Cada pocos meses aparece un titular que anuncia que la contabilidad es la siguiente en automatizarse, y cada pocos meses un equipo financiero descubre en silencio que las partes del trabajo que una máquina podía llevarse nunca fueron las que más pesaban. La contabilidad de costes es un buen caso de estudio, porque se parte limpiamente en dos. Una mitad es mecánica: extraer los datos, conciliarlos, ejecutar este mes el mismo reparto que se ejecutó el mes pasado. La otra mitad es criterio sobre qué significa la cifra resultante y sobre si alguien debería actuar en función de ella. Solo una de esas mitades está realmente amenazada.
¿La inteligencia artificial reemplazará al contable de costes?
No, pero sí reemplazará una parte grande de lo que los contables de costes hacen hoy durante la semana. Extraer, conciliar y recalcular ya se está automatizando, y ahí está la mayor parte de la rutina. Lo que queda, y vale más a medida que la rutina desaparece, es decidir qué costes están de verdad provocados por qué, juzgar si una cifra es lo bastante sólida como para fijar un precio con ella, y defender ese criterio ante quienes van a actuar en consecuencia.
Lo que la inteligencia artificial está absorbiendo de verdad
La capa mecánica se está yendo, y hace bien. Extraer líneas de coste de un ERP, cruzarlas con un WMS o un CRM, detectar el apunte imputado al departamento equivocado, volver a ejecutar un reparto cuando se reestructura un centro de coste: todo eso es trabajo de patrones sobre datos estructurados, y es exactamente aquello en lo que las máquinas son buenas. La narración de desviaciones va por el mismo camino. Y también el primer borrador de la documentación, que nadie quería escribir a mano y que ahora lleva una tarde en lugar de quince días. Un contable de costes que pasa la mayor parte del mes montando y conciliando hace un trabajo que valdrá menos cada año.
La parte que nunca salió de casa
Un modelo de costes solo es correcto si sus cifras describen su operación, y las cifras que más importan no están en ningún conjunto de entrenamiento. Su capacidad práctica, los minutos que un equipo tiene realmente disponibles una vez descontadas vacaciones, formación y tiempo muerto, existe en sus cuadrantes y en ningún otro sitio. Sus volúmenes de inductores, las preparaciones o líneas de pedido o incidencias de soporte que su negocio produjo de verdad el trimestre pasado, existen en sus sistemas y en ningún otro sitio. Un modelo al que se le pida estimar cualquiera de ellos devolverá algo que suena específico y es una conjetura vestida de dato. No tiene forma de señalarlo, porque se construyó para sonar fluido y no para avisar de que no puede comprobarlo.
Por qué el criterio es la mitad escasa
Pida a un modelo que elija un inductor para los costes de sistemas y sugerirá casi siempre el número de personas, porque es lo que usaban los manuales que leyó. El número de personas es cómodo y casi nunca es causal: dos departamentos del mismo tamaño pueden consumir cantidades muy distintas de soporte informático según cuántos sistemas tocan. Elegir bien exige saber cómo se hace el trabajo en su empresa, y ese conocimiento vive en operaciones, no en la literatura. La consecuencia de elegir mal tampoco es académica. Es un precio fijado por debajo de lo debido en el producto que más soporte consume, o un cliente abandonado porque un reparto equivocado lo hizo parecer no rentable.
El papel que está naciendo en su lugar
Quien sustituye al productor de cifras es el dueño del modelo. Ese papel diseña la estructura, decide qué inductores son defendibles, fija las reglas de actualización y audita lo que produjo la automatización antes de que llegue a una decisión. Está más cerca de la ingeniería que de la teneduría, y supone un ascenso real en alcance: menos horas haciendo aparecer la cifra, muchas más valorando si la cifra merece crédito. Los equipos financieros que han automatizado bien acaban con menos gente montando y más gente sentada en las conversaciones donde de verdad se toman las decisiones de precio y de cartera.
La pregunta nunca fue si una máquina puede producir una cifra de coste. Es quién responde por ella cuando alguien fija un precio con esa cifra.
Qué aprender para quedar del lado correcto de esto
Tres cosas, en este orden. Primero, método: quien entiende por qué un inductor tiene que ser causal y cómo se construye una tasa de coste de la capacidad distingue un buen borrador automático de uno meramente plausible, y esa competencia no caduca. Segundo, auditoría: aprenda a seguir cada cifra de un modelo hasta un informe o sistema concreto, y a etiquetar como supuesto todo lo que no pueda seguir. Tercero, comunicación: una cifra que nadie en el negocio defiende no cambia ninguna decisión, por bien calculada que esté. Ninguna de las tres se ve amenazada por modelos mejores. Las tres valen más a medida que desaparece el trabajo mecánico.
Nuestros talleres de TDABC son prácticos: construye agrupaciones de coste, elige inductores y pone a prueba su causalidad sobre un modelo vivo, con el vocabulario de su empresa y no con un ejemplo de manual.
Lectura relacionada: inteligencia artificial y rentabilidad, usar un LLM para redactar un modelo de costes y cuánto cuesta servir una función de IA.