Una IA de confianza a gran escala: lecciones de Emburse Assurance

November 11, 2026

•

12 min read

Esta semana he tenido la oportunidad de participar en AI Congress Barcelona, donde me invitaron a compartir la experiencia de Emburse en una sesión centrada en la gobernanza, la regulación y la soberanía tecnológica en los sistemas de inteligencia artificial a gran escala.

En los últimos años, hemos visto cómo la IA ha pasado de ser una tecnología experimental o una simple herramienta para agilizar tareas a convertirse en un componente esencial de muchos productos y procesos empresariales.

En mi charla, utilicé Emburse Assurance, nuestra solución de IA para la detección del fraude y el cumplimiento de las políticas de gastos, como ejemplo práctico de un reto que conocemos bien: pasar de una demostración convincente a un sistema capaz de funcionar a diario con millones de documentos y decisiones financieras reales.

Si tuviera que resumir la charla en una sola idea, sería esta:

Ampliar la escala de la IA no consiste simplemente en procesar más información. Se trata de crear sistemas que sigan siendo fiables, eficientes y gestionables a medida que todo crece.

El reto: millones de gastos, miles de políticas y demasiadas excepciones

La gestión de gastos de empresa puede parecer sencilla: un empleado presenta un gasto, adjunta un justificante y un responsable lo aprueba. Sin embargo, detrás de este proceso hay una complejidad considerable.

Cada empresa tiene sus propias políticas, límites, restricciones y excepciones, que pueden variar según el país, el departamento o las circunstancias de cada gasto. A esto se suman millones de documentos en distintos idiomas, monedas y formatos, además de información repartida entre múltiples sistemas.

Tradicionalmente, las organizaciones han recurrido a reglas deterministas, revisiones manuales y auditorías por muestreo. Este modelo es difícil de ampliar y, sobre todo, reactivo: muchas incidencias solo se detectan cuando el gasto ya se ha aprobado o reembolsado.

La IA permite cambiar ese paradigma: analizar automáticamente cada transacción, interpretar su contexto e identificar posibles incumplimientos antes de que se conviertan en un problema.

Emburse Assurance: inteligencia integrada allí donde se toman las decisiones

En Emburse, creemos que el verdadero valor de la IA se hace patente cuando se integra directamente en los procesos empresariales, en lugar de añadirse como una función aislada.

Esa es la filosofía de Emburse Expense Intelligence, que incorpora funciones inteligentes en todo el ciclo de gestión de viajes y gastos: desde la captura de documentos y las reservas hasta la aprobación, la auditoría, los pagos y el análisis de datos.

Emburse Assurance es una de las funcionalidades de este ecosistema, diseñada para detectar de forma proactiva errores, anomalías, incumplimientos de las políticas y posibles fraudes.

Más que leer un recibo

Imagina un tique de restaurante que incluye una bebida alcohólica. Un sistema de OCR tradicional puede extraer correctamente el texto del documento, pero eso no basta.

Para determinar si puede haberse incumplido la política de la empresa, el sistema debe reconocer qué producto aparece en el recibo, identificarlo como una bebida alcohólica, conocer la política específica de la empresa y evaluar el contexto del gasto.

También puede ser necesario comprobar si el comercio es legítimo, si hay indicios de manipulación del justificante o si la transacción presenta características inusuales.

Para ello es necesario combinar distintas tecnologías: visión artificial, modelos de clasificación, reglas deterministas y análisis contextual.

Una de las lecciones más importantes que hemos aprendido es que no todo requiere un LLM. La mejor arquitectura utiliza la tecnología adecuada para cada problema.

Assurance combina comprobaciones inmediatas antes de que se presente un gasto con análisis más exhaustivos que se ejecutan de forma asíncrona, logrando un equilibrio entre precisión, rendimiento y experiencia de usuario.

El verdadero reto: implementar la IA a gran escala

Nuestra plataforma de procesamiento de documentos gestiona más de un millón de documentos al día. Y un documento no implica necesariamente una única decisión: una sola transacción puede activar múltiples comprobaciones, modelos y reglas de negocio.

A medida que a ese volumen se suman nuevos clientes, productos, mercados y funcionalidades, la complejidad aumenta rápidamente.

Durante muchos años, he insistido en una idea: escalar no consiste simplemente en añadir más servidores. Un sistema que funciona con diez documentos por hora no está necesariamente preparado para procesar un millón.

Con la IA, los principios clásicos de escalabilidad siguen siendo esenciales, pero surgen nuevos retos en materia de fiabilidad, costes, evolución tecnológica y regulación.

1. Diseño de arquitecturas de IA adaptables al cambio

Los modelos, proveedores y tecnologías de IA evolucionan constantemente. Por eso debemos evitar arquitecturas que dependan demasiado de una solución concreta.

Assurance utiliza una arquitectura modular basada en unidades de validación independientes que denominamos comprobaciones. Cada una puede incorporar distintas tecnologías y evolucionar sin necesidad de reconstruir todo el sistema.

El modelo cambiará. El proveedor cambiará. El volumen cambiará. La arquitectura debe tener todo eso en cuenta desde el principio.

2. La fiabilidad de la IA no se mide solo por su disponibilidad

Una de las lecciones más importantes que hemos aprendido al trabajar con sistemas de IA es que su comportamiento puede deteriorarse sin que se produzca ningún fallo técnico evidente.

Un servicio puede seguir funcionando desde el punto de vista técnico y, al mismo tiempo, tomar decisiones cada vez más equivocadas.

En nuestra experiencia con plataformas de procesamiento de documentos, hemos tenido que adaptarnos a cambios en la calidad de los modelos y servicios externos. Esto nos ha llevado a evaluar alternativas y ha reafirmado la importancia de la observabilidad.

No basta con medir la latencia, la disponibilidad o los errores técnicos.

También debemos supervisar la calidad de los resultados, los falsos positivos, los falsos negativos y los posibles cambios en el comportamiento del modelo.

«Un código HTTP 200 (respuesta correcta) no significa que la IA haya tomado una buena decisión».

3. La rentabilidad de la IA también debe crecer a escala

El coste es un aspecto que a menudo se pasa por alto en las demostraciones técnicas.

A pequeña escala, unos céntimos por operación pueden parecer insignificantes. Cuando procesamos millones de documentos, esos céntimos pueden tener un impacto económico considerable.

Por eso analizamos el coste unitario por documento o decisión, buscando el equilibrio adecuado entre precisión, latencia y coste.

Usar siempre el modelo más potente no es necesariamente la mejor opción. A veces, una regla determinista o un modelo especializado resuelve el problema de forma más rápida, económica y predecible.

La solución más sofisticada desde el punto de vista técnico no siempre es la mejor para la empresa.

4. La normativa también condiciona la arquitectura

Expandirse a escala global no consiste simplemente en implantar el mismo sistema en más países.

La privacidad, la residencia de los datos y los requisitos normativos pueden imponer importantes restricciones arquitectónicas.

En Emburse, hemos tenido que tener en cuenta las distintas regiones de procesamiento de datos en Europa y América, adaptando nuestra arquitectura a las necesidades de protección y tratamiento de la información financiera sensible.

La soberanía tecnológica no implica necesariamente desarrollar todas las tecnologías con recursos propios. Significa mantener el control sobre los datos, las decisiones y las dependencias tecnológicas.

Gobernar las decisiones, no solo los modelos

Cuando un sistema utiliza inteligencia artificial para tomar decisiones financieras, la gobernanza deja de ser una cuestión secundaria.

No basta con que el sistema funcione.

Necesitamos poder confiar en sus decisiones.

En el Congreso de IA, planteé cinco preguntas que considero fundamentales para cualquier sistema de IA en producción.

  1. ¿Puedo medirlo? ¿Podemos medir la calidad de las decisiones y detectar cuándo empieza a deteriorarse?
  2. ¿Puedo seguir su rastro? ¿Podemos reconstruir qué modelo, versión, información y pruebas intervinieron en una decisión?
  3. ¿Puedo confiar en ello? ¿Podemos garantizar los controles necesarios de privacidad, seguridad, explicabilidad y supervisión humana?
  4. ¿Me lo puedo permitir? ¿Podemos mantener el sistema económicamente a medida que se multiplica el volumen?
  5. ¿Puedo cambiarlo? ¿Podemos sustituir modelos, añadir proveedores o desplegar nuevas versiones sin comprometer la estabilidad?

Estas cuestiones deben orientar las decisiones de arquitectura desde el principio, no plantearse solo cuando el sistema ya está en producción.

Un ejemplo: detectar el fraude sin comprometer la privacidad

Uno de los retos que estamos abordando en Assurance es la detección de recibos duplicados entre distintas empresas. Identificar que dos empleados de organizaciones diferentes han presentado el mismo recibo podría mejorar considerablemente la detección de posibles fraudes.

Sin embargo, esto plantea un reto importante: ¿cómo podemos aprovechar la inteligencia global sin comprometer la privacidad ni el aislamiento de los datos de cada cliente?

Es un buen ejemplo de por qué la innovación y la gobernanza deben avanzar de la mano. Cuantos más datos conectemos, más conocimiento podremos generar, pero también mayor será nuestra responsabilidad sobre cómo los utilizamos.

La próxima revolución no consiste simplemente en usar más IA

En Emburse, estamos aplicando la inteligencia artificial a procesos financieros reales, integrándola en nuestros productos y ampliando progresivamente su alcance.

Pero nuestra experiencia demuestra que la innovación no termina cuando conseguimos que un modelo funcione. Tenemos que diseñar sistemas que puedan crecer, evolucionar y funcionar de forma fiable y responsable.

La IA nos permite ampliar el alcance de lo que hacemos. La ingeniería y la gobernanza nos permiten ampliar el alcance de la propia IA.

El verdadero reto no es conseguir que la inteligencia artificial funcione, sino garantizar que podamos confiar en ella cuando lo haga a gran escala.