El FP&A tradicional tiene tres cuellos de botella que ningún Excel resuelve:
1. La recolección de datos consume el 60% del tiempo
Antes de analizar, toca recopilar.
ERP, CRM, HRIS, Sheets del equipo comercial, hojas de coste que alguien actualiza a mano.
En empresas medianas, esto puede llevar 2-3 días de trabajo puro.
2. Los escenarios son caros
Cada variación de supuestos requiere horas de trabajo.
¿Qué pasa si crecemos un 15% más? ¿Y si contratamos 10 personas antes de Q3?
El modelo no se actualiza solo. Alguien tiene que actualizarlo.
3. El narrativo del board pack se escribe al final, con el tiempo que sobra
Que normalmente es poco.
El resultado: diapositivas con números correctos y narrativo mediocre.
El board pregunta cosas que el modelo no contempló.
El CFO moderno no puede dedicar el 80% de su tiempo a construir el modelo.
Necesita tiempo para interpretarlo.
Qué cambia con los agentes de IA
Un agente de IA para FP&A no es un chatbot que responde preguntas sobre tu P&L.
Es un sistema autónomo que:
Se conecta a tus fuentes de datos
Ejecuta la lógica de tu modelo
Genera escenarios bajo demanda
Escribe el narrativo
Detecta anomalías antes de que las veas tú
La diferencia es de fondo, no de forma.
Pasar de construir a supervisar. De ejecutar a diseñar. De rellenar celdas a definir supuestos.
Eso es lo que hace un agente bien implementado.
El flujo: de datos crudos a board pack en menos de una hora
Aquí está la arquitectura completa de un agente de FP&A que puedes montar con herramientas existentes:
📅 Trigger mensual (día 1 del mes, 7:00 AM)
│
▼
┌──────────────────────────────────────────────────────────┐
│ FP&A FORECASTING AGENT │
├──────────────────────────────────────────────────────────┤
│ │
│ 📊 Fuentes de datos │
│ ├── ERP (SAP / NetSuite / Holded) ──► P&L real │
│ ├── CRM (Salesforce / HubSpot) ──► Pipeline de ventas│
│ ├── HRIS (Personio / BambooHR) ──► Headcount + coste │
│ └── Google Sheets / Notion ──► Supuestos manuales│
│ │
│ │ │
│ ▼ │
│ 🔄 Agente de datos │
│ ├── Normaliza formatos │
│ ├── Detecta anomalías (variaciones >15% vs mes anterior)│
│ └── Construye dataset limpio │
│ │
│ │ │
│ ▼ │
│ 🤖 Claude — Motor de análisis │
│ ├── Genera P&L proyectado (3 escenarios: base/bull/bear)│
│ ├── Calcula desviaciones vs budget │
│ ├── Identifica drivers principales de variación │
│ └── Genera narrativo ejecutivo para cada sección │
│ │
│ │ │
│ ▼ │
│ 📄 Output automático │
│ ├── Modelo financiero actualizado en Sheets │
│ ├── Board pack en Google Slides / PowerPoint │
│ ├── Resumen ejecutivo (1 página) │
│ └── Alertas a CFO si hay métricas fuera de rango
Tiempo total: 45-60 minutos desde trigger hasta board pack listo
Tiempo humano requerido: 30-45 minutos de revisión y ajuste
Implementación paso a paso
No hace falta un equipo de ingeniería. Esto lo puedes montar con n8n o Lindy.
Paso 1: Conecta tus fuentes de datos
En n8n, crea los nodos de conexión a cada fuente. La mayoría tienen integraciones nativas.
Si usas NetSuite o SAP, necesitarás un webhook o export programado a Google Sheets como capa intermedia.
Tiempo estimado: 2-3 horas (una sola vez)
Paso 2: Define tus supuestos en un Notion/Sheets de control
Este es el único documento que tocas manualmente.
Columnas básicas:
Driver de crecimiento de ingresos (%, por segmento)
Ratio de contratación prevista
Inversiones planificadas por categoría
Supuestos de precio por producto/servicio
El agente lee este documento. Tú cambias un número ahí y el modelo se regenera.
Paso 3: El prompt maestro para Claude
Este es el núcleo del sistema. Guárdalo, mejóralo con el tiempo:
Actúas como un analista de FP&A senior.
CONTEXTO DE LA EMPRESA:
- Empresa: [nombre]
- Sector: [sector]
- Fase: [early-stage / growth / mature]
- Moneda base: EUR
- Cierre fiscal: Diciembre
DATOS DE ENTRADA (recibirás tres bloques):
1. P&L real del mes anterior (formato: partida, real, budget, variación)
2. Pipeline de ventas CRM (probabilidad, importe, fecha estimada de cierre)
3. Supuestos aprobados por el CFO (en documento de control)
TU TAREA:
1. ANÁLISIS DE DESVIACIONES (mes cerrado)
- Identifica las 3 mayores desviaciones positivas y negativas vs budget
- Explica la causa probable de cada una (máximo 2 frases por ítem)
- Distingue entre desvíos estructurales y puntuales
2. FORECAST TRIMESTRAL (tres escenarios)
Escenario BASE: sigue los supuestos del documento de control
Escenario BULL: supone +15% en ingresos, costes variables suben proporcionalmente
Escenario BEAR: supone -20% en ingresos, estructura de costes fija no ajusta
Para cada escenario, calcula:
- Ingresos totales
- EBITDA y margen EBITDA
- Cash burn mensual (si negativo) o generación de caja
- Runway (si aplica)
3. NARRATIVO EJECUTIVO (para board pack)
- Párrafo de apertura: estado actual del negocio (3-4 frases)
- Sección de highlights: 3 puntos positivos y 3 riesgos
- Recomendaciones: 2-3 acciones concretas para el CFO
FORMATO DE RESPUESTA:
Devuelve el análisis en Markdown estructurado.
Usa tablas para los tres escenarios.
El narrativo debe ser ejecutivo, directo, sin jerga innecesaria.
Máximo 800 palabras en total.
Paso 4: Genera el board pack automáticamente
Claude produce el narrativo. El agente (n8n) lo inserta en una plantilla de Google Slides o PowerPoint vía API.
Para Google Slides:
# n8n — Nodo de código Python
# Inserta el narrativo de Claude en la plantilla del board pack
from googleapiclient.discovery import build
def update_slide(slide_id, text_content, credentials):
service = build('slides', 'v1', credentials=credentials)
requests = [
{
'replaceAllText': {
'containsText': {
'text': '{{NARRATIVO_EJECUTIVO}}',
'matchCase': True
},
'replaceText': text_content
}
},
{
'replaceAllText': {
'containsText': {
'text': '{{FECHA_REPORTE}}',
'matchCase': True
},
'replaceText': datetime.now().strftime('%B %Y')
}
}
]
service.presentations().batchUpdate(
presentationId=slide_id,
body={'requests': requests}
).execute()
En menos de 5 minutos tienes el deck actualizado con los datos del mes.
Casos reales: lo que ya está pasando
No es ciencia ficción. Empresas que lo están implementando ahora mismo:
Brex (fintech, 1.500 empleados)
Automatizaron su ciclo de cierre mensual con agentes de IA.
Resultado: de 8 días a 2 días de cierre. Su equipo de FP&A pasó de recopilar datos a analizarlos.
Pigment (software FP&A, 300 empleados)
Su propio producto es un agente de FP&A. Su equipo interno lo usa para generar escenarios en tiempo real durante las reuniones de board. El CEO pide un supuesto nuevo en sala, el modelo lo calcula mientras habla.
Una empresa de logística en España (75 empleados)
CFO con quien hablé en enero: implementó n8n + Claude para su forecast de tesorería.
Antes dedicaba dos tardes a la semana a actualizar el modelo de cash flow.
Ahora lo revisa los lunes en 20 minutos.
Por dónde empezar (si partes de cero)
No intentes automatizar todo a la vez.
Semana 1-2: El forecast de tesorería
Es el más repetitivo y el que más valor inmediato aporta.
Conecta tu banco (vía Belvo, Salt Edge o exportación manual) + tus facturas pendientes + tu previsión de pagos.
Dale el contexto a Claude, pídele el cash flow proyectado a 13 semanas.
Mes 2: El análisis de desviaciones
Automatiza la comparación real vs budget.
No el modelo entero. Solo el análisis. Claude identifica las variaciones, tú decides qué hacer.
Mes 3: El forecast completo
Con los dos pasos anteriores funcionando, el salto al forecast completo es mucho más manejable.
La clave: empieza por un proceso, hazlo funcionar bien, luego expande.
La pregunta que debes hacerte
¿Cuántas horas dedicó tu equipo el mes pasado a construir modelos financieros?
¿Cuántas de esas horas aportaron criterio real?
¿Cuántas fueron mecánicas?
Esa diferencia es el espacio donde entra la IA.
No para sustituir el juicio del CFO. Para liberarlo.
El CFO moderno no compite con más horas.
Compite con mejores sistemas.
Y la pregunta ya no es si los agentes de IA llegarán a tu función financiera.
La pregunta es cuándo vas a dejar de construir el modelo y empezar a diseñarlo.