La IA embebida, la automatización agéntica y Clean Core convergen en Finanzas S/4HANA, pero la adopción avanza más rápido que el impacto. Esto es lo que diferencia a las organizaciones que de verdad capturan valor de las que siguen repitiendo pilotos que nunca llegan a escalar.
En resumen
- La adopción de IA en finanzas llegó al 59% en 2025, pero el 91% de quienes la usan solo percibe un impacto bajo o moderado. Adoptar IA y sacarle partido no son la misma cosa.
- Esa brecha no la explican los modelos de IA: la explican la calidad del dato, la deuda técnica del core y la falta de talento en finanzas.
- La IA agéntica de SAP (Joule, el agente de gestión de caja, el nuevo SAP AI Agent Hub) se centra primero en procesos de alto volumen y basados en reglas, no en los que exigen criterio propio.
- Clean Core es el requisito de arquitectura para poder confiar en agentes autónomos. La preparación para IA debería formar parte de tu migración a S/4HANA, no llegar después.
- Más abajo tienes un marco de seis preguntas y un modelo de madurez de cuatro etapas para ubicar en qué punto está realmente tu organización.
La brecha del optimismo
Durante tres años nos han dicho que la IA iba a transformar el cierre, la previsión y la gestión del capital circulante en finanzas. Las cifras de adopción, a primera vista, dan la razón: según la encuesta 2025 de IA en Finanzas de Gartner, realizada a 183 CFOs y directivos financieros senior, el 59% de las funciones de finanzas ya usaba IA en 2025. Es apenas un punto más que en 2024 (58%), aunque supone un salto notable frente al 37% de 2023.
El problema aparece en cuanto se mira un nivel más abajo. En esa misma encuesta, el 91% de los encuestados dice haber notado solo un impacto bajo o moderado en sus iniciativas de IA. Las organizaciones más maduras en su adopción tienen el doble de probabilidades de reportar impacto moderado, y casi el triple de reportar impacto alto. Dicho de otro modo: la brecha entre usar IA y sacarle valor no se cierra sola. La cierran las organizaciones que resuelven algo mucho más de fondo que el propio modelo.
En las empresas que operan sobre SAP, ese «algo» tiene nombre propio, y casi nunca aparece en una demo comercial: la arquitectura. Una IA es tan fiable como los datos y procesos sobre los que trabaja, y la mayoría de los entornos S/4HANA no se diseñaron pensando en que una IA los iba a consumir. Se construyeron durante una década o más para resolver, uno a uno, el problema de negocio más urgente del momento: un campo personalizado aquí, un programa Z allá, un workaround en medio.
En este artículo cuento qué significa hoy, en la práctica, «IA en Finanzas SAP», por qué existe esa brecha entre adopción e impacto y qué hace falta, a nivel de arquitectura y de organización, para pasar del piloto al valor real en producción.
Qué significa hoy «IA en Finanzas SAP»
La estrategia de IA de SAP para 2026 gira en torno a Joule, su asistente de IA y capa de orquestación de agentes, presente en todo el portafolio cloud: S/4HANA, SAP BTP, SuccessFactors, Ariba y Sales and Service Cloud. Varias fuentes del sector que siguen de cerca las notas de versión de SAP hablan de más de 40 agentes de IA especializados y más de 2.400 Joule Skills repartidas entre S/4HANA, Ariba, SuccessFactors y SAP IBP. Conviene tomar estas cifras como orientativas y no como un dato auditado: proceden de análisis de partners y analistas, no de una comunicación oficial única de SAP. Varios de esos analistas lo describen como el cambio arquitectónico más importante en el ERP empresarial desde el salto al cómputo en memoria con HANA, hace ya una década. Es una afirmación ambiciosa, pero merece tomarse en serio: la IA agéntica está pensada para operar de un modo muy distinto a cualquier generación anterior de «automatización».
Conviene distinguir dos generaciones de capacidad que a menudo se mezclan bajo la misma etiqueta de «IA», porque su perfil de riesgo y sus requisitos de implementación son muy distintos:
- IA predictiva y machine learning embebidos: funciones presentes en los módulos de S/4HANA desde hace varias versiones: conciliación automática de facturas, previsión de flujo de caja, sensing de demanda, detección de anomalías. Son herramientas de reconocimiento de patrones, acotadas: sugieren, marcan o predicen, pero la decisión y la acción siguen siendo de una persona. Fiables, bien conocidas y, desde el punto de vista del gobierno de datos, poco polémicas.
- IA agéntica: la capa más nueva. Aquí se le da a un agente un objetivo de negocio y él mismo planifica y ejecuta la secuencia de acciones necesaria para lograrlo: llama a APIs, lee y escribe datos en SAP, dispara flujos de trabajo, escala excepciones a una persona y traspasa tareas a otros agentes, todo sin que nadie programe cada paso. Aquí es donde las promesas de productividad se disparan, y donde también se dispara el riesgo de gobierno: el agente ya no sugiere, actúa.
En Finanzas, la capa agéntica es donde se hacen las promesas más concretas, así que merece la pena entender qué hacen realmente estos agentes en vez de quedarse con la etiqueta de la categoría. El agente de gestión de caja de SAP alcanzó disponibilidad general en el primer trimestre de 2026. Según Prolifics, que ha seguido de cerca ese lanzamiento, el agente interpreta los extractos bancarios diarios y automatiza la conciliación, con un ahorro de tiempo reportado de hasta el 80% en el posicionamiento manual de caja. Ese proceso solía requerir que un analista de tesorería cruzara a mano cada línea del extracto con los cobros y pagos previstos, todos los días laborables. Un matiz importante: el 80% es una cifra reportada por un partner y ligada a la comunicación de lanzamiento de SAP, no un benchmark auditado de forma independiente. Conviene tomarla como una referencia que hay que contrastar con los propios volúmenes de proceso, no como un resultado garantizado.
Lo interesante de estos ejemplos es lo que tienen en común: todos apuntan a un proceso de alto volumen, gobernado por reglas claras, que hasta ahora absorbía muchas más horas de trabajo de las que su valor estratégico justificaba. Ninguno sustituye el trabajo que exige criterio propio. Esa distinción, volumen y reglas frente a criterio y variabilidad, es el mejor indicador de si un proceso de finanzas está listo hoy para la IA agéntica. Volvemos sobre esto en el marco de preparación, más adelante.
Los datos de Gartner sobre qué casos de uso se adoptan realmente en finanzas son un buen contrapunto al relato comercial, y no coinciden del todo con el énfasis que pone la propia hoja de ruta de agentes de SAP. La gestión del conocimiento (ayudar a los equipos a organizar, encontrar y usar información interna) es hoy el caso de uso de IA más común en finanzas, con un 49% de adopción, por delante de la automatización de cuentas por pagar (37%) y la detección de errores y anomalías (34%). Lo más revelador es otra cosa: cuando se preguntó a los directivos financieros qué caso de uso generaba más impacto, la generación de código quedó primera, y por un margen amplio. Es un caso de uso que casi nadie pone en la portada de un plan de transformación con IA, y que no tiene nada que ver con el cierre, la previsión ni el capital circulante. Aparece sobre todo entre el personal técnico de finanzas que construye informes a medida, scripts de conciliación y extensiones en BTP: justo el perfil al que una estrategia de Clean Core le pide trasladar su trabajo a una capa de extensión gobernada.
La conclusión práctica para quien esté diseñando una hoja de ruta de IA sobre S/4HANA es sencilla: no dejes que el catálogo del proveedor marque el orden. Ajusta cada capacidad a las características del proceso (volumen, claridad de las reglas, calidad del dato) y deja que la evidencia sobre impacto, no la demo, decida qué se financia primero.
El movimiento estructural más importante llegó en SAP Sapphire 2026, en mayo, cuando SAP unificó SAP BTP, SAP Business Data Cloud y SAP Business AI en una sola plataforma, la SAP Business AI Platform, organizada en tres capas. Una capa de contexto integra datos de SAP y de fuera de SAP junto con lo que SAP llama Domain Models: modelos preentrenados sobre el propio código y la lógica de negocio de SAP, pensados para que un agente entienda conceptos específicos de SAP, incluida, según describe la propia SAP, la lógica de contabilización dentro de S/4HANA Finance, sin que un desarrollador tenga que programar esas reglas a mano. Una capa de construcción, Joule Studio 2.0, permite a un analista de negocio describir un resultado deseado y generar un agente a medida, ya cargado con ese contexto de proceso; SAP anunció que empezaría a desplegarse en junio de 2026. Y una capa de gobierno, SAP AI Agent Hub, construida sobre SAP LeanIX y prevista para disponibilidad general en el tercer trimestre de 2026, está pensada para que TI pueda rastrear, verificar y auditar cada agente que opera en el sistema, sea de SAP o propio, frente a políticas y KPIs definidos.
Para un CIO, esta consolidación es una noticia de doble filo. Por un lado, tener una capa de gobierno dedicada a supervisar agentes es justo el punto de control que este artículo viene defendiendo como necesario antes de escalar agentes autónomos. Por otro, confirma que las herramientas fragmentadas de hoy son, según la propia hoja de ruta de SAP, algo transitorio. Cualquier marco de gobierno de IA que se diseñe ahora debería poder conectarse con AI Agent Hub en cuanto esté disponible, en lugar de dar por hecho que los controles improvisados de hoy van a durar.
Por qué la mayoría de los pilotos se estancan antes de escalar
Si la tecnología es tan capaz, ¿por qué Gartner sigue encontrando que el 91% de quienes la adoptan se quedan en impacto bajo o moderado? En los datos de la encuesta, y en lo que se ve sobre el terreno, aparecen siempre los mismos tres obstáculos estructurales. Los tres tienen solución, pero ninguno se arregla comprando más licencias de IA.
El primero son los datos. Gartner señala la falta de alfabetización de datos y competencias técnicas, junto con la mala calidad y disponibilidad del dato, como los mayores obstáculos para adoptar IA en todas las organizaciones encuestadas, finanzas incluida. Un agente que razona sobre extractos bancarios o contabilizaciones intercompañía es tan fiable como los datos maestros y el histórico que lee. Años de lógica de centros de coste inconsistente, proveedores duplicados o asientos manuales sin documentar no desaparecen porque se active un agente: se convierten en el material con el que ese agente tiene que trabajar, y mal. Y hay algo peor todavía: un agente inseguro suele producir de todos modos una respuesta que suena convincente. Un dato malo no falla de forma ruidosa, falla en silencio, como un devengo o una conciliación que parece correcta pero no lo es.
El segundo obstáculo es la arquitectura, y aquí las empresas que operan sobre SAP cargan con un problema muy conocido: la deuda técnica acumulada tras años de personalizar el core. Campos añadidos directamente sobre tablas estándar, lógica de negocio escondida en programas Z, modificaciones sobre rutinas de código estándar… todo esto crea un objetivo en movimiento que un agente de IA no puede seguir de forma fiable, porque el comportamiento «estándar» con el que fue entrenado y configurado ya no coincide con lo que el sistema hace de verdad en tu entorno. Un agente diseñado para resolver un error de contabilización a partir de la lógica estándar de SAP diagnosticará mal, o directamente se negará a actuar, ante un error que nace de una regla de validación personalizada que nadie documentó en 2014.
Este es exactamente el problema que la estrategia Clean Core de SAP, trasladar la lógica personalizada a una capa de extensión gobernada en BTP en vez de dejarla dentro del core, fue diseñada para resolver. Es el tema del artículo de la próxima semana. La idea, resumida: en un entorno que no es clean core, no se puede confiar en que un agente de IA actúe de forma autónoma, por muy bueno que sea el modelo que hay detrás.
El tercer obstáculo no es técnico, es organizativo, y por eso es fácil pasarlo por alto: el talento. Una encuesta de Gartner a 100 CFOs, realizada entre enero y febrero de 2026, encontró que atraer y formar talento digital y de IA dentro de finanzas es hoy el reto más urgente para los CFOs a corto plazo, por delante del presupuesto, de elegir tecnología o del riesgo de proveedor. Comprar el software nunca fue lo difícil. Lo difícil es construir un equipo de finanzas capaz de validar lo que produce un agente, saber cuándo hay que corregirlo y rediseñar un proceso alrededor de lo que ese agente hace realmente bien, algo que exige un perfil distinto al que la mayoría de las organizaciones de finanzas ha contratado en la última década.
Estos tres obstáculos se retroalimentan siguiendo un patrón que se repite en casi todos los programas de IA que se estancan: la mala calidad del dato produce salidas del agente poco fiables; esas salidas poco fiables erosionan la confianza más rápido de lo que costó ganarla; la confianza erosionada hace que finanzas vuelva a meter pasos de revisión manual en el proceso «automatizado»; y esos pasos de revisión manual se comen el ahorro de tiempo que prometía el caso de negocio original. Para romper ese círculo hay que resolver primero el problema de datos y arquitectura, y solo después escalar el número de agentes. No en paralelo, y desde luego no al revés.
Qué significa esto para los CIOs
Para un CIO que patrocina o gobierna la inversión en IA dentro de S/4HANA, de todo lo anterior salen cinco implicaciones claras, ordenadas más o menos según por dónde conviene empezar:
- Ordena primero la arquitectura, después la automatización: haz una evaluación de preparación clean core antes de escalar la IA agéntica más allá de un piloto. Cada objeto personalizado, cada tabla estándar modificada y cada programa Z sin documentar es un sitio donde un agente puede razonar mal con mucha seguridad, y eso es más peligroso que un agente que simplemente falla: una respuesta equivocada pero convincente se ejecuta antes de que nadie la cuestione.
- Construye gobierno para la acción autónoma: los agentes que contabilizan devengos, resuelven conciliaciones o disparan flujos de trabajo sin una persona en el bucle cambian tu entorno de control. Define con claridad qué puede hacer un agente sin supervisión, qué necesita aprobación humana y cómo queda registrada para auditoría cada acción autónoma, antes de salir a producción, no después de un incidente. Esta capa de gobierno no es un extra: es lo que hace que los agentes autónomos puedan auditarse.
- Convierte la calidad del dato en un KPI de TI: no en una queja de finanzas que hay que gestionar desde fuera. Si el gobierno de datos maestros queda fuera de tu responsabilidad, el programa de IA que estás patrocinando rendirá menos de lo esperado por motivos que nadie atribuirá a TI, aunque solo TI pueda resolverlos. Pon la completitud y la consistencia de los datos maestros en el mismo cuadro de mando que la disponibilidad del sistema.
- Ordena por preparación, no por moda: los procesos bien estructurados, de alto volumen y basados en reglas (conciliación de facturas, aplicación de cobros, estimación de devengos) están listos hoy para la automatización agéntica. Los que exigen criterio y tienen mucha variabilidad, como las disputas intercompañía complejas o la planificación de escenarios de FP&A poco estándar, no lo están, por mucho que diga una demo comercial.
- Mide antes de automatizar: no puedes demostrar que un agente mejoró un proceso si nunca mediste ese proceso. Antes de meter un agente en un flujo de trabajo, registra una línea base de tiempo de ciclo, tasa de error y volumen de excepciones durante al menos un ciclo de cierre completo. Esa línea base será tu evidencia en la siguiente ronda de presupuesto.
Qué significa esto para los CFOs
Para un CFO que define la agenda de IA y tiene que defenderla ante el consejo, los datos apuntan a cuatro disciplinas que diferencian a las organizaciones que se acercan al nivel de «alto impacto» de Gartner de las que siguen atrapadas repitiendo pilotos:
- Fija expectativas realistas: con el 91% de las empresas que adoptan IA reportando solo impacto bajo o moderado al principio, que un piloto de primer año no transforme el cierre no es una señal de fracaso, es lo normal. La conversación con el consejo debería girar en torno a la trayectoria y a las condiciones para escalar, no al ROI de un único trimestre.
- Financia según viabilidad e impacto, no según visibilidad: el caso de uso de mayor impacto en los datos de Gartner, la generación de código, es de los menos visibles en el día a día de un CFO. Mientras tanto, la automatización de cuentas por pagar, el caso de uso más visible y más financiado, tiene un impacto reportado menor. Prioriza la cartera según evidencia, no según lo que resulte más fácil de justificar en un comité de dirección.
- Asume la construcción del talento y del entorno de control: la alfabetización de datos del equipo de finanzas es hoy una limitación mayor que el propio producto de IA, según la encuesta de CFOs de Gartner de principios de 2026. Y en cuanto los agentes puedan contabilizar de forma autónoma, tu marco de control interno y tu enfoque de auditoría tendrán que actualizarse al mismo ritmo. Esto es responsabilidad de finanzas, no algo que se pueda delegar por completo en TI o en un partner de implementación.
- Renegocia el caso de negocio con honestidad: si tu caso de negocio original de IA daba por hecho una reducción inmediata de plantilla de dos dígitos, revísalo. El valor realista a corto plazo, en la mayoría de los despliegues de primera generación, es la reducción del tiempo de ciclo y de los errores, que se traduce en capacidad liberada para trabajo de más valor, no en una línea inmediata de recorte de personal. Sobrevender el caso de negocio desde el principio es la forma más rápida de perder la confianza del consejo en la inversión en IA durante los próximos tres años.
Cómo se ve «bien hecho»: un modelo de madurez sencillo
En los programas S/4HANA que consiguen convertir los pilotos de IA en impacto sostenido aparece siempre el mismo patrón de madurez. No depende de cuántos agentes hay desplegados, depende de si la base sobre la que se apoyan es lo bastante sólida como para confiar en ella.
- Etapa 1: exploratoria: uno o dos pilotos acotados (a menudo conciliación de facturas o un asistente de chat con Joule), ejecutados en un sandbox o en un proceso no crítico, todavía sin gobierno formal para la acción autónoma. La mayoría de las organizaciones que protagonizaron el salto de adopción de Gartner, del 37% al 58% entre 2023 y 2024, entraron por aquí.
- Etapa 2: pilotada pero estancada: la IA ya está en producción en varios casos de uso, pero el impacto es bajo o moderado, los problemas de calidad del dato aparecen con frecuencia y el equipo ha vuelto a meter, sin mucho ruido, pasos de revisión manual. Aquí es donde está hoy el 91% de Gartner: con diferencia, el grupo más numeroso.
- Etapa 3: lista a nivel de arquitectura: ya se completó una evaluación clean core, la lógica personalizada se está migrando a extensiones en BTP, la propiedad de los datos maestros está asignada y existe, y se aplica, un marco de gobierno para las acciones autónomas de los agentes. El impacto empieza a acumularse porque la base ya no rema en contra de la capa de IA.
- Etapa 4: escalando con evidencia: varios procesos de finanzas funcionan con IA agéntica, con líneas base documentadas de antes y después; el equipo de finanzas tiene en marcha un programa de alfabetización de datos; y los casos de uso se eligen con un scorecard de viabilidad e impacto, no siguiendo la hoja de ruta del proveedor. Este es el nivel de alto impacto de Gartner, hoy una minoría muy pequeña, y precisamente por eso es una ventaja competitiva real para quien llegue primero.
La mayoría de quienes lean esto están en algún punto entre la Etapa 1 y la Etapa 2. El salto a la Etapa 3 casi nunca es una compra de tecnología: es un flujo de trabajo de arquitectura y gobierno, deliberado y con presupuesto propio, que normalmente se ejecuta en paralelo (o justo antes) de una iniciativa más amplia de clean core en S/4HANA.
Tres objeciones que merece la pena tomarse en serio
Antes de pasar al marco de preparación, hay tres objeciones que aparecen tan a menudo en los comités de dirección que merecen una respuesta directa, no que se despachen sin más.
- «¿Esto no es solo marketing de SAP disfrazado de contenido experto?»: Una objeción legítima, y que conviene aplicar a cualquier contenido sobre IA ligado a un proveedor, este artículo incluido. La distinción importante es entre las afirmaciones de producto de SAP, que siempre hay que tratar como cifras optimistas del propio proveedor hasta validarlas en tu entorno, y los datos independientes de la encuesta de Gartner sobre adopción e impacto, que vienen de CFOs, no de SAP. El 91% de impacto bajo o moderado no es una cifra que SAP elegiría publicar: es la línea base honesta contra la que debería medirse cualquier promesa de ROI de un proveedor.
- «Ya probamos con IA y no funcionó, ¿por qué iba a ser distinto esta vez?»: Normalmente porque el primer intento apuntó a un proceso visible y de mucho perfil en vez de a uno de alta viabilidad, se saltó el trabajo de calidad de datos, o se lanzó sin ningún modelo de gobierno sobre lo que el agente podía hacer de forma autónoma. Los propios datos de Gartner muestran que las organizaciones más avanzadas en la curva de madurez tienen el triple de probabilidades de reportar impacto alto. La tecnología no ha cambiado tanto desde tu primer intento: lo que determina el resultado son las condiciones alrededor.
- «¿Esto significa que la IA agéntica va a por los puestos de finanzas?»: A corto plazo, la evidencia apunta más a una redistribución de capacidad que a una reducción masiva de plantilla: los agentes que hoy están en producción absorben las tareas de mayor volumen y menor criterio (conciliaciones, estimación de devengos, posicionamiento de caja), y eso libera a los analistas para el tratamiento de excepciones, el análisis de desviaciones y el trabajo de socio de negocio, tareas en las que todavía no se confía a un agente. Dicho esto, los CFOs deberían planificar la estrategia de plantilla con honestidad, no evitar la conversación: dentro de tres años, finanzas va a necesitar más alfabetización de datos y más validación de lo que producen los agentes, y menos procesamiento manual de transacciones. Esa combinación de competencias es distinta de la que tiene hoy la mayoría de los equipos, y esa transición hay que gestionarla de forma activa, no negarla.
Un marco práctico de preparación
Antes de financiar la siguiente fase de inversión en IA sobre tu entorno S/4HANA, trabaja estas seis preguntas con TI y con Finanzas en la misma sala:
- ¿Tu core está lo bastante limpio como para que un agente de IA pueda confiar en lo que lee? Si no puedes responder con evidencia, empieza por una evaluación clean core, no por un piloto de IA.
- ¿Qué procesos de finanzas están basados en reglas y son de alto volumen, y cuáles exigen criterio propio y son variables? Ordena la IA agéntica según eso, no empieces por tu proceso más difícil.
- ¿Quién es responsable de aprobar y dejar rastro de auditoría cuando un agente contabiliza o modifica algo por su cuenta? Si no tienes una respuesta clara, tu entorno de control todavía no está listo para IA agéntica en producción.
- ¿Has registrado una línea base de tiempos de ciclo, tasas de error y coste por transacción antes de desplegar? Sin línea base no vas a poder demostrar el impacto después, y lo vas a necesitar en el siguiente ciclo de presupuesto.
- ¿Tu equipo de finanzas tiene un plan de alfabetización de datos, o solo un plan de despliegue de herramientas? Los datos de Gartner son claros: el talento, no la tecnología, es el cuello de botella a corto plazo.
- ¿Tu hoja de ruta de migración a S/4HANA de cara a 2027 está pensada para habilitar la IA, o la IA se está añadiendo después, como un parche? Los programas que tratan clean core y preparación para IA como un único proyecto rinden de forma consistente mejor que los que los separan.
Por qué esto es más urgente de lo que parece
Nada de esto pasa en el vacío. Encuestas del sector que siguen las prioridades de las empresas sobre SAP para 2026 dicen que una parte importante de los directivos, algunas cifras superan el 40%, ya prioriza la hoja de ruta de innovación en IA de SAP por encima del conocido plazo de mantenimiento estándar de 2027 para SAP ECC. En la práctica, esto significa que la conversación de migración y la conversación de IA se han fundido en una sola para la mayoría de las organizaciones que todavía operan sobre SAP heredado: el caso de negocio para migrar a S/4HANA ya no es solo «seguir teniendo soporte», cada vez más es «estar en una plataforma donde los agentes de IA de verdad funcionan».
Esa fusión tiene una consecuencia directa sobre el orden de trabajo. Si tu organización todavía está planificando, o está a mitad de, una migración a S/4HANA, el trabajo de clean core y preparación para IA que describe este artículo no debería programarse como una fase 2 que se revisa después de salir en vivo. Tiene que estar dentro del propio programa de migración: en el diseño técnico, en el flujo de migración y depuración de datos, y en el modelo de gobierno de extensibilidad. Incorporar clean core a posteriori, en un entorno que ya salió en vivo con personalizaciones recién creadas, es un ejercicio bastante más difícil y más caro que construirlo desde el principio. En un próximo artículo de esta serie entraremos en detalle en la secuenciación de la migración; por ahora, el principio a seguir es simple: trata la preparación para IA como un requisito de la migración, no como un extra que se añade después.
La conclusión
La brecha entre adopción e impacto de la IA en Finanzas SAP no es, en el fondo, un problema de calidad del modelo: los agentes que SAP entrega hoy son realmente capaces dentro de alcances bien definidos. Es un problema de arquitectura y de gobierno, y se resuelve con la misma disciplina que siempre ha separado a los programas S/4HANA que funcionan de los que se estancan: datos limpios, core limpio, responsabilidades claras y un plan de secuenciación realista.
Las organizaciones que tratan clean core y preparación para IA como un único proyecto, que financian según evidencia y no según visibilidad, y que construyen el gobierno para agentes autónomos antes de ponerlos en producción, son las que van a aparecer el año que viene en el nivel de alto impacto de la encuesta de Gartner. El resto seguirá ejecutando pilotos, financiándolos ciclo presupuestario tras ciclo presupuestario, preguntándose por qué las ganancias de productividad nunca terminan de verse reflejadas en la cuenta de resultados.
Las organizaciones que resuelvan esto en los próximos 18 meses no lo van a conseguir por tener acceso a mejores modelos de IA: prácticamente todo el mundo parte de la misma tecnología. Lo van a conseguir porque trataron las partes menos vistosas del problema (el gobierno de datos, el clean core, la disciplina de secuenciación, el desarrollo de talento) como el proyecto de verdad, con la IA como resultado final y no como punto de partida.
¿Quieres saber en qué punto está tu propio entorno S/4HANA frente a este marco? Ofrecemos una conversación gratuita de 30 minutos sobre preparación para IA y Clean Core, sin discurso comercial, solo una lectura honesta de dónde estás y cuál debería ser tu siguiente paso. Más información en theintelligenthub.com.
Fuentes
- Gartner, «Gartner Survey Shows Finance AI Adoption Remains Steady in 2025», 18 nov. 2025 — https://www.gartner.com/en/newsroom/press-releases/2025-11-18-gartner-survey-shows-finance-ai-adoption-remains-steady-in-2025
- Gartner, «Gartner Survey Reveals Acquiring and Developing AI and Digital Talent is CFOs’ Top Near-Term Challenge», 23 mar. 2026 — https://www.gartner.com/en/newsroom/press-releases/2026-03-23-gartner-survey-reveals-acquiring-and-developing-ai-and-digital-talent-is-cfos-top-near-term-challenge
- Prolifics, «SAP Joule Agentic AI 2026: Moving Beyond Simple Chatbots to Autonomous ERP» — https://prolifics.com/usa/resource-center/blog/sap-joule-agentic-ai
- ERP Today, «SAP Sapphire 2026: SAP Business AI Platform Consolidates SAP BTP Stack to Solve Enterprise AI Fragmentation» — https://erp.today/sap-business-ai-platform-consolidates-sap-btp-stack-to-solve-enterprise-ai-fragmentation/
- Kagool, «SAP S/4HANA Finance Transformation: A Strategic Guide for Enterprise Leaders in 2026» — https://kagool.com/sap-s-4hana-finance-transformation-a-strategic-guide-for-enterprise-leaders-in-2026/
Nota: dos entradas del blog de SAP Community citadas en un borrador anterior (sobre agentes de finanzas agénticos y Joule para desarrolladores ABAP) no se pudieron verificar de forma automática porque la plataforma bloquea el acceso de bots. Cualquier afirmación que dependía solo de ellas se eliminó o se sustituyó por contenido de las fuentes verificadas de arriba.
Relacionado
¿Estás evaluando tu propio programa de transformación SAP? Explorar Asesoría →
¿Tienes una brecha de habilidades concreta en tu programa S/4HANA? Explorar Sourcing de Talento →
¿Quieres ver el panorama completo? Explorar la serie completa →