America Latina

Lo que un LLM suele equivocar sobre los costos indirectos

Los costos indirectos son el lugar donde los modelos de costo hechos con IA se ponen en evidencia. Los costos directos son fáciles, porque más o menos se anuncian solos. El costo indirecto es criterio, y el criterio es justo lo que un modelo armado a partir de patrones tiende a fingir de forma convincente. Este es un desarme informal de los errores que seguimos viendo, escrito desde la silla de la validación, para las direcciones financieras de América Latina que empiezan a apoyarse en modelos generados por IA.

En resumen

Las asignaciones de costos indirectos hechas por IA fallan de pocas maneras repetibles: inductor equivocado elegido por cercanía, capacidad ociosa que desaparece dentro del costo del producto, asignaciones que no cuadran con el libro mayor, y comentario seguro pero equivocado. Ninguna es exótica. Todas las detecta quien lee el modelo en lugar de admirarlo, empezando por lo aburrido: la conciliación.

El terreno resbaladizo

Por qué los costos indirectos delatan al modelo

Los costos directos se rastrean casi solos: aparecen en la orden, en la factura, en la lista de materiales. El costo indirecto, en cambio, es criterio. Requiere decidir qué consume qué, y por qué causa. Un modelo que solo reconoce patrones estadísticos no tiene ese criterio; tiene correlaciones. Y la correlación en un libro de costos es una guía pobre para la causalidad. Por eso los cuatro errores que siguen aparecen una y otra vez, todos con el mismo aire ordenado que los hace peligrosos.

Error uno

Inductores equivocados, elegidos por cercanía

El fallo más común. Un modelo hecho con IA necesita asignar, digamos, el costo de aseguramiento de calidad, y recurre al headcount o a los ingresos porque esas columnas estaban en los datos y son el default convencional. El aseguramiento de calidad no se consume en proporción a los ingresos. Lo consumen los productos que generan inspecciones, devoluciones y retrabajo, que suelen ser los de bajo ingreso y mucho problema.

El resultado se ve ordenado. Cada producto recibe una asignación de calidad, la columna suma correctamente, nada arroja un error. También apunta en la dirección equivocada, y favorecerá justo a los productos que en silencio son caros. Un humano que ha costeado un piso de fábrica lo huele de inmediato. Un buscador de patrones no. El modelo no tiene olfato para saber qué productos generan problemas, solo para saber qué columnas correlacionan, y la correlación en un libro de costos es una guía pobre para la causalidad. Los ingresos correlacionan con casi todo, y por eso son un inductor por defecto tan tentador y tan peligroso.

Error dos

La capacidad que desaparece en silencio

El costeo basado en tiempo vive y muere por la capacidad. Usted costea la capacidad práctica de un recurso, costea lo que se usa, y la diferencia es el costo de la capacidad no utilizada, que es un hallazgo, no un error de redondeo. Los modelos hechos con IA rutinariamente asignan el costo total de un recurso entre lo que se haya producido, lo que entierra en silencio la capacidad ociosa dentro del costo del producto.

El efecto es corrosivo. Los costos unitarios suben en períodos lentos solo porque el volumen cayó, lo que le dice a los gerentes que los productos se encarecieron cuando en realidad la fábrica se vació. Lo vemos constantemente. El modelo no se equivoca en la aritmética. Se equivoca sobre lo que significa la capacidad no utilizada, y esa distinción es la razón entera por la que existe el TDABC (Time-Driven Activity-Based Costing). La capacidad ociosa es una decisión de gestión disfrazada de número. Le dice si compró demasiado recurso o si la demanda cayó, y pertenece frente a las personas que pueden actuar sobre ella, no repartida de forma invisible en el costo de cada unidad que se fabricó ese mes.

Error tres

Asignaciones que se niegan a cuadrar

Un número sorprendente de modelos hechos con IA no cuadra con el libro mayor y nadie lo revisó. El costo total asignado debería igualar el costo total real, dentro de una tolerancia que usted pueda defender. Cuando no lo hace, hay fuga: costo contado dos veces, costo perdido, un pool asignado dos veces. El modelo sigue produciendo un costo por unidad prolijo. La prolijidad es la trampa.

La conciliación es la verificación más barata y de mayor rendimiento que existe, y es la que más se omite porque el resultado ya parece terminado. Si un modelo no puede conciliar con los datos reales, cada margen que reporta es decorativo.

Error cuatro

Comentario seguro que está seguramente equivocado

El modo de fallo más nuevo y, en cierto sentido, el más peligroso. Pida al modelo que explique sus resultados y escribirá una narrativa fluida y plausible sobre por qué el producto A es más rentable que el B. La prosa es buena. La prosa también está generada para sonar correcta, no para verificarse contra las entrañas del propio modelo, y explicará con gusto un resultado que la lógica de asignación en realidad no sostiene.

Un lector que confía en el comentario hereda errores con una capa de confianza pintada encima. Aprendimos a leer el comentario de costos generado por IA como se lee una carta de presentación. Agradable, y no evidencia. La señal suele ser la especificidad: el comentario afirma una causa con una confianza que los números subyacentes nunca ganaron, nombrando un inductor de rentabilidad que la lógica de asignación en realidad no aísla. El buen comentario apunta de vuelta a una cifra que usted puede abrir y verificar. El comentario generado apunta a una sensación.

Qué hacer

¿Entonces qué hace realmente?

Valide primero lo aburrido, porque en lo aburrido está el dinero. Concilie con el libro mayor. Abra los pools de costo más grandes e interrogue el inductor. Verifique que la capacidad no utilizada se muestre en lugar de repartirse. Entonces, y solo entonces, lea el comentario, contra los números, no en lugar de ellos. Esta secuencia es aproximadamente la columna del Trust Score, y la versión dimensión por dimensión vive en el Trust Score.

Para llevar: las asignaciones de costos indirectos hechas por IA fallan de un pequeño número de maneras repetibles. Inductor equivocado, capacidad faltante, sin conciliación, narración segura. Ninguna es exótica. Todas las puede atrapar quien lee el modelo en lugar de admirarlo.

Preguntas frecuentes

¿Por qué los modelos de IA eligen el inductor equivocado?: Porque toman la columna que está cerca y es el default convencional, como ingresos o headcount, en vez de la que causa el costo. El aseguramiento de calidad, por ejemplo, no se consume en proporción a los ingresos, sino por los productos que generan inspecciones, devoluciones y retrabajo. El modelo reconoce correlación, no causalidad, y en un libro de costos la correlación es una guía pobre.
¿Qué pasa con la capacidad no utilizada en un modelo hecho con IA?: Suele desaparecer. En lugar de mostrar la brecha entre capacidad práctica y capacidad usada como un hallazgo, el modelo reparte el costo total del recurso entre lo producido y entierra la capacidad ociosa dentro del costo del producto. Así los costos unitarios suben en períodos lentos solo porque el volumen cayó, ocultando una decisión de gestión que el TDABC debería poner sobre la mesa.
¿Por qué la conciliación es la primera verificación?: Porque es la más barata y de mayor rendimiento. El costo total asignado debe igualar el costo total real dentro de una tolerancia defendible. Si no cuadra, hay costo contado dos veces, perdido o un pool asignado dos veces, y cada margen que el modelo reporta se vuelve decorativo. Es la verificación que más se omite porque el resultado ya parece terminado.
¿Puedo confiar en el comentario que genera la IA sobre la rentabilidad?: Solo después de verificarlo contra los números. El comentario está generado para sonar correcto, no para comprobarse contra la lógica del modelo, y afirma causas con una confianza que las cifras nunca ganaron. Léalo como una carta de presentación: agradable, y no evidencia. El buen comentario apunta a una cifra que usted puede abrir y verificar; el generado apunta a una sensación.