Sosys crea un agente financiero privado con inteligencia artificial y datos de múltiples fuentes

Sosys ( ) pionero en el desarrollo de ecosistemas empresariales inteligentes. Operando bajo un modelo empresarial B2B, la compañía presta servicios a una cartera de clientes medianos y grandes distribuidos en múltiples sectores verticales que requieren un procesamiento analítico de alta precisión.

La actividad de Sosys se basa en ofrecer gobernanza, cumplimiento normativo y visibilidad transaccional. Ante un complejo escenario macroeconómico, impulsado por la inminente reforma fiscal y la necesidad de consolidar datos fiscales y operativos, Sosys se enfrentó al reto de ampliar su propuesta de valor. El objetivo principal era pasar de informes analíticos estáticos a una arquitectura de toma de decisiones predictiva y descentralizada, eliminando la dependencia de flujos de trabajo manuales y consultas lentas a las bases de datos relacionales de sus clientes.

Problema real

En el modelo operativo tradicional de los clientes de Sosys, la toma de decisiones críticas se veía afectada por la latencia de datos generada por los silos de información. Las variables fundamentales para calcular la tasa de ejecución, la proyección del flujo de caja y las necesidades de capital de trabajo estaban fragmentadas en múltiples entornos: bases de datos relacionales en sistemas ERP, registros de interacción en CRM y hojas de cálculo descentralizadas.

Cuellos de botella operativos y limitaciones técnicas

• Excesiva latencia analítica: la consolidación de informes de gestión estructurados dependía de procesos manuales de extracción y cotejo de datos. Las respuestas a preguntas estratégicas, como simulaciones de incumplimiento de contrato o el impacto del impago en el flujo de caja, requerían días de procesamiento interno y reuniones técnicas consecutivas.
• Fragmentación e inconsistencia del esquema: la ausencia de una capa unificada de limpieza de datos provocó discrepancias métricas entre los ingresos registrados en el CRM y la conciliación contable en el ERP.
• Riesgos de incumplimiento normativo y fraude: el manejo directo de datos financieros sensibles por parte de operadores humanos aumentó la superficie de ataque para el fraude y el incumplimiento tributario, violando los principios de gobierno corporativo y seguridad de la información.
• Impacto financiero directo: la incapacidad de proyectar escenarios dinámicos basados ​​en los plazos de pago y cobro (DSO y DPO) dio lugar a asignaciones de capital ineficientes, generando costes de oportunidad y un desajuste entre el flujo de caja proyectado y el real.

Arquitectura de la solución

Para superar estas limitaciones, Sosys utilizó Skyone Studio, una plataforma inteligente de integración e IA que unifica herramientas iPaaS, Lakehouse, agentes de IA e interfaces conversacionales con BI. La arquitectura implementada para crear Nanda, la directora financiera virtual de Sosys, se estructuró en cinco capas principales dentro del flujo de procesamiento de Skyone Studio:

Componentes y pila tecnológica

1. Procesamiento de datos mediante iPaaS (Plataforma de Integración como Servicio): conexión asíncrona a través de flujos de datos que integran las API de sistemas ERP, CRM y sistemas de mercado heredados. Los flujos automatizados realizan la ingesta de datos en tiempo real, estandarizando esquemas heterogéneos.
2. Gestión de datos y capas de Lakehouse: uso del repositorio gestionado por Skyone Studio para organizar el proceso analítico. Los datos brutos (Datos brutos) se someten a procesos automatizados de transformación y limpieza (Data Cleaner 2.0) para almacenarse en vistas optimizadas (Datos preparados) y segmentarse en almacenes de datos por cliente.
3. Orquestación de flujos de trabajo agencial: Implementación de un módulo autónomo basado en modelos de lenguaje grandes (LLM) privados. El agente de orquestación es capaz de comprender objetivos textuales complejos, planificar secuencias de acciones, seleccionar herramientas (habilidades ) y realizar escaneos mediante indicaciones estructuradas en la base de datos analítica.
4. Capa de seguridad, gobernanza y antifraude: toda la transmisión y gestión de datos se realiza dentro de un ecosistema protegido. Estrictas reglas de validación bloquean las solicitudes no autorizadas y auditan las inconsistencias transaccionales antes de enviar los datos a la interfaz final.
5. Distribución omnicanal y multicanal: integración nativa de Skyone Studio con la mensajería corporativa, lo que permite disponer de funciones de agentes inteligentes a través de WhatsApp Business, Microsoft Teams y entornos de chat privado estructurados.

Desafíos técnicos

La ingeniería detrás del agente Nanda requirió mitigar las compensaciones entre la arquitectura de datos y la IA generativa:

• Sanitización de datos basada en tokenización: Los modelos de lenguaje operan bajo estrictas restricciones de contexto (donde 1 token = 4 caracteres o 0,75 palabras). Alimentar un modelo de lenguaje con tablas financieras sin procesar excedería el rango de contexto y aumentaría los costos operativos. Skyone Studio solucionó este problema aplicando resumen estructurado y traducción nativa de lenguaje natural a consultas SQL (texto a SQL) directamente en los Data Marts , optimizando así el consumo de tokens.
• Garantía de determinismo analítico: los modelos generativos puros son propensos a errores, un riesgo inaceptable para los balances contables. La arquitectura implementa técnicas RAG (Generación Aumentada por Recuperación) junto con validaciones cruzadas. La inteligencia artificial solo responde en función de datos rigurosamente estructurados y validados, contenidos en el Data Lake interno de la solución.
• Segregación de contextos de datos sensibles: Para evitar la fuga de datosentrelas diferentes corporaciones a las que presta servicio Sosys, Studio aisló lógicamente las bases de conocimiento en particiones cifradas individuales, manteniendo claves de acceso únicas vinculadas a la ID de cada organización usuaria.

Implementación

El despliegue del proyecto se llevó a cabo en cuatro fases macroestructuradas dentro del ecosistema unificado de Skyone:

Fase 1: Mapeo de operadores del sistema e ingesta (iPaaS)

Mapeo de todas las fuentes transaccionales de clientes (cuentas por pagar, cuentas por cobrar, tablas de facturación y registros de CRM). Configuración de conectores predefinidos y buses API a través de las canalizaciones iPaaS de Skyone Studio, lo que garantiza la ingesta automatizada y continua de información.

Fase 2: Estructuración y saneamiento de la casa del lago

Centralización de los datos ingeridos en la capa de Data Lake. Implementación de flujos de transformación de datos lógicos para eliminar duplicados, manejar campos nulos y convertir cadenas en formatos numéricos estandarizados para auditorías financieras.

Fase 3: Ingeniería rápida y flujo de trabajo automatizada

Desarrollo del flujo de toma de decisiones del agente inteligente en Studio. Configuración de habilidades específicas,tales como: disparadores de simulación de flujo de efectivo, rutinas de verificación de cumplimiento tributario y generadores de consultas optimizados para la base de datos. Integración con LLM seleccionados y calibración de hiperparámetros de temperatura para eliminar desviaciones conceptuales.

Fase 4: Validación de seguridad y publicación omnicanal

Aprobación de la capa integrada antifraude. Activación de pasarelas de publicación multicanal para conectar Nanda directamente con los entornos de producción de WhatsApp y Microsoft Teams de los clientes aprobados, lo que permite interacciones corporativas en tiempo real a través de audio y texto.

Resultados medibles

La transición de las operaciones analíticas al ecosistema generativo asistido por IA en Skyone Studio ha dado como resultado mejoras estructurales cuantificables:

• Tiempo de respuesta analítica reducido: las consultas complejas para la planificación de escenarios financieros y la generación de informes de gestión estructurados han pasado de días a segundos, operando en tiempo real (24/7).
• Eficiencia operativa: una reducción drástica del retrabajo y de la necesidad de reuniones de alineación técnica para la extracción manual de bases de datos corporativas.
• Mitigación activa de riesgos de fraude: implementación de alertas automatizadas en tiempo real. Si el agente detecta un pago programado sin el documento entrante correspondiente en el sistema ERP, el flujo genera una alerta de cumplimiento que bloquea posibles cuellos de botella o fraudes operativos.
• Mayor disponibilidad de información: agiliza las decisiones tácticas en las reuniones del comité ejecutivo y elimina las demoras debidas a la ausencia inmediata de indicadores macroeconómicos validados.

Lecciones aprendidas

1. La inteligencia depende de una estructuración previa: los modelos avanzados de IA generativa pierden utilidad operativa si se aplican a bases de datos desorganizadas o corruptas. El éxito de Nanda radicó en la capacidad de Skyone Studio para procesar, limpiar y organizar los datos en la capa Lakehouse antes de su exposición a LLM.
2. Enfoque centrado en la capa de aplicación: El desarrollo ágil de soluciones empresariales innovadoras no requiere que las empresas construyan modelos de IA fundamentales desde cero. El verdadero valor empresarial se obtiene al orquestar la infraestructura LLM existente con datos privados y específicos del negocio.
3. La seguridad como requisito previo para la escalabilidad de la IA: En el segmento empresarial B2B, el procesamiento inteligente de datos confidenciales solo es viable bajo marcos de gobernanza estrictos y entornos aislados que garanticen el cumplimiento normativo continuo.

Preguntas frecuentes

¿Qué es un agente financiero privado con inteligencia artificial?

Se trata de una arquitectura inteligente basada en modelos de lenguaje (LLM) que opera en un entorno corporativo cerrado. A diferencia de la inteligencia artificial pública, el agente privado consume datos internos exclusivos de la empresa (como ERP y CRM), lo que garantiza la total confidencialidad, una gobernanza de confianza cero y respuestas analíticas de alta precisión sin compartir información externa.

¿Cómo garantiza Skyone Studio la seguridad de los datos financieros confidenciales?

Skyone Studio funciona unificando capas de seguridad, cumplimiento normativo y barreras antifraude en el flujo de datos. Los datos de la empresa se aíslan lógicamente en estructuras Lakehouse dedicadas, lo que evita el acceso cruzado o la fuga de datos,al tiempo que mantiene una trazabilidad transaccional completa en cumplimiento con estrictos estándares de gobierno corporativo.

¿Cómo funciona el proceso de integración de datos de múltiples fuentes en Skyone Studio?

La plataforma opera a través de una solución iPaaS integrada que centraliza y orquesta los flujos de información de más de 400 sistemas de mercado (como ERP, CRM y bases de datos externas). Estos flujos extraen, limpian y estandarizan datos estructurados y no estructurados, cargándolos automáticamente en un Lakehouse unificado para su consumo inmediato por agentes de IA.

¿Podría el uso de la IA generativa en las finanzas corporativas provocar errores en los informes?

Para evitar errores analíticos o interpretaciones erróneas, la arquitectura de datos aplicada en Skyone Studio adopta técnicas avanzadas de RAG (Recuperación-Generación Aumentada). Esto significa que el agente de inteligencia artificial está técnicamente limitado a responder preguntas utilizando exclusivamente datos reales, limpios y validados contenidos en el Data Lake privado de la organización, lo que garantiza el determinismo matemático en las respuestas.