Hablar de inteligencia artificial en contabilidad ya no es hablar del futuro. La pregunta que muchos profesionales se están haciendo hoy no es si la IA puede hacer el trabajo, sino qué tan bien lo hace y bajo qué condiciones. El cierre contable es una de las tareas más exigentes del mes, y someterla a una prueba real con IA reveló algo más valioso que el resultado: reveló los errores que nadie documenta.
¿Qué demostró el experimento?
Se construyó un caso completo de cierre contable, con datos reales de asientos, catálogo de cuentas y todas las variables que normalmente entran en ese proceso. La herramienta utilizada fue ChatGPT, con un prompt estructurado de más de 1,400 líneas. El tiempo de ejecución: 15 minutos.
Ese solo dato merece contexto. Un cierre que a un contador le puede tomar entre dos y cuatro horas dependiendo del volumen, la IA lo completó en un cuarto de hora. Pero más revelador que la velocidad fue lo que hizo dentro de ese tiempo:
- Revisó la totalidad de las partidas y detectó inconsistencias antes de procesar.
- Calculó depreciaciones y aplicó la tasa del impuesto sobre la renta conforme a la legislación vigente.
- Generó la balanza de comprobación ajustada, el estado de resultados con utilidad neta, el balance general y la partida de cierre.
- Entregó todo organizado en un archivo Excel, con cada reporte en su propia hoja.
- Realizó una búsqueda en línea para verificar lineamientos técnicos aplicables antes de ejecutar el proceso.
Ese último punto es significativo. La IA no solo procesó los datos que recibió: fue a confirmar información de referencia para hacer el trabajo correctamente. Ese comportamiento no es automático; es el resultado directo de cómo se estructuró la instrucción.
Si quieres ver cómo se construyó este experimento desde el inicio, el siguiente fragmento del webinar muestra el diseño del prompt y la lógica detrás de cada instrucción.
Lo que la IA necesita para ejecutar bien esta tarea
Ninguna herramienta de inteligencia artificial llega lista para hacer un cierre contable. Lo que determina la calidad del resultado no es la herramienta en sí, sino la instrucción que se le entrega. A esto se le conoce como ingeniería de prompts, y en tareas de esta complejidad, marcar la diferencia entre un resultado aprovechable y uno que hay que descartar.
Si quieres profundizar en los fundamentos del prompting contable, este artículo sobre ingeniería de prompts para contadores cubre la base conceptual que aplica directamente a casos como este.
Para un cierre contable, el prompt debe resolver al menos cinco aspectos:
El rol. La IA es generalista por naturaleza. Sin una definición explícita del rol (actuar como contador, con criterio contable) puede abordar la tarea desde un ángulo incorrecto. Definir el rol es alinear el comportamiento del modelo con el tipo de resultado que se necesita.
El objetivo. Una instrucción vaga produce resultados vagos. El objetivo tiene que ser específico: qué tarea se va a ejecutar, sobre qué datos y con qué alcance.
Las instrucciones generales. Equivalen a las indicaciones que se le darían a un auxiliar contable: qué criterios aplicar, qué estándares respetar, qué reportes generar.
Los datos de entrada. El catálogo de cuentas y los asientos contables del período, entregados como texto limpio dentro del prompt. No como archivo adjunto de Excel, por razones que explicamos más adelante.
Las tareas en secuencia. El orden en que la IA ejecuta las operaciones importa. Si no se define explícitamente (primero validar, luego ajustar, luego calcular el impuesto, luego generar los estados financieros, finalmente verificar) el modelo puede procesar en el orden equivocado y producir errores que son difíciles de rastrear.
El valor de tener los datos ordenados desde el origen
Aquí es donde contar con un software contable marca una diferencia concreta. Una de las fricciones más comunes al preparar los datos para este tipo de proceso es exactamente esa: preparar los datos.
Quien lleva su contabilidad en ContaPortable puede exportar sus asientos directamente a Excel, con la estructura ya organizada. No es necesario reconstruir ni reformatear nada. Eso reduce el tiempo de preparación y, lo que es más importante, reduce la probabilidad de errores en la limpieza manual antes de cargar la información al prompt.
Dicho de otra forma: el software no solo hace el cierre por sí mismo (que puede hacerlo) sino que también facilita que el contador experimente y valide el proceso con IA usando sus propios datos reales, sin fricción adicional.
En este fragmento puedes ver en tiempo real cómo reaccionó la herramienta cuando los datos de entrada tenían inconsistencias, y cuál fue la instrucción que cambió el resultado.
Las lecciones que solo se aprenden cometiendo los errores
Esta es la parte que más valor tiene para quien quiera replicar el proceso. Lo que sigue no es teoría: es el resultado de validar, corregir y volver a probar hasta que el resultado fue confiable.
El formato de salida no es un detalle menor
Si no se especifica que el resultado debe entregarse en Excel, con cada reporte en una hoja independiente, la IA devuelve texto. Texto que no se puede auditar, no se puede comparar con registros anteriores y no se puede entregar a nadie. Definir el formato de salida con precisión (qué reportes, en qué estructura, con qué nivel de detalle) es parte del prompt, no una consecuencia de él.
La IA procesa lo que le das, incluyendo los errores
Al principio, la instrucción era directa: hacer el cierre. El problema es que los datos de entrada tenían inconsistencias simuladas para probar si la herramienta las detectaba. No las detectó. Cuando se añadió la instrucción explícita de revisar y señalar errores antes de procesar, el modelo empezó a identificar partidas descuadradas y a reportarlas antes de avanzar. La lección: la IA no asume que los datos están bien. Hay que pedirle que los verifique.
Sin criterios de calidad, el modelo no se auto-revisa
Una instrucción que marcó una diferencia significativa fue pedirle explícitamente que validara los resultados usando la balanza de comprobación como instrumento de verificación. Con esa indicación, el modelo ejecutó el proceso y luego lanzó un segundo ciclo de revisión para confirmar que todo cuadraba. Sin ella, entregaba el resultado sin cuestionarlo. Definir criterios de calidad dentro del prompt no es redundante: es necesario.
Los datos de Excel no se cargan tal como están
Los archivos de trabajo contable rara vez están limpios en el sentido técnico: tienen celdas de totales, títulos, subtotales, notas, gráficos. Todo eso genera ruido cuando se carga al prompt. La práctica que funcionó fue hacer una limpieza previa (eliminar todo lo que no sean los datos concretos) y pegar el contenido directamente en el prompt como texto plano. Intentar cargar el archivo de Excel completo produjo errores de procesamiento y resultados incompletos.
Los límites de procesamiento son reales
Esta metodología funciona bien para contabilidades de tamaño pequeño y mediano. Para operaciones con volúmenes de transacciones muy altos, la recomendación práctica es dividir el trabajo en bloques más manejables y compilar los resultados al final. No es una limitación definitiva, pero sí es una variable que hay que considerar antes de intentar procesar una contabilidad de gran escala en una sola ejecución.
El criterio profesional no se delega
Hay algo que ningún prompt puede reemplazar: saber si el resultado está bien. Quien nunca ha hecho un cierre contable no tiene cómo verificar si lo que entregó la IA es correcto. El conocimiento del proceso no se vuelve irrelevante con la automatización; al contrario, se vuelve más crítico, porque ahora es el filtro que decide si el resultado es aprovechable o no. Mira el siguiente clip que muestra el resultado final del proceso: el archivo Excel entregado por la IA con cada reporte en su hoja, listo para auditar.
Lo que esta cambiando es dónde se invierte el tiempo. En lugar de ejecutar cada operación manualmente, el contador dirige la herramienta, revisa lo que produce y corrige lo que sea necesario. La IA hace el trabajo pesado; el criterio profesional hace la auditoría.
Y ese es, probablemente, el cambio más importante que este tipo de experimentos documenta: no que la IA haga el cierre, sino que ya es posible trabajar de esa manera. Si quieres ver cómo se ve esto aplicado a otros procesos contables, el experimento de conciliación bancaria con cuatro herramientas de IA y el análisis sobre automatización contable con Excel e IA muestran el mismo enfoque en contextos diferentes.
