ERP con inteligencia artificial: qué significa de verdad en 2026

En 2026, muchos productos ERP describen alguna parte de su flujo como asistida por IA. La expresión puede abarcar diseños y resultados operativos muy distintos.

En un diseño, la IA se añade como una capa de preguntas y respuestas sobre los datos existentes. Puede recuperar una cifra, como la facturación del mes anterior, o preparar un resumen.

En otro diseño, las herramientas de IA se conectan a flujos concretos y definen el contexto de negocio, los permisos y los puntos de revisión de cada operación.

La diferencia práctica está en dónde se sitúan el contexto, los permisos y la revisión humana dentro del flujo.

El problema con “añadir IA” a un ERP existente

Imagina que tienes un edificio construido en los años 90 y quieres añadirle paneles solares. Los paneles pueden funcionar, pero su integración depende de cómo se conecten el sistema eléctrico original y los componentes nuevos.

Una capa de IA añadida a un ERP puede limitarse a leer datos o generar resúmenes, o puede conectarse con mayor profundidad. La pregunta útil es a qué flujos accede, qué contexto recibe y dónde revisa una persona el resultado.

Un ERP AI-native construye la arquitectura de datos pensando desde el primer día en qué necesita la IA para ser útil: qué contexto necesita cada operación, cómo se modelan los datos para que la IA pueda razonar sobre ellos, cómo se conectan las herramientas de IA con los flujos reales del negocio.

Qué son los function tools y por qué importan

Frihet documenta 55+ function tools que su asistente puede usar sobre datos autorizados del workspace. Cada herramienta tiene una finalidad acotada y sigue los permisos del flujo subyacente.

Un function tool es una capacidad concreta: recuperar facturas registradas, extraer campos de un documento, sugerir una categoría de gasto, calcular una estimación fiscal, detectar posibles duplicados o preparar una previsión de tesorería a partir de los datos disponibles.

A diferencia de una respuesta genérica, el resultado de una herramienta puede usar el contexto actual del workspace. Según la herramienta, devuelve datos o prepara un borrador o una acción revisable.

En la práctica, esto se manifiesta en funcionalidades como:

get_invoices, get_expenses, get_clients — Un agente conectado por MCP o por la API puede leer el estado real de tus facturas, gastos y clientes con los permisos del workspace. Desde el chat de la aplicación, en cambio, el copiloto no consulta esos datos.

create_invoice, update_expense — Estas herramientas pueden preparar una acción de creación o actualización a partir de una instrucción en lenguaje natural, sujeta a permisos y revisión antes de confirmarla.

calculate_tax_summary, get_vat_report — Estimaciones fiscales e informes basados en los datos disponibles del workspace.

detect_anomalies, predict_cashflow — Posibles anomalías y previsiones generales basadas en datos registrados; el resultado es una estimación que se debe revisar.

Con function tools, el asistente puede recuperar registros pertinentes y preparar un resultado dentro de los permisos del usuario. El usuario comprueba los datos de entrada, la acción propuesta y cualquier estimación antes de utilizarla.

OCR: la diferencia entre digitalizar y entender

El OCR (reconocimiento óptico de caracteres) existe desde los años 90. Lo que ha cambiado con la IA no es que el texto se pueda leer — eso ya se hacía — sino que el sistema puede entender la estructura del documento.

El OCR tradicional lee: “FACTURA — Empresa XYZ — Base imponible: 1.000,00 — IVA 21%: 210,00 — Total: 1.210,00”.

La extracción documental asistida por IA puede asignar ese texto a campos de factura como proveedor, base, IVA, total y concepto, y presentar esos campos para revisión.

La diferencia operativa es que los campos extraídos pueden llegar como borrador revisable en lugar de partir de un formulario vacío.

Frihet extrae de tickets y facturas campos como proveedor, fecha, NIF del emisor, concepto, base imponible, tipo de IVA, cuota, total y método de pago. También sugiere una categoría contable. El OCR tiene un límite mensual según el plan (Free 5, Pro 50, Premium 200 escaneos).

Los campos extraídos y la categoría sugerida siguen siendo un borrador. Compáralos con el documento original y confirma o corrige antes de registrar el gasto.

Categorización sugerida: contexto con revisión humana

La categorización de gastos tiene una complejidad que no se ve hasta que la haces manualmente: el mismo proveedor puede facturarte conceptos que van a categorías distintas. Amazon puede ser “material de oficina” en una factura y “equipamiento informático” en la siguiente. La gasolinera puede ser “transporte” o “gastos de representación” según el contexto.

Frihet usa el documento actual y el contexto disponible del gasto para sugerir una categoría contable. El mismo proveedor puede requerir una categoría distinta de una factura a otra, por lo que la propuesta no se trata como asiento definitivo.

Revisa conjuntamente proveedor, concepto, importes, impuestos y categoría sugerida. Si el contexto es ambiguo, elige la categoría que corresponda a la compra real y a tu criterio contable.

Frihet presenta las categorizaciones como sugerencias para revisión. El sistema propone; el usuario aprueba o corrige. El criterio final sigue en manos del usuario o profesional responsable.

Pistas fiscales reactivas y estimaciones tributarias

Esta es la funcionalidad donde la diferencia entre IA añadida e IA nativa se hace más visible.

Un chatbot puede decirte “el IVA trimestral en España es el 21% de la base imponible”. Eso es información genérica que podrías buscar en Google.

Las pistas fiscales de Frihet son reactivas. En el flujo de facturas cargan a partir de la factura y del contexto fiscal actuales, y se actualizan cuando cambian campos pertinentes, como el país del comprador. Pueden mostrar orientación sobre inversión del sujeto pasivo, facturación electrónica o casos relacionados con SEPA cuando corresponda.

Por separado, el panel fiscal puede aportar estimaciones generales de IVA o impuesto sobre la renta y contexto de tesorería a partir de los datos registrados. Son estimaciones, no una declaración presentada ni una determinación de las deducciones a las que tiene derecho un negocio. En los modelos 303 y 420, Frihet ofrece vista previa y exportación (PDF en ambos y TXT AEAT en el 303; exportar es del plan Pro), y no los presenta ante la AEAT ni la ATC.

Revisa cada pista y estimación frente a los documentos de origen y la normativa aplicable. Un profesional cualificado conserva la responsabilidad sobre la interpretación, las declaraciones y las decisiones con consecuencias legales o fiscales.

Previsión general: una estimación, no un escenario fijo

Las estimaciones de tesorería pueden ayudar a un negocio pequeño a revisar tendencias registradas y facturas pendientes antes de tomar una decisión.

La previsión de ingresos de Frihet utiliza el historial disponible y los datos de facturas pendientes para ofrecer una vista general hacia delante. Su utilidad depende de que los datos registrados estén completos y sean de calidad.

La previsión no promete un horizonte fijo ni escenarios nominales por cliente. Trátala como una estimación, revisa sus supuestos y combínala con compromisos conocidos que todavía no estén registrados.

El usuario decide si aplaza un gasto, reclama un cobro o toma otra medida; la previsión no adopta esa decisión.

El asistente en lenguaje natural: de pregunta a acción

El asistente conversacional de Frihet puede usar function tools documentadas para preguntas y acciones iniciadas por el usuario dentro de los permisos del workspace.

La diferencia práctica:

Chatbot: “¿Cuánto facturé en enero?” → Responde: “1.340 EUR”

Asistente con function tools: “Prepara el resumen de enero para mi asesor” → Recupera los datos registrados pertinentes y prepara un resumen o una exportación revisable. El usuario lo comprueba antes de guardarlo, exportarlo o compartirlo.

El asistente de Frihet tiene acceso a 55+ function tools. Selecciona una herramienta pertinente para la solicitud, mientras que los permisos y la revisión humana siguen formando parte del flujo.

Funciona en 17 idiomas. Un usuario japonés, un usuario alemán y un usuario español usan el mismo asistente en su idioma nativo, con las mismas capacidades operativas.

El Agent Loop autónomo sigue en beta, limitado a borradores y no es visible para clientes. No debe presentarse como un flujo autónomo en producción.

El MCP server: cuando la IA ya tiene tu ERP integrado

Para desarrolladores y usuarios técnicos, Frihet publica un servidor MCP (Model Context Protocol) con licencia MIT y 157 herramientas disponibles.

MCP es un protocolo que permite conectar asistentes de IA compatibles con sistemas externos. Las herramientas MCP de Frihet exponen operaciones documentadas; siguen aplicándose los controles de acceso, los permisos del workspace y la revisión.

Las herramientas y sus entradas ya están definidas, por lo que un developer puede componer un flujo con las operaciones y los permisos documentados.

El servidor MCP tiene licencia MIT y es open source. Consulta la documentación actual del producto para conocer el acceso, la autenticación y los permisos del workspace.

Lo que la IA no hace en Frihet

La honestidad es parte del diseño. Hay cosas que la IA de Frihet deliberadamente no hace:

No toma decisiones por ti. Puede proyectar el cashflow, pero la decisión de aplazar un gasto o adelantar un cobro es tuya. Puede detectar una anomalía, pero la decisión de qué hacer con ella es tuya.

No sustituye al asesor fiscal. Puede automatizar la captura de datos y calcular estimaciones. La planificación fiscal estratégica, la interpretación de normativa compleja y las decisiones con implicaciones legales requieren un profesional que responda por ellas.

La calidad documental importa. Los archivos ilegibles o ambiguos pueden reducir la calidad de la extracción y la categorización, así que compara las sugerencias con el documento original.

No consolida datos sin revisión humana. Las sugerencias de categorización y los borradores generados por IA están marcados como tales. El usuario revisa y aprueba antes de que se consoliden en la contabilidad.

Esto no son limitaciones vergonzosas. Son principios de diseño. Un ERP que automatiza decisiones críticas sin supervisión humana no es un buen ERP — es un generador de problemas con interfaz bonita.

Cómo evaluar la IA de un ERP antes de comprarlo

Si estás evaluando un ERP con IA, estas son las preguntas que separan la IA real de la IA de marketing:

¿La IA accede a mis datos reales o solo da respuestas genéricas? Pregunta sobre un caso específico de tu negocio. Si la respuesta es genérica, la IA no tiene contexto de tus datos.

¿Qué function tools expone el sistema? Pregunta a qué registros accede cada herramienta, qué resultados son estimaciones o borradores y qué revisión exige.

¿La IA puede preparar una acción o solo informar? Un borrador de factura revisable generado desde una instrucción en lenguaje natural es distinto de una explicación sobre cómo crearla.

¿Hay supervisión humana en el flujo? Un sistema que consolida automáticamente sin revisión es un sistema que puede cometer errores en tu contabilidad sin que te enteres.

¿Qué controles de datos están documentados para el servicio desplegado? Revisa el aviso de privacidad, el acuerdo de tratamiento y la lista de subencargados vigentes para conocer fines, base jurídica, conservación, transferencias y borrado. No deduzcas una política de entrenamiento de modelos, procesamiento local, alojamiento solo en la UE o conformidad normativa salvo que los documentos y el contrato aplicables lo indiquen expresamente.

En Frihet, el manifiesto de producto documenta controles de acceso al workspace aplicados en el servidor y revisión humana de borradores y sugerencias. No acredita una política de no entrenamiento, procesamiento local, alojamiento solo en la UE ni conformidad con el RGPD. Verifica esos puntos en los documentos legales y contractuales vigentes y pide al soporte una demostración del flujo y los permisos relevantes antes de contratar.