ACNUR usa IA para preparar su previsión de tesorería: qué hizo, qué ganó y cómo replicarlo

Contexto: por qué una agencia humanitaria necesitaba otra forma de prever su caja

La previsión de tesorería es uno de los procesos donde más se nota la distancia entre lo que se promete con la IA y lo que de verdad funciona. Por eso merece atención un caso contado con detalle por quien lo dirige: el de la unidad de tesorería de ACNUR (UNHCR, por sus siglas en inglés), la Agencia de la ONU para los Refugiados. Hikaru Kozuki, especialista sénior de tesorería y jefe de esa unidad, lo explicó en la conferencia EuroFinance International Treasury Management 2026, y EuroFinance publicó el resumen el 16 de septiembre de 2026.

El punto de partida es reconocible para cualquier tesorero. El equipo recopilaba a mano información de distintos sistemas de origen, la consolidaba en hojas de cálculo y después la validaba y ajustaba. Kozuki lo resume con una pregunta: por qué dedicaban tanto tiempo a recopilar datos en lugar de analizar el resultado de la previsión. Cuando el número estaba listo, la realidad que debía reflejar podía haber cambiado. En una organización humanitaria, recuerda, la situación no espera.

A eso se sumaron dos presiones. Desde mediados de 2025, los cambios en el apoyo de los donantes y los recortes presupuestarios hicieron que el histórico fuera una guía menos fiable para anticipar las necesidades de caja. Y la plantilla de ACNUR se había reducido sin que el volumen de trabajo bajara en la misma proporción. La previsión tenía que tener en cuenta transacciones con fecha futura, tendencias históricas, estacionalidad, divisas y cambios en el entorno operativo: demasiadas variables para seguir con un proceso manual.

No es un proyecto que empiece de cero. Según un artículo anterior de EuroFinance, ACNUR modernizó en septiembre de 2023 sus sistemas de gestión de tesorería y su conectividad bancaria y los integró con su ERP en la nube y con el Digital Hub of Treasury Solutions (DHoTS), una plataforma de tesorería compartida por varias agencias de la ONU con soporte técnico de UNICC. Esa base de datos integrados es lo que hace posible el paso siguiente.

Quién lo hace y con qué

• Protagonista: la unidad de tesorería de ACNUR, con Kozuki como responsable y portavoz del caso.
• Socio tecnológico: el Centro Internacional de Cálculos Electrónicos de la ONU (UNICC), que ya gestionaba para ACNUR información bancaria, de nóminas, de pagos a proveedores y de cobros de donantes. Esa relación previa resolvió buena parte de la preocupación por la seguridad de los datos.
• Datos: cuentas a pagar, pedidos de compra con fecha futura y casi diez años de histórico, además de supuestos de escenario.
• Salida: una previsión de caja y un panel automático con los gráficos y tablas para la dirección.
• Lo que la fuente no dice: qué tipo de modelo de IA se usa (estadístico, aprendizaje automático o un modelo de lenguaje), con qué herramientas está construido, cuánto ha costado ni qué error de previsión tiene. Conviene no rellenar esos huecos con suposiciones.

Cómo lo construyeron, paso a paso

El orden importa tanto como las piezas. Kozuki describe un proceso deliberadamente iterativo en tres fases.

1. Mapear los generadores de caja y sus fuentes

El trabajo empezó por los datos y no por el modelo. El equipo identificó los principales generadores de flujos de caja (entre ellos, las cuentas a pagar y los pedidos de compra con fecha futura) y de qué sistema salía cada uno. Los tesoreros participaron desde el principio: ayudaron a definir qué preguntas debía responder la previsión, qué categorías de flujo de caja eran relevantes y qué nivel de precisión hacía falta.

2. Normalizar: decidir qué fecha es el evento de caja

Aquí apareció el problema más interesante del caso. Los distintos sistemas no describían el mismo hecho de la misma manera. Una misma transacción podía tener fecha de aprobación, fecha contable, fecha de pago, fecha de recepción por el beneficiario y fecha de conciliación bancaria, y cualquiera de ellas podía usarse para situar el movimiento de caja en el tiempo.

Para comparar, en palabras de Kozuki, manzanas con manzanas, el proyecto se convirtió en parte en un ejercicio de gobierno del dato: decidir qué campos importaban, fijar definiciones comunes y establecer qué fecha representaba el evento de caja real en cada categoría.

3. Construir la capa de previsión y automatizar la presentación

El modelo resultante combina información actual con patrones históricos. Para el corto plazo se apoya más en los datos del ERP, que son fiables porque reflejan compromisos ya adquiridos; para el largo plazo usa tendencias históricas ajustadas a las condiciones presupuestarias del momento, además de supuestos de escenario. El equipo quiso también que la presentación saliera sola: en lugar de terminar el análisis y luego montar gráficos y paneles a mano, el objetivo era unir recopilación, previsión y visualización en un único flujo.

4. Ejecutar en paralelo y ganarse la confianza

La mayor dificultad, según Kozuki, no fue convencer a nadie de que la IA podía procesar datos, sino conseguir que los tesoreros se fiaran del resultado. «No puede ser una caja negra», dice: el equipo tiene que entender cómo llega el modelo a sus cifras porque es quien se las explica a la dirección. Por eso, durante un tiempo, la previsión con IA convivió con la manual. El equipo comparó ambas con los datos reales y vio en qué acertaba más o menos el modelo. La responsabilidad siguió siendo humana: la IA produce la previsión, pero los tesoreros la revisan y deciden.

Un ejemplo concreto para tu equipo

Lo más replicable del caso no es el modelo, sino el diccionario de datos previo. Esta tabla es un ejemplo ilustrativo de cómo podría empezar un equipo de tesorería mediano; no son datos de ACNUR.

Categoría de flujo	Sistema de origen	Fecha que manda	Horizonte en que se usa	Dueño del dato
Pagos a proveedores	ERP, cuentas a pagar	Fecha prevista de pago	0–13 semanas	Responsable de cuentas a pagar
Pedidos de compra aprobados	ERP, compras	Fecha prevista de pago según condiciones	4–26 semanas	Compras
Nóminas	Sistema de nóminas	Fecha de cargo en banco	Todo el horizonte	Recursos humanos
Cobros de clientes o donantes	ERP, cuentas a cobrar	Fecha valor en banco	0–13 semanas con datos, después histórico	Responsable de cobros
Impuestos	Calendario fiscal	Fecha de cargo en banco	Todo el horizonte	Fiscal

Con esa tabla acordada, el primer piloto puede limitarse a dos o tres categorías con datos limpios y una sola divisa, como recomienda el propio Kozuki al decir que hoy empezaría por algo más pequeño.

Cómo replicarlo en tu empresa

Estos pasos son nuestra adaptación de las lecciones que da la fuente; no describen el sistema interno de ACNUR.

1. Elige la decisión antes que la herramienta. Kozuki insiste en que la IA es solo una herramienta: primero hay que saber qué decisión se quiere mejorar (liquidez a corto plazo, momento de las operaciones de divisas, nivel de inversiones). Eso determina qué datos, qué modelo y qué controles necesitas.
2. Haz un inventario de generadores de caja. Para cada categoría, anota de qué sistema sale, con qué frecuencia se actualiza y qué calidad tiene.
3. Escribe el diccionario de datos antes de modelar. Qué cuenta como flujo previsible, qué fecha manda, cómo tratas las divisas, cómo registras los fondos con restricciones y quién responde de cada campo. Es lo que Kozuki dice que haría todavía antes si empezara hoy.
4. Separa horizontes. Usa los compromisos del ERP (facturas registradas, pedidos aprobados) para el corto plazo y el histórico ajustado para el largo plazo. No pidas al modelo que adivine lo que ya sabes.
5. Empieza con métodos que puedas explicar. Un caso de la misma fuente lo ilustra: en ASML, según EuroFinance, el equipo probó veinte algoritmos de Python de código abierto contra cinco años de reales y reentrena el modelo cada mes con una persona revisando su rendimiento. Lo importante no es el algoritmo, sino poder explicar por qué sale lo que sale.
6. Ejecuta en paralelo varios ciclos. Mantén la previsión manual mientras comparas ambas con los reales. Mide el error por categoría y horizonte, no solo en total.
7. Automatiza la presentación. Un panel que se actualiza solo libera tiempo aunque el modelo no sea perfecto.
8. Deja la decisión y la ejecución en manos humanas. ACNUR explora agentes que sugieran cuándo comprar o vender divisas o colocar inversiones, pero las operaciones las ejecutarían personas.

Resultados declarados y su fuente

Concepto	Qué se declara	Tipo de dato	Fuente
Trabajo de recopilar y consolidar datos	Podría bajar entre un 40 % y un 60 % cuando el modelo esté estabilizado	Estimación del responsable	EuroFinance, septiembre de 2026
Preparación de gráficos y tablas	Menos esfuerzo gracias al panel automático	Declaración cualitativa	EuroFinance, septiembre de 2026
Uso del tiempo del equipo	Menos tiempo recopilando y normalizando, más analizando	Declaración cualitativa	EuroFinance, septiembre de 2026
Precisión de la previsión	No se publica	—	—

Kozuki subraya que el objetivo no es una previsión perfecta, sino facilitar buenas decisiones en condiciones de incertidumbre. Según él, ver antes los posibles huecos y excedentes de liquidez ayuda a decidir saldos de precaución y niveles de inversión, y la conversación con la dirección se centra ahora en los supuestos: qué cobros de donantes son firmes, qué pagos podrían retrasarse y dónde aparecen riesgos.

Limitaciones y riesgos

• Evidencia: es un caso real, pero contado por su protagonista en una conferencia y resumido por la organizadora. No hay cifras auditadas ni métricas de error.
• Proceso incompleto: la fuente reconoce que no está totalmente automatizado y que algunos datos siguen necesitando intervención humana.
• Dependencia del contexto: ACNUR tenía ya sistemas de tesorería integrados, casi diez años de histórico y un socio tecnológico de confianza. Sin esa base, el esfuerzo de datos será mayor.
• Histórico menos fiable: el propio caso nace de que los cambios de 2025 en la financiación hicieron que el pasado predijera peor el futuro. Un modelo basado en histórico necesita supuestos de escenario y revisión humana.
• Coste de conexión: Kozuki señala que el freno principal para integrarse más con el ERP, incluido Workday, es el presupuesto para los costes de conexión, no la capacidad técnica.
• Seguridad de los datos: los datos de tesorería son sensibles. ACNUR lo resolvió apoyándose en un socio que ya los custodiaba; en otras empresas habrá que pasar por seguridad informática, como cuenta Cloud Software Group en el artículo de EuroFinance sobre ASML.

Errores comunes que este caso ayuda a evitar

• Empezar por el modelo. Sin definiciones comunes, la IA amplifica la incoherencia en lugar de resolverla, avisa Kozuki.
• Mezclar fechas. Usar fecha contable en una categoría y fecha de pago en otra produce desfases que parecen errores del modelo.
• Abarcar toda la organización a la vez. Un piloto acotado demuestra valor antes y genera confianza.
• Quitar la previsión manual demasiado pronto. Sin un periodo de comparación con los reales no sabrás dónde falla el modelo.
• Esperar que la IA decida. En este caso la IA reúne, procesa y presenta; interpretar la incertidumbre y decidir sigue siendo trabajo de los tesoreros.

Conclusiones

El caso de ACNUR es valioso precisamente porque es poco espectacular. No promete una tesorería autónoma: muestra que el mayor trabajo está en ordenar los datos, acordar qué fecha manda y ganarse la confianza del equipo con un periodo en paralelo. La IA entra después, para quitar horas de recopilación y montar el panel, y deja a los tesoreros la parte que de verdad aporta valor: discutir supuestos y decidir. Si quieres replicarlo, el primer entregable no es un modelo, sino una tabla de definiciones y un piloto pequeño.