Historia de la inteligencia artificial: de 1950 a hoy

La historia de la inteligencia artificial es una aventura de décadas impulsada por el sueño de crear máquinas capaces de pensar. Esa aventura tiene hoy un significado especial para los equipos financieros: los sistemas que leen recibos, clasifican gastos y detectan transacciones sospechosas no surgieron de la noche a la mañana. Para valorar correctamente la inteligencia artificial que hoy transforma la gestión de gastos, es necesario saber de dónde viene esta tecnología y hacia dónde va. En este artículo repasaremos primero, en una breve cronología, los hitos de la inteligencia artificial y, a continuación, analizaremos cómo esta tecnología llegó a los procesos financieros, en particular a la gestión de gastos.

¿Cómo surgió la idea de la inteligencia artificial?

La pregunta de si las máquinas pueden pensar se remonta a la época en que los ordenadores ocupaban una habitación entera. En 1950, el matemático británico Alan Turing formuló su ya clásica pregunta: «¿Pueden pensar las máquinas?» Esta pregunta sentó las bases de lo que hoy conocemos como el test de Turing: si una máquina podía conversar con la naturalidad suficiente para convencer a un evaluador humano, podía considerarse que «pensaba».

El nacimiento oficial del campo llegó con la Conferencia de Dartmouth de 1956. John McCarthy, Marvin Minsky y otros pioneros de la época debatieron allí la idea de que las máquinas podían aprender y resolver problemas; el término «inteligencia artificial» se utilizó por primera vez en esa conferencia.

Primeras esperanzas e inviernos de la IA

En las dos décadas posteriores a Dartmouth, los primeros programas que demostraban teoremas matemáticos y podían conversar con patrones sencillos generaron un gran entusiasmo. Algunos investigadores predecían que las máquinas con pensamiento de nivel humano estaban muy cerca. La realidad quedó por debajo de las expectativas.

El campo atravesó dos grandes periodos de estancamiento conocidos como «inviernos de la IA». En el primero (1974–1980), la limitada capacidad de cálculo y la escasez de datos demostraron que las promesas no podían cumplirse; se recortaron los fondos. En los años ochenta, los sistemas expertos basados en reglas se hicieron populares en el mundo empresarial: estas estructuras, que codificaban el conocimiento experto en forma de «si se da esta condición, haz esto», funcionaban en ámbitos concretos, pero eran difíciles de mantener, poco flexibles y costosas. Cuando sus límites quedaron claros, llegó el segundo invierno (1987–1993).

La lección de aquella época sigue vigente hoy: las reglas escritas a mano no pueden seguir el ritmo de la complejidad del mundo real. La misma lección, como veremos, se repetiría punto por punto en la evolución del software financiero.

Del aprendizaje automático al aprendizaje profundo

Desde finales de los años noventa se produjo un cambio de paradigma silencioso: con el aprendizaje automático, los sistemas empezaron a aprender por sí mismos a partir de los datos en lugar de recibir reglas ya elaboradas por humanos. El aumento de la capacidad de cálculo, la abundancia de datos que trajo internet y los avances en las redes neuronales artificiales hicieron posible esta transformación. En 1997, la victoria de Deep Blue sobre el campeón mundial de ajedrez Garry Kasparov se convirtió en el símbolo de que las máquinas podían superar al ser humano en ámbitos concretos.

La década de 2010 fue la era del aprendizaje profundo. Las redes neuronales artificiales multicapa, entrenadas con grandes conjuntos de datos, revolucionaron el reconocimiento de imágenes y el procesamiento del lenguaje natural: en 2012, los modelos de aprendizaje profundo dejaron atrás a sus competidores en las competiciones de reconocimiento de imágenes; en 2016, AlphaGo venció al campeón mundial de go; y la arquitectura de transformadores publicada en 2017 sentó las bases de los grandes modelos de lenguaje actuales. En la década de 2020, la inteligencia artificial generativa —modelos que redactan textos, generan imágenes y resumen documentos— entró en el flujo de trabajo diario de millones de personas.

La llegada de la inteligencia artificial a las finanzas y la gestión de gastos

Cada etapa de la historia de la inteligencia artificial tuvo su reflejo en el software financiero. Esta evolución puede leerse en tres fases.

Primera fase: controles basados en reglas

La primera generación de software financiero funcionaba con reglas escritas a mano, igual que los sistemas expertos de los años ochenta: «Si un gasto de comida supera tal importe, que pase a aprobación», «las facturas de tal categoría se contabilizan en tal cuenta». Estas reglas eran útiles pero frágiles. Cuando cambiaba la política, había que actualizar las reglas una a una; cada excepción que no encajaba en una regla se revisaba manualmente. La introducción de recibos, la selección de categorías y la conciliación quedaban por completo en manos de las personas: un esquema lento y propenso a errores. Analizamos en detalle lo que esta carga manual cuesta a las empresas en el artículo sobre el coste oculto en tiempo de la introducción de gastos.

Segunda fase: máquinas que leen documentos

El aprendizaje automático y el aprendizaje profundo apuntaron a la mayor carga de los equipos financieros: el procesamiento de documentos. Gracias a los avances en el reconocimiento de imágenes, los sistemas pasaron a poder leer recibos y facturas a partir de una foto; el importe, la fecha, el proveedor y los datos fiscales se extraen en segundos y se registran en los campos correctos. La categorización también empezó a basarse en patrones y no en reglas: el sistema aprende de los gastos anteriores y coloca por sí mismo un gasto nuevo en la categoría correcta. Al reducirse la introducción manual de datos, bajó la tasa de errores y se acortó el tiempo que los empleados dedican a declarar sus gastos.

Tercera fase: detección de anomalías y previsión

La fase actual consiste en que la máquina no solo lee y clasifica, sino que percibe las desviaciones. La inteligencia artificial aprende los patrones de gasto de la empresa y marca lo inusual: recibos duplicados, declaraciones sospechosas que caen en fin de semana, gastos repetidos justo por debajo del límite de la política. Estas señales, que los controles manuales por muestreo pasan por alto, permiten detectar el riesgo de fraude en los gastos antes de que crezca. Esa misma capacidad de aprender patrones también mira hacia delante: a partir de los datos históricos se pueden prever las tendencias de gasto y detectar pronto las desviaciones presupuestarias. Las reglas tampoco han desaparecido; los controles de la política de gastos trabajan ahora junto con los sistemas que aprenden para interceptar el gasto no conforme en el momento mismo de la declaración.

Masraff es una plataforma de gestión de gastos impulsada por inteligencia artificial que representa el eslabón actual de esta evolución: automatiza el proceso de gastos de principio a fin, desde la lectura de recibos y facturas hasta la categorización inteligente, y desde el control de políticas hasta el marcado de anomalías.

Preguntas frecuentes (FAQ)

¿Cuándo surgió por primera vez la inteligencia artificial?

El concepto se planteó oficialmente en la Conferencia de Dartmouth de 1956; su fundamento teórico se remonta al trabajo de Alan Turing de 1950.

¿Cuál es la diferencia entre los sistemas basados en reglas y los sistemas que aprenden?

En los sistemas basados en reglas, las personas escriben cada condición una a una; el sistema solo responde a los escenarios definidos. Los sistemas que aprenden, en cambio, extraen patrones de los datos: pueden tomar decisiones razonables incluso ante situaciones nuevas y no definidas previamente. En el ámbito financiero, esta es la diferencia entre un «control de límite fijo» y «detectar por sí mismo un gasto inusual».

¿Cómo se utiliza la inteligencia artificial en la gestión de gastos?

En tres áreas principales: la lectura automática de recibos y facturas a partir de una foto, la categorización inteligente de los gastos según los datos históricos y el marcado inmediato de los gastos inusuales o contrarios a la política. Así se reduce la carga manual, disminuyen los errores y el equipo financiero puede centrarse en la estrategia en lugar de en el control.

¿Sustituirá la inteligencia artificial al equipo financiero?

No; asume las tareas repetitivas. Mientras la introducción de datos, la conciliación y el control de primer nivel pasan a la máquina, las decisiones que requieren criterio —el diseño de políticas, la aprobación de excepciones, la estrategia presupuestaria— siguen en manos de las personas.

---

El desarrollo de la inteligencia artificial a lo largo de décadas ha alcanzado hoy una madurez capaz de aligerar de forma tangible sus procesos de gastos. Si desea ver en su propia empresa el paso de los controles basados en reglas a los sistemas que aprenden, póngase en contacto con nosotros: analicemos juntos qué cambia la inteligencia artificial en la gestión de gastos.