavía o nunca)

1. Ejercer juicio profesional

Esto no es limitación técnica: es principio profesional irrenunciable. Las NIAs lo dicen explícitamente:

• NIA 240 (Fraude): "El auditor es responsable de obtener seguridad razonable de que los estados financieros, considerados en su conjunto, están libres de incorrección material, debida a fraude o error."

• NIA 315 (Riesgos): "El auditor debe identificar y valorar los riesgos de incorrección material mediante la comprensión de la entidad y su entorno..."

Ninguna IA puede "responsabilizarse" profesionalmente. Tu firma certificada en tu informe de auditoría es tu compromiso legal, no del LLM.

2. Reemplazar conocimiento específico del cliente

Un LLM no conoce:

• La historia del cliente con la administración tributaria
• Los acuerdos verbales que tu cliente tiene con proveedores
• Los riesgos específicos del sector del cliente (minería, retail, fintech)
• Decisiones estratégicas del cliente que afectan su contabilidad

Toda esta información solo la tenés vos. La IA puede ser tu asistente; vos sos quien aporta el contexto.

3. Cumplir obligaciones legales

Si tu firma comete un error en una declaración tributaria asistida por IA:

• La sanción la recibís vos (o tu firma), no el proveedor del LLM
• La responsabilidad civil es tuya
• La responsabilidad penal (en casos graves) es tuya

OpenAI, Anthropic y Google son claros en sus términos de servicio: NO se responsabilizan por uso profesional de sus modelos. Tu compromiso firmado con un cliente o la administración fiscal no se transfiere al proveedor de IA.

4. Trabajar sin auditoría / trail

Cualquier proceso contable o de auditoría asistido por IA debe mantener trazabilidad:

• Qué transacciones procesó la IA
• Qué resultados devolvió
• Qué confidence score asignó
• Quién (humano) validó la decisión final
• Cuándo se hizo cada paso

Esto es exigencia de NIA 315 y de la mayoría de regulaciones LATAM. Es también lo que te protege si hay disputa.

5. Garantizar precisión 100%

Los mejores LLMs tienen 95-98% de precisión en tareas contables bien delimitadas. Eso significa que en cada 10.000 transacciones, hay 200-500 errores.

Esos errores pueden ser:

• Clasificaciones equivocadas (gasto operativo vs gasto financiero)
• Montos mal extraídos (decimal mal interpretado)
• Datos de RUT/RFC con errores OCR
• Fechas mal parseadas (formato US vs LATAM)

Sin revisión humana, estos errores se acumulan y eventualmente generan ajustes, multas o cuestionamientos.

---

El patrón ganador: el meta-framework del curso

Si solo retenés una cosa de este curso, que sea esta:

🎯 El patrón ganador

Document AI / OCR  →  LLM (clasificación / asistencia)  →  Reglas contables  →  Revisión humana

Cada paso aporta algo único:

• OCR: extrae datos crudos de documentos
• LLM: razona, clasifica, sugiere
• Reglas: aplica políticas específicas de tu firma o cliente
• Humano: ejerce juicio profesional y firma

Este patrón se aplica a TODOS los casos contables que veremos en el curso:

Ejemplo: clasificar transacciones bancarias

1. OCR/Parser: extraer transacciones del extracto bancario
2. LLM: sugerir cuenta del plan de cuentas + confidence
3. Reglas: aplicar políticas específicas ("PAGO ADWORDS siempre a 5202 Marketing")
4. Humano: validar las del confidence bajo + auditar muestras del confidence alto

Ejemplo: procesar facturas de proveedores

1. OCR: extraer datos estructurados de la factura (Document AI)
2. LLM: normalizar formatos, completar campos faltantes, identificar cuenta contable
3. Reglas: validar que el proveedor exista en maestro, que el IVA cuadre, que no haya duplicado
4. Humano: aprobar pago, firmar conciliación

Ejemplo: detección de fraude en auditoría

1. Análisis estadístico (Ley de Benford): identificar anomalías matemáticas
2. LLM: explicar en lenguaje natural por qué cada transacción es anómala
3. Reglas: filtrar falsos positivos conocidos (operaciones tipo nómina, etc.)
4. Humano: aplicar escepticismo profesional, investigar las anomalías reales

---

La economía del patrón

Cuando aplicás este patrón bien, el equipo contable se redistribuye:

Tarea	Antes (sin IA)	Después (con IA)	Ahorro
Clasificar 5.000 transacciones	25h junior	2h junior (revisar IA)	-92%
Procesar 200 facturas	12h junior	1.5h junior (revisar OCR)	-88%
Resumir contrato 80 páginas	4h senior	1h senior (validar resumen IA)	-75%
Generar workpaper estándar	3h senior	1h senior (revisar + firmar)	-67%
Detectar anomalías en 50K trans.	15h senior	3h senior (revisar IA)	-80%

Lo crítico: el tiempo ahorrado se redistribuye a tareas de mayor valor (planificación tributaria, asesoría estratégica, atención de nuevos clientes). NO se traduce en despidos — se traduce en mayor capacidad operativa y servicios premium.

---

Cuándo NO usar IA

Para que quede absolutamente claro, NO uses IA en estos casos:

❌ Cuando el dato es altamente confidencial y no podés garantizar que no se usará para entrenar modelos (usar Enterprise tier con DPA firmado)

❌ Cuando la decisión es de alto impacto y baja recuperación (declaraciones tributarias finales sin doble revisión humana)

❌ Cuando no podés mantener trazabilidad de la decisión (audit trail)

❌ Cuando el cliente prohíbe explícitamente uso de IA (algunos sectores regulados aún tienen restricciones)

❌ Cuando estás cansado y vas a "aceptar todo lo que diga la IA" sin revisar (factor humano > factor técnico)

---

Próximos pasos

Con esto cerramos el Módulo 1. Ya tenés:

• ✅ Contexto del por qué AHORA (Lección 1)
• ✅ Entendimiento de qué son los LLMs y cuál usar para qué (Lección 2)
• ✅ Límites claros: SÍ vs NO, el patrón ganador (Lección 3)

En el Módulo 2 (lecciones 4-6) vamos a aterrizar el primer caso práctico completo: clasificar 10.000 transacciones bancarias contra plan de cuentas LATAM, con confidence scores y human-in-the-loop. Vas a ver paso a paso cómo se hace.

💡 Ejercicio recomendado antes de seguir

Tomá una de las 3 tareas repetitivas que identificaste en la Lección 1. Aplicale mentalmente el patrón:

1. ¿Qué paso es OCR / extracción de datos?
2. ¿Qué paso es LLM (razonamiento/clasificación)?
3. ¿Qué reglas específicas necesitarías validar?
4. ¿En qué punto entra la revisión humana profesional?

Si podés mapear los 4 pasos claramente, la tarea es automatizable. Si alguno falta, es señal de que el caso necesita más estructura.

Próxima lección: 04. Mapping de plan de cuentas con LLMs