La tecnología se construye sobre la AI. Las finanzas protegen el margen.

Pregúntele al CFO de una empresa tecnológica en cuánto quedará el margen del trimestre y obtendrá un número directo. Pregúntele qué lo movió y la lista comenzará: la función popular cuyo costo de cómputo aumentó más rápido que su precio, los ingresos por uso registrados en planes mixtos de suscripción y consumo, el cómputo reservado que una política de escalado automático redujo más rápido de lo previsto. Cada número de esa lista es el producto de múltiples sistemas, y cada uno de ellos está cada vez más definido por agentes. El trabajo de finanzas es ver cómo esas variables mueven la economía unitaria y dirigir la empresa de forma continua, no una vez al mes en el cierre.

A la mayoría de los equipos de finanzas se les pide que hagan eso sobre una infraestructura construida para un negocio más lento: extracciones, hojas de cálculo y métricas que se concilian mensualmente mientras el uso, los precios y el cómputo se mueven cada hora. Cada día de retraso tiene un precio. Un cambio de precios llega con una semana de retraso. Un error de medición sobrevive hasta el cierre. Se firma un compromiso de cómputo basado en la imagen de la demanda del mes pasado.

Cómo la economía unitaria de la AI se convirtió en la primera línea de las finanzas

Las empresas tecnológicas y nativas de la AI se basan en el crecimiento. El uso escala, los precios abarcan suscripción y consumo, y el cómputo se ha convertido en el mayor costo variable del negocio. Proteger la viabilidad económica de ese crecimiento siempre ha sido el trabajo de finanzas. Lo que cambió es la velocidad: ahora los agentes definen cómo se consume el cómputo, cómo se fijan los precios del uso y cómo se reconocen los ingresos, y los números del sector muestran la presión. Los márgenes brutos de las empresas nativas de la AI alcanzaron aproximadamente el 52 por ciento en 2026, frente al 41 por ciento en 2024 (ICONIQ), aún lejos del 70 al 90 por ciento que obtiene el software clásico.

Las organizaciones financieras más sólidas no se quedan de brazos cruzados esperando. El equipo de finanzas de OpenAI describe cómo pone a trabajar a los agentes de AI en flujos de trabajo de contratos, extrayendo y revisando términos que antes consumían horas de los analistas. YipitData llevó las operaciones de ingresos y las finanzas a Databricks, donde los analistas financieros escriben su propio SQL y PySpark, y una integración con NetSuite eliminó el esfuerzo manual de los informes financieros. La pregunta para el CFO de una empresa tecnológica ya no es si el departamento de finanzas operará con AI. Es qué base lo hace seguro.

Por qué una palabra como ontología ahora importa para las finanzas de las empresas tecnológicas

El departamento de finanzas siempre ha sido bueno para encontrar el número, incluso cuando está oculto en la complejidad. Pero un número puede ser perfectamente preciso y aun así no ser correcto, porque se basa en una imagen parcial o desactualizada de cómo funciona el negocio. Lo que importa es el significado que hay detrás: las definiciones, los productos y planes, los factores de uso y cómputo, y cómo cambia cada uno de ellos a medida que avanza el negocio. Para la AI, esta brecha es el problema principal: la imprecisión es el problema más citado que las empresas reportan con la AI, mencionado por aproximadamente un tercio de ellas (McKinsey, 2025). Como dice Ali Ghodsi, la mayor parte de la AI empresarial está adivinando con una falsa confianza. Ese es un problema de contexto, no de inteligencia.

Una ontología cierra la brecha. Captura lo que significan los números y mantiene ese significado actualizado a medida que cambia el negocio. Y la materia prima llega más rápido que nunca. Los datos de pago de Stripe, las transacciones, las suscripciones, los reembolsos y los pagos ahora fluyen hacia Unity Catalog a través de OpenSharing en Databricks Marketplace: en vivo, gobernados y sin necesidad de construir o mantener procesos ETL. Lakebase, la base de datos transaccional Postgres construida de forma nativa en el lakehouse, extiende el mismo principio dentro de la plataforma. Los datos operativos y el análisis comparten una misma base, por lo que la respuesta refleja el negocio tal como funciona hoy, no como estaba en la última sincronización.

Dónde entra en juego Genie One

En un negocio nativo de la AI, la comprensión generada hace unas pocas horas ya puede estar desactualizada. Por lo tanto, la propia ontología tiene que seguir moviéndose. Tiene que aprender de los sistemas en los que opera el negocio, perfeccionarse con cada pregunta y adaptarse a medida que el negocio evoluciona.

Databricks construyó Genie One para esto. Funciona como un compañero de trabajo de AI inteligente con los datos: un líder de finanzas hace una pregunta directa y obtiene una respuesta confiable y con fuentes, basada en la ontología de Genie One y gobernada en cada paso. Amagi, la plataforma de AdTech detrás de miles de canales de transmisión, ya funciona de esta manera en producción. Su equipo de finanzas obtiene facturación e informes financieros en tiempo real en Databricks, con Genie One respondiendo preguntas en lenguaje natural, y dado que finanzas, marketing y operaciones se nutren de los mismos datos gobernados, las reuniones ejecutivas ya no vuelven a discutir de quién es el número correcto.

Cada equipo de finanzas nativo de la AI trabaja en alguna versión de tres preguntas, y cada respuesta prepara la siguiente:

› ¿En cuánto quedará el margen bruto real, por producto y cliente, una vez que se incluya el cómputo de AI?

El precio que tiene un plan y el margen que conserva rara vez son el mismo número una vez que se contabilizan los costos de inferencia y servicio. El margen es hacia donde la mayoría de los equipos dirigen a Genie One primero, y es por eso que las empresas de software de diseño, marketplace e internet de consumo lo están implementando como el punto de entrada de autoservicio para sus equipos de finanzas.

› ¿Dónde están en riesgo los ingresos por consumo en los esquemas de precios mixtos de suscripción y uso?

El consumo que se puede medir correctamente son ingresos que se pueden reconocer, y el valor está en detectar una brecha a medida que se forma, no en el cierre. Una empresa de apuestas digitales ha llevado esto al extremo: reemplazó los frágiles pronósticos en hojas de cálculo con modelos gobernados de pronóstico de ingresos, agregó análisis de liquidez y le dio a su equipo de liderazgo su propio Genie One.

› ¿Dónde corre el riesgo el gasto en cómputo de superar el margen de maniobra a medida que crece el uso?

El momento de actuar sobre el gasto es antes de que se firme el próximo compromiso de cómputo. Una plataforma de activos digitales ejecuta sus flujos de efectivo financieros y análisis de blockchain en la plataforma por esta razón, y una plataforma de entrega global ejecuta el pronóstico financiero, las aplicaciones de finanzas y la automatización de flujos de trabajo de la misma manera.

Y debido a que cada cifra se remonta a su origen, cada permiso se mantiene y el costo de la propia AI sigue gobernado bajo un solo modelo, la respuesta es algo sobre lo que el departamento de finanzas puede actuar. Genie One prepara el movimiento, ya sea un cambio de precios, una corrección de medición o una reducción más lenta, y una persona en el proceso toma la decisión final.

De la primera respuesta a la plataforma de finanzas

La trayectoria en las empresas tecnológicas y nativas de la AI es constante. El departamento de finanzas comienza con respuestas de autoservicio gobernadas. Luego comienza a consolidarse. Un líder de software nativo de la AI que ejecuta análisis financieros en vivo en Databricks ahora está validando Genie One para finanzas y operaciones. Un líder de software financiero está consolidando su pila de informes financieros y creando agentes para su equipo de finanzas. Otros están retirando las herramientas específicas que el departamento de finanzas acumuló durante una década: tableros en plataformas BI heredadas, cientos de flujos de trabajo de preparación de datos de escritorio y aplicaciones financieras alojadas en un almacén de datos en la nube independiente. Cada migración aporta más significado del negocio a la ontología, y las respuestas de Genie One mejoran con ello. Las finanzas terminan ejecutándose en la misma plataforma que el producto: una sola plataforma de datos y AI que escala desde antes hasta después de la IPO sin necesidad de cambiar de plataforma.

Un compañero de trabajo de AI inteligente con los datos, diseñado para la forma en que trabaja el departamento de finanzas

Esto es lo que los departamentos de finanzas han estado pidiendo: un compañero de trabajo de AI que se mantenga actualizado, gobernado y que siga aprendiendo del negocio. También es cómo gestionamos el nuestro. Michael Schaaf, Senior Director de Finance en Databricks, mostró cómo la organización financiera de Databricks se ejecuta en Databricks en el webinar de Databricks en Databricks, y presenta la historia completa en el Data + AI Summit en la sesión Cómo Databricks utiliza Databricks para gestionar su propia organización financiera y por qué eso lo cambia todo.

Las empresas tecnológicas y nativas de IA seguirán creciendo gracias a la IA. Genie One es la forma en que el departamento de finanzas protege la economía unitaria de la que depende ese crecimiento. Descubra cómo es un colaborador de IA inteligente con los datos para un equipo de finanzas: databricks.com/product/ai-bi/genie

Preguntas frecuentes

¿Qué está cambiando para el departamento de finanzas en una empresa nativa de IA?

Cada vez más decisiones que afectan a la economía unitaria (cómputo, fijación de precios y reconocimiento de ingresos) son tomadas por agentes. La misión del departamento de finanzas de proteger el margen no ha cambiado. Lo que sí ha cambiado es la velocidad y la complejidad de lo que debe comprender y gobernar.

¿Toma Genie One decisiones sobre precios, empaquetado o cómputo?

No. Esas decisiones corresponden a los equipos de producto, ingeniería y contabilidad de ingresos. Genie One ofrece al departamento de finanzas una visión precisa y gobernada para que cualquier riesgo incipiente se detecte a tiempo y se derive al responsable que deba actuar al respecto.

¿Por qué les importan la ontología y el gobierno de datos al CFO de una empresa tecnológica?

La ontología define lo que significan los números para su negocio y lo mantiene actualizado, de modo que una respuesta sea correcta y no solo precisa. El gobierno de datos garantiza que cada cifra esté rastreada, tenga los permisos correspondientes y esté bajo control de costos. Juntos, hacen que sea seguro tomar decisiones basadas en una respuesta.

¿En qué se diferencia Genie One de un dashboard de IA o de una herramienta de BI?

Un dashboard le muestra lo que dicen los datos. Genie One le ayuda a actuar en consecuencia: fundamentado en su ontología, gobernado de extremo a extremo y con una persona que toma la decisión final.

(Esta entrada del blog ha sido traducida utilizando herramientas basadas en inteligencia artificial) Publicación original