El equipo de FP&A de Docker redacta sus comentarios mensuales de desviaciones con Claude conectado a Pigment por MCP

En dos frases

El equipo de FP&A estratégico de Docker usa Claude, conectado a sus datos de planificación en Pigment mediante un servidor MCP, para escribir el primer borrador de los comentarios mensuales de desviaciones de la cuenta de resultados, la plantilla y el flujo de caja, mientras los analistas se quedan con la tarea de comprobar las cifras y explicar las razones de negocio. Docker calcula que así redujo entre un tercio y la mitad el tiempo dedicado a esos comentarios; la cifra la da la propia empresa, la publica el proveedor del software y no está auditada.

Quién lo hace y por qué este proceso

Docker es la empresa de la conocida plataforma de contenedores para desarrolladores. Su equipo de finanzas estratégicas se ocupa de la planificación, las previsiones y el análisis de resultados y, según Pooja Agrawal, Senior Finance Manager de FP&A estratégico, también trabaja con las áreas en ahorros de costes, modela escenarios de inversión para nuevos productos y ha negociado contratos en nombre del negocio. Antes de Pigment, Docker planificaba con Planful; el caso de cliente dice que le faltaba flexibilidad y que buena parte del trabajo seguía en hojas de cálculo.

El caso lo publica Pigment, el proveedor de planificación (EPM) al que se cambió Docker, en dos piezas: un caso de cliente y el artículo que acompaña a un episodio de su pódcast Portraits, grabado con Pooja Agrawal y publicado el 30 de abril de 2026. Ojo: las dos son contenido del proveedor y quien habla es una clienta satisfecha.

¿Por qué empezar por los comentarios de desviaciones? Agrawal da tres razones en el artículo del pódcast:

• Es una tarea pesada y repetitiva. Cada mes el equipo repasa la cuenta de resultados, la plantilla y el flujo de caja, escribe por qué cada cifra quedó donde quedó y luego reempaqueta las mismas explicaciones para distintos públicos: un resumen para dirección, una vista para cada responsable de área, material para el consejo y lo que haga falta.
• Llega en el peor momento. Se hace durante el cierre, con plazos ajustados y un equipo ya al límite.
• Ya estaba estructurada. Las tablas de desviaciones estaban construidas en Pigment, los números eran limpios y ordenados, y el equipo ya había estandarizado cómo debía escribirse cada comentario (tono, formato y nivel de detalle por público). Eso permitió dar a la IA exactamente lo que necesitaba.

Ese tercer punto es el que casi todos los equipos se saltan, y por eso merece la pena estudiar el caso.

Herramientas y arquitectura

Por lo que cuentan las dos fuentes, el flujo tiene cuatro piezas:

1. Pigment como fuente única. Los datos de real frente a presupuesto (BvA, budget vs actual) y su contexto están en Pigment, «con las notas de contexto adecuadas en los sitios adecuados».
2. El servidor MCP de Pigment. MCP (Model Context Protocol) es el estándar abierto que permite a un asistente de IA usar herramientas y datos externos. El servidor de Pigment deja que Claude, ChatGPT y otros clientes consulten sus datos. El conector público para Claude enumera tres herramientas: GetApplications, FindAiMetrics y QueryData.
3. Claude como redactor. Claude recibe los datos BvA y el contexto y redacta «primeros borradores estructurados» de los comentarios con el tono y el formato que quiere el equipo. El artículo del pódcast dice que Claude «ha sido entrenado con ejemplos» de los comentarios de Agrawal en cada nivel; en la práctica se entiende que se le dan esos ejemplos para que los imite, no que se entrene un modelo. Claude se encarga de la agregación, la consolidación y el primer borrador, y ella puede hacerlo todo desde su interfaz conversacional.
4. El Analyst Agent de Pigment. Resume las desviaciones clave, detecta tendencias y señala los movimientos importantes para apoyar el borrador.

La capa humana cierra el círculo: los analistas «aplican su criterio y el contexto de cada público», comprueban la exactitud, validan que se citan los drivers correctos y se aseguran de que la historia que se cuenta es la que importa.

El mismo caso menciona un segundo uso, distinto: el Modeler Agent de Pigment, al que Agrawal llama su «compañero de pensamiento» para construir modelos. Con él, dice, implantó un plan de dimensión de versiones en menos de una hora (normalmente uno o dos días de trabajo concentrado) y optimizó una fórmula de 29 a 10 segundos.

Paso a paso para replicarlo

Estos pasos combinan lo que describe Docker con la documentación pública de Pigment. Con otra herramienta de planificación (Anaplan, Adaptive, el módulo de tu ERP o una buena hoja de cálculo) la lógica es la misma; cambia la conexión.

1. Elige un comentario y define qué es «bueno»

Escoge un análisis recurrente, por ejemplo la cuenta de resultados mensual frente a presupuesto. Deja por escrito, para cada público, cómo es un buen comentario: extensión, tono, umbral de materialidad, cómo se expresan las desviaciones (en importe y en porcentaje) y qué hay que explicar siempre. Reúne entre tres y cinco comentarios reales de meses anteriores por público como ejemplo. El consejo de Agrawal: si podrías enseñárselo a un analista junior, probablemente puedas enseñárselo a la IA.

2. Limpia y acota la entrada

La lección principal de Agrawal es que la calidad del resultado depende de la calidad de la entrada. Ella limitó cada tarea a su propia entrada bien definida: el comentario de la cuenta de resultados se hace con datos de la cuenta de resultados. Dar a la vez datos de flujo de caja y de balance creaba ambigüedad sobre qué cifras pertenecían a cada análisis, sobre todo cuando los nombres se solapaban. Consecuencias prácticas:

• Una tabla o un conjunto de métricas por comentario, con nombres sin ambigüedad.
• Guarda el contexto de negocio (partidas no recurrentes, diferencias temporales, reorganizaciones) como notas junto al dato, no en la cabeza de alguien. En Pigment, las métricas de texto pueden recoger esos comentarios y el Analyst Agent puede usarlas.
• No le des a la IA métricas de desviación ya calculadas si es ella quien calcula las desviaciones: la documentación de Pigment advierte de que en el Analyst Agent eso puede dar resultados incorrectos.
• Revisa cómo se agrega cada métrica en el tiempo; Pigment avisa de que, si no, el agente puede sumar datos no acumulativos como FTE o tipos de cambio.

3. Conecta el asistente a los datos, en modo lectura

En Pigment, según su base de conocimiento:

• MCP está disponible cuando Pigment AI está activo. Para activarlo hace falta el rol de Security Administrator, Workspace Administrator o Primary Owner: Settings → Integrations → MCP, se activa y se copia la URL única del endpoint. Cada workspace, y cada entorno de Test y de Deploy, necesita su propia URL y su conector.
• En Claude, alguien con privilegios de Owner crea un conector personalizado (Customize → Connectors → Add custom connector), pega la URL y deja vacíos los campos de OAuth, porque Pigment gestiona OAuth. Después cada usuario se conecta con sus credenciales de Pigment. Claude Code puede usar el mismo conector o un plugin de Pigment.
• Cada usuario conserva sus permisos: solo llega a las aplicaciones, métricas y datos que ya ve en Pigment. Sin el permiso para usar agentes de IA, las llamadas MCP a esa aplicación fallan. Por MCP solo se leen métricas de tipo número, entero y booleano.
• El modo por defecto es de solo lectura. Un modo avanzado, desactivado por defecto y que activa cada usuario, añade herramientas de escritura (crear métricas, escribir fórmulas, introducir datos). Para redactar comentarios no lo necesitas.
• Antes de activar MCP, revisa los permisos de acceso y desactiva el AI data access en los bloques con datos sensibles (por ejemplo, salarios individuales). Pigment advierte de que, una vez activado MCP y creado el conector, cualquier miembro del workspace puede conectarse.
• En Claude puedes configurar cada herramienta como Always allow, Needs approval o Blocked.

4. Escribe las instrucciones y los ejemplos

Dale al asistente el ámbito, el umbral, la estructura y tus ejemplos. Este es un prompt escrito por este directorio (no el de Docker, que no se ha publicado), de libre uso y adaptación. No se ha probado con datos reales.

Eres analista sénior de FP&A en {{EMPRESA}}. Usando solo los datos que devuelva
la herramienta de planificación conectada para {{CONJUNTO_METRICAS}} (por
ejemplo, cuenta de resultados por cuenta y departamento), compara {{VERSION_A}}
con {{VERSION_B}} para {{PERIODO}}.

1. Calcula tú mismo las desviaciones en importe y en porcentaje. Incluye solo
   las líneas cuya desviación absoluta supere {{UMBRAL}}, ordenadas por tamaño.
2. Para cada línea, da las cifras y los principales contribuyentes un nivel por
   debajo ({{DIMENSION_DETALLE}}). Usa las notas de contexto de {{METRICA_NOTAS}}
   para explicarla; si no hay nota, escribe «Motivo pendiente de confirmar por
   el responsable» y no lo supongas.
3. Redacta el comentario para {{PUBLICO}} siguiendo el estilo, la extensión y el
   formato de estos ejemplos: {{EJEMPLOS}}.
4. Termina con una tabla: línea | real | presupuesto | desviación | % | origen
   de la explicación (nota / pendiente de confirmar).
No uses datos fuera de {{CONJUNTO_METRICAS}}. No inventes causas. Señala
cualquier cifra que no hayas podido cuadrar con los totales.

Si prefieres quedarte dentro de Pigment, su documentación incluye instrucciones listas para el Analyst Agent («Missions»), como una desviación de OPEX por cuenta y departamento con un umbral de ±5.000. Pigment indica que sus agentes no ven las fórmulas y que, por ahora, las Missions no admiten análisis de series temporales ni correlaciones.

5. Revisa y después reempaqueta

El primer borrador es la materia prima, no el entregable. Quien revisa comprueba cada cifra contra la fuente, confirma que los drivers citados son los reales y escribe el «porqué» de negocio. Solo entonces se pide al asistente que adapte el texto aprobado a cada público (dirección, áreas, consejo). Agrawal lo resume así: la IA puede decir hacia dónde van los ingresos; el equipo dice por qué.

6. Itera y mide

Docker necesitó meses: probó distintas aplicaciones de IA y combinaciones, estructuras de datos que no encajaban, prompts poco afinados y resultados poco consistentes. Mide las horas por cierre antes y después, y lleva un registro de correcciones para que los arreglos que se repiten pasen a los ejemplos o a las instrucciones.

Un ejemplo concreto de resultado

La documentación de Pigment muestra el tipo de línea que debería producir una instrucción de desviaciones, con cifras ilustrativas suyas: «GL 60000 - Salaries: +€15.2k vs Budget (+18%) - Higher training expenses in Marketing (+€8.7k)» (cuenta de sueldos, 15.200 € y un 18 % por encima del presupuesto, por más gastos de formación en Marketing). Lo valioso del enfoque de Docker es que la parte explicativa de esa línea sale de una nota de contexto o de una persona, no de la imaginación del modelo. Una regla útil: cada explicación del borrador debe indicar su origen (una nota, un documento o «pendiente de confirmar»).

Resultados declarados y cómo leerlos

• Caso de cliente (Pigment): Docker «estima» entre un 30 y un 50 % menos de tiempo al mes en redactar y revisar los comentarios del cierre; información más rápida para la dirección; menos presión en el cierre y más tiempo para las previsiones; reuniones con la dirección más centradas.
• Artículo del pódcast (Pigment): entre un 30 y un 40 % menos de tiempo dedicado a los comentarios, y el cierre «pasa de un día y medio a cerca de un día» (el texto no aclara si se refiere a todo el cierre o a la parte de comentarios). Beneficio inesperado: más estandarización, menos retrabajo y menos idas y vueltas.
• Modeler Agent: un plan de dimensión de versiones en menos de una hora en lugar de uno o dos días; una fórmula de 29 a 10 segundos.

Son estimaciones propias en contenido de marketing. No hay punto de partida medido, ni método, ni datos de volumen o de errores. La dirección del resultado es creíble y coherente entre las dos piezas; el porcentaje exacto, no.

Limitaciones y riesgos

• Contenido del proveedor. Las dos fuentes principales las publica Pigment. No hemos encontrado un relato independiente de la propia Docker.
• Comentar es opinar con criterio. Un párrafo bien escrito puede señalar el driver equivocado. Agrawal deja la interpretación y la decisión en manos de personas.
• Exposición de datos. Una conexión MCP abre datos de planificación a un servicio de IA externo. Revisa los permisos, oculta los bloques sensibles y comprueba el contrato y las condiciones de tratamiento de datos con el proveedor de IA.
• Permisos de escritura. El modo avanzado puede crear métricas, fórmulas y datos. Mantenlo desactivado para este uso o exige aprobación para cada herramienta de escritura.
• Mezclar ámbitos provoca errores. Lo vivió Docker: mezclar datos de cuenta de resultados, caja y balance con nombres solapados confundía el resultado.
• Trampas de agregación. Las métricas no acumulativas (FTE, tipos de cambio) y las desviaciones ya calculadas pueden dar cifras erróneas si no están bien configuradas.
• El texto del negocio también es una entrada. Las notas de contexto de los responsables de presupuesto son útiles, pero trátalas como datos que verificar, no como instrucciones.

Errores frecuentes

1. Empezar con un modelo desordenado y esperar que la IA «se las apañe»: Agrawal lo llama el malentendido que genera desconfianza.
2. Pedir todos los comentarios a la vez (resultados, caja y balance) en lugar de una tarea acotada para cada uno.
3. No dar ejemplos y luego culpar a la IA del tono y del formato.
4. Dejar que el modelo invente causas cuando no hay nota, en lugar de marcarlas como «pendiente de confirmar».
5. Enviar el borrador a dirección sin revisar cifra por cifra.
6. Activar las herramientas de escritura «por si acaso».
7. Abandonar tras las primeras semanas: el flujo de Docker tardó meses en ser fiable.

Conclusiones

El caso de Docker no va de un agente espectacular, sino de un equipo de finanzas que hizo el trabajo de base (tablas de desviaciones limpias y acotadas, notas de contexto junto al dato y un estándar escrito de lo que es un buen comentario) y después dejó que un asistente hiciera el montaje y el primer borrador. El ahorro declarado, de un tercio a la mitad del tiempo de comentarios, lo da la propia empresa y lo publica el proveedor, pero el método se copia con cualquier herramienta de planificación que exponga sus datos a un asistente en modo lectura. Lo que sigue siendo humano es lo que más importa: comprobar las cifras y explicar por qué se movieron.