Forecasting AI Efficiency During Engagement Delivery: A Simulation Study of Estimate-to-Complete Methods in Accounting Services
Este estudio emplea una simulación de Monte Carlo de compromisos contables para demostrar que los métodos dinámicos de estimación de trabajo por completar a nivel de actividad superan significativamente a la planificación estática en la previsión de la eficiencia impulsada por la IA, ofreciendo orientación específica por etapas para mitigar los riesgos de margen causados por las curvas de aprendizaje del personal y la volatilidad de la carga de trabajo.
Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo
Las firmas de contabilidad están navegando actualmente un cambio significativo a medida que integran la inteligencia artificial en su trabajo diario. Durante décadas, estas firmas han dependido de presupuestos detallados para predecir cuánto tiempo tomarán las tareas y cuánto costarán, fijando los honorarios basándose en esas predicciones. La llegada de la IA promete acelerar el trabajo rutinario, pero la realidad es desordenada. Las ganancias de velocidad no son uniformes; algunas tareas se reducen drásticamente mientras que otras apenas cambian, y los beneficios totales suelen aparecer solo después de que el personal ha pasado tiempo aprendiendo cómo utilizar las nuevas herramientas de manera efectiva. Esto crea un problema de planificación difícil: un presupuesto escrito al inicio de un proyecto podría ser excesivamente optimista o pesimista, y el error podría no hacerse evidente hasta que el trabajo esté casi terminado. Para gestionar esto, las firmas necesitan una forma de verificar su progreso mientras el trabajo aún está ocurciéndose, ajustando sus predicciones de costo final basándose en lo que realmente está sucediendo en lugar de en lo que se esperaba al principio.
Un estudio reciente de Ali Cetin aborda este desafío exacto mediante la simulación de miles de compromisos contables para ver qué método funciona mejor para actualizar estas predicciones de costos. La investigación se centra en un proceso específico llamado "estimación para completar" (estimate to complete), que es simplemente el acto de observar el trabajo realizado hasta ahora y el trabajo que queda, para luego calcular un nuevo y más preciso costo total del proyecto. El autor construyó un modelo computacional que imita el comportamiento de un compromiso contable típico de doce meses, con ocho tipos diferentes de tareas y tres niveles de personal. En este mundo virtual, la eficiencia de la IA pudo variar, los miembros del personal fueron programados para aprender y volverse más rápidos con el tiempo, y el volumen de trabajo pudo fluctuar. Al ejecutar esta simulación diez mil veces, el estudio pudo probar seis formas diferentes de realizar estas predicciones a mitad del proyecto para ver cuál mantenía los pronósticos financieros de la firma más cercanos a la realidad.
Las simulaciones revelaron que aferrarse al plan original es una estrategia deficiente. Cuando los investigadores confiaron únicamente en el presupuesto inicial sin actualizarlo, las predicciones de costo final estuvieron a menudo erradas por un margen significativo. Sin embargo, cuando el equipo actualizó sus pronósticos mensualmente basándose en el desempeño real, la precisión mejoró drásticamente. Para el sexto mes de un proyecto, los mejores métodos de actualización redujeron el error de predicción a la mitad en comparación con el simple hecho de confiar en el plan original. Este hallazgo subraya un punto crítico: debido a que los beneficios de la IA son inciertos y el personal necesita tiempo para aprender, un presupuesto establecido al inicio rara vez es suficiente. El monitoreo continuo no es solo útil; es necesario para evitar perder los objetivos financieros.
El estudio también descubrió que no existe un único "mejor" método para cada etapa de un proyecto. El enfoque más preciso depende fuertemente de si el personal se encuentra todavía en la fase de aprendizaje. En los primeros meses, cuando los empleados apenas se están acostumbrando a las nuevas herramientas y su velocidad aún está mejorando, el método más fiable fue un enfoque equilibrado que dividía la diferencia entre el plan original y el desempeño del mes más reciente. Esta mezcla evitó que el pronóstico reaccionara de forma exagerada al comienzo lento que suele ocurrir al aprender un nuevo sistema. A medida que el compromiso progresaba y el desempeño del personal se estabilizaba, el mejor método cambiaba. Una vez que la curva de aprendizaje se aplanaba, el método que observaba el promedio de desempeño de los últimos tres meses se convertía en el más preciso, suavizando las fluctuiones diarias aleatorias pero reflejando aún la realidad actual.
Otro hallazgo clave surgió cuando la naturaleza del trabajo mismo cambió. En la simulación, los investigadores introdujeron un escenario donde el volumen de dos tareas específicas aumentó repentinamente un treinta por ciento. Cuando la mezcla de trabajo cambió, un pronóstico que veía el proyecto como un único bloque grande de trabajo no logró capturar la nueva realidad. Fue solo cuando el pronóstico se desglosó por actividad individual —calculando el tiempo para cada tarea específica por separado— que la predicción se mantuvo precisa. Esto sugiere que, si bien una visión de alto nivel podría funcionar cuando todo es estable, las firmas deben observar los detalles de su trabajo si el alcance cambia, porque diferentes tareas se benefician de la IA a ritmos distintos.
La investigación también destacó una trampa común en la planificación: el optimismo. Las simulaciones mostraron que cuando las firmas establecían sus presupuestos basados en un desempeño ideal de la IA, frecuentemente no alcanzaban sus objetivos de beneficio. En el escenario base, casi el setenta y cuatro por ciento de los proyectos simulados terminaron con un margen de beneficio inferior al planificado. Esto sucedió porque los planes iniciales a menudo subestimaban el tiempo requerido para que el personal aprendiera las herramientas y el esfuerzo de revisión adicional que a veces se requiere para el trabajo generado por la IA. El estudio sugiere que las firmas deben esperar estos déficits y utilizar sus revisiones mensuales para detectarlos a tiempo, en lugar de asumir que el plan inicial se mantendrá fiel a la realidad.
En última instancia, el documento ofrece una guía práctica y por etapas para las firmas que navegan este nuevo panorama. Sugiere que durante los primeros tres meses de un compromiso, cuando el aprendizaje aún está ocurriendo, los equipos deben utilizar un pronóstico combinado que pondere equitativamente el plan original y el desempeño reciente. Una vez que el equipo se haya asentado, usualmente alrededor del cuarto mes, deben cambiar al seguimiento del promedio de desempeño de los últimos tres meses. Si el volumen o el tipo de trabajo cambia, el equipo debe cambiar a un pronóstico detallado, tarea por tarea, en lugar de una visión general. Estas reglas proporcionan una forma simple y robusta para que firmas de cualquier tamaño gestionen la incertidumbre de la inteligencia artificial, asegurando que su planificación financiera permanezca fundamentada en la realidad del trabajo tal como se está realizando de hecho.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.