Cierre contable con IA y MCP: el agente prepara la evidencia, el contador firma

Hay una escena que se repite todos los meses en cualquier grupo funerario grande de Latinoamérica. Es el día doce, el contador general lleva una semana persiguiendo tres cosas: la caja de las sedes que operaron el fin de semana, la diferencia entre lo que reportó la pasarela de pagos y lo que quedó registrado como recaudo de cuotas, y un puñado de movimientos entre la funeraria y el crematorio que nadie sabe explicar. El estado de resultados que va al comité del día quince sale igual. Sale porque tiene que salir.

Ese cierre es, en la práctica, el único momento del mes en que alguien mira la compañía entera de una vez: seis u ocho sedes, un crematorio, un parque cementerio, dos o tres razones sociales, ingresos que entran el mismo día del servicio y otros que se devengan a lo largo de diez años de un plan de previsión. Y sin embargo, el proceso que produce esa foto vive fuera del sistema: en un archivo de Excel con pestañas por sede, en una cadena de correos y en la cabeza de dos personas.

Este es el séptimo caso del cluster de IA, agentes y MCP aplicado a la operación funeraria, después de los de atención, análisis conversacional, desempeño comercial, cobranza, gobierno de los agentes y cuadrantes de turnos. Y es el primero en el que, además del inventario de capacidades, publicamos una brecha abierta de nuestro propio producto, porque sin ella la conversación sobre cierre asistido no es honesta.

1. El problema de negocio: por qué el cierre funerario es distinto

El cierre de un grupo funerario no es lento por las razones habituales. Es lento por cuatro rasgos que casi ninguna otra industria acumula al mismo tiempo, y que ya describimos en detalle en la guía de cierre contable y consolidación multi-sede:

• Dos naturalezas de ingreso en el mismo estado de resultados. El servicio inmediato se factura y se cobra en cuarenta y ocho horas. El plan de previsión se vende hoy y se presta dentro de once años. Cerrar el mes exige que ambos convivan sin que uno contamine al otro.
• Caja física, en efectivo, a las tres de la mañana. La operación no cierra. Hay recaudo en sala de velación, en campo y en sedes que no tienen back office. El arqueo llega tarde, incompleto y con soportes de calidad desigual.
• Operaciones recíprocas constantes entre entidades del mismo grupo. La funeraria le compra la cremación al crematorio; el cementerio le factura la inhumación a la funeraria. Son decenas de movimientos al mes que, si no se emparejan, inflan ingresos y costos a la vez.
• Recaudo fragmentado en muchos canales. Pasarelas, débito automático, redes de recaudo, cobro móvil en campo y consignación directa. Cada canal liquida en su propio calendario y con su propio archivo.

El resultado no es solo demora. Es que la parte del cierre que consume el tiempo del contador general no es la que exige su criterio. Cuadrar un extracto contra recibos, buscar el soporte de una partida y perseguir una diferencia de doscientos pesos no requieren un contador: requieren paciencia. El criterio se necesita en el tratamiento del ingreso diferido, en la suficiencia de la provisión y en la decisión de qué se ajusta y qué se explica. Y esa es exactamente la parte que llega al final, cansada y sin tiempo.

2. Qué datos del ERP intervienen

Un caso de uso de MCP se sostiene o se cae según qué tan bien delimitado esté el conjunto de datos que toca. Para el cierre de un grupo funerario, estos son los que intervienen de verdad, con los módulos donde viven:

3. Lo que el agente sí hace: cinco tareas concretas

La forma correcta de plantear este caso no es “un agente que cierra el mes”. Es cinco tareas acotadas, cada una con su entregable, su dueño y su punto de control. Ninguna emite un asiento.

3.1. Emparejar lo que debe emparejarse

Esta es la tarea donde la evidencia externa es más sólida, y conviene apoyarse en ella porque es la que menos se parece a la promesa de marketing. El emparejamiento difuso de registros —cruzar dos bases cuyas descripciones, fechas y referencias no coinciden exactamente— es una tarea madura. En un caso real de cruce de dos bases de 789.000 y 412.000 registros, un modelo de lenguaje preentrenado alcanzó un F1 de 96,5 %, con mejoras de hasta 29 % sobre el estado del arte previo.

Traducido al cierre funerario, eso es exactamente lo que se necesita para tres frentes: el extracto bancario contra los recibos de las sedes, la liquidación de la pasarela contra las cuotas de previsión cobradas y el auxiliar intercompañía entre funeraria y cementerio. En los tres, el problema no es contable: es que el texto de la referencia viene escrito de tres maneras distintas y la fecha se corrió un día.

El motor de conciliación multipasarela trabaja además en tres pasos deliberadamente separados: resolver qué pasarela aplica a esa compañía, planear las acciones y solo después aplicarlas. La razón está en el código y es la correcta: poder mostrarle a una persona qué se va a hacer antes de tocar nada. Un agente encaja en ese diseño de forma natural, porque su papel es explicar el plan, no ejecutarlo a ciegas.

3.2. Levantar la lista de excepciones del mes

La segunda tarea es un barrido de preguntas que siempre son las mismas y que hoy nadie hace de forma completa porque son tediosas: qué arqueos de caja quedaron sin cerrar, qué servicios se prestaron y no se facturaron, qué contratos de previsión tienen recaudo registrado sin recibo, qué operaciones entre compañías del grupo no tienen contraparte, qué salidas de inventario de cofres no corresponden a un servicio. El agente ejecuta esas consultas contra los reportes guardados del sistema y devuelve la lista con nombre, monto y sede.

El punto no es la sofisticación: es la exhaustividad. Y ahí hay un argumento de auditoría que vale más que cualquier ahorro de tiempo, y que desarrollamos más abajo.

3.3. Priorizar la revisión, no dictaminar

Aquí es donde la mayoría de los proveedores se cae, y donde conviene ser explícito. La detección automática de asientos atípicos existe como línea de investigación seria y funciona a medias, por diseño. El trabajo de referencia sobre autoencoders profundos aplicados a asientos contables reales —Schreyer y colegas— reporta un F1 de 32,93 y de 16,95 en dos conjuntos distintos, con menos falsas alarmas que las líneas base del estado del arte.

Un F1 de treinta y tres sobre cien no es un veredicto. Es una cola de revisión priorizada. Significa que el sistema te propone doscientos asientos para mirar entre cuatrocientos mil, y que una parte de esos doscientos no tendrá nada. Eso ya es enormemente valioso —hoy la alternativa es mirar veinticinco al azar—, pero no es lo mismo que “detecta el fraude”.

3.4. Redactar el análisis, nunca producir la cifra

La cuarta tarea es la que más se pide en las demostraciones y la que más hay que acotar: preguntarle a la contabilidad en lenguaje natural. Conviene poner las cifras sobre la mesa antes de prometer nada.

• Sobre almacenes de datos corporativos reales y privados —no bases de ejemplo—, los frameworks agénticos punteros alcanzan un 10,8 % de exactitud de ejecución, y solo suben a 30,1 % cuando se les dan pistas privilegiadas (BEAVER, 9.128 pares pregunta-consulta sobre 812 tablas y 19 dominios).
• En flujos de trabajo empresariales reales, el mejor modelo del estudio resuelve el 17,1 %, frente al 86,6 % que logra en el benchmark académico clásico (Spider 2.0, ICLR 2025).
• Con recuperación sobre reportes financieros públicos, un modelo puntero respondió mal o se negó a responder en el 81 % de los casos (FinanceBench).
• En documentos financieros largos con muchas tablas —que es exactamente la forma del paquete de cierre consolidado—, el mejor modelo llega al 40,0 % frente al 76,0 % del experto humano (DocMath-Eval, 48 modelos y 4.000 preguntas).

Y hay un hallazgo de 2026 que es el más incómodo de todos, porque mide justo lo que aquí importa. En un benchmark de reconciliación contable multi-documento —documentos fuente, asientos citados y balance final—, seis modelos contemporáneos alcanzaron como máximo un 46 % de balance final exacto. Pero el dato que hay que leer dos veces es otro: cuatro de ellos mostraron una brecha de 26 a 41 puntos porcentuales entre el balance que reportaban y el que se obtiene al volver a ejecutar sus propios asientos en un libro mayor.

¿Significa esto que la consulta en lenguaje natural no sirve? No. Significa que el trabajo está en la capa semántica, no en el modelo. La mejor evidencia de primera mano viene de quien no vende el producto: cuando LinkedIn puso en producción su agente de datos, llegó a un 53 % de respuestas correctas o casi correctas sobre 133 preguntas de diez áreas y 167 tablas. Y el detalle decisivo es cómo llegó ahí: el componente de grafo de conocimiento llevó las respuestas de mejor calidad del 9 %, usando solo los esquemas, al 48 %. El salto no lo dio el modelo. Lo dio el catálogo de metadatos.

Traducido a un grupo funerario: antes de prometerle consultas conversacionales al CFO, alguien tiene que escribir qué significa exactamente “ingreso de servicio inmediato”, “cuota devengada de previsión” y “aporte al fondo de mantenimiento”, y a qué tabla corresponde cada uno. Ese glosario, aburrido y de una sola vez, vale más que el modelo.

3.5. Dejar el entregable versionado, no en un chat

La quinta tarea cierra el ciclo y es la que separa un experimento de un proceso. El resultado del cierre asistido —la lista de excepciones, la conciliación por canal, el tablero de indicadores de la sesión— no puede morir en una conversación. Queda como reporte publicado, con versión, autor, fecha, permisos por equipo y la posibilidad de volver a una versión anterior sin borrar nada.

En SFUN esto existe hoy y es operable por el agente: el motor de reportes tiene versionado real con historial, reversión sin pérdida, permisos por equipo y enlace público rotable. Tiene además un detalle que revela buen criterio: antes de publicar, el sistema le advierte al agente qué vería un invitado, para que nadie publique un tablero que a los demás les aparece en ceros. Un dashboard vacío no es un dashboard incompleto: es un dato falso.

4. El bucle de mejora continua del cierre

Un caso de uso sin bucle es una demostración. El del cierre tiene una cadencia natural, marcada por el propio calendario contable:

1. Diario, durante los días de cierre. La lista de excepciones se regenera cada mañana. Lo que se resolvió sale; lo nuevo entra. El objetivo es que la lista baje a lo largo de la semana; si no baja, el problema no es contable, es operativo.
2. Al cerrar el mes. Se comparan las excepciones que aparecieron contra las del mes anterior. Las que se repiten tres meses seguidos dejan de ser excepciones y pasan a ser un defecto de proceso con dueño asignado en la operación, no en contabilidad.
3. Mensual, sobre la cola de revisión. De los asientos que el sistema priorizó, ¿cuántos resultaron en un ajuste real? Ese porcentaje es la calibración. Si es muy bajo, el criterio está marcando ruido y hay que apretarlo; si es muy alto, probablemente esté marcando de menos.
4. Trimestral, sobre el glosario. Cada término que el agente entendió mal —porque el negocio lo usa de dos maneras, o porque cambió con una sede nueva— se corrige en el catálogo de metadatos. Esta es la tarea que más rinde y la primera que se abandona.
5. Anual, contra el auditor. Lo que el revisor fiscal pidió y no estaba preparado se convierte en una consulta guardada más para el cierre siguiente.

5. Gobierno y límites: quién firma y qué nunca se automatiza

Este es el apartado que decide si el caso pasa el comité de auditoría o no. Y hay una norma que conviene leer literalmente, porque es la que define el listón. La norma de documentación de auditoría del PCAOB exige que el papel de trabajo demuestre que el trabajo efectivamente se hizo, quién lo hizo, quién lo revisó y la fecha de esa revisión; que el legajo final se archive en no más de catorce días tras la emisión del informe; que se conserve siete años; y que toda adición posterior quede marcada con fecha, autor y motivo.

Ese requisito, escrito para auditores humanos, es exactamente el que rompe la fantasía del “agente que cierra solo”. Si un agente propone una eliminación intercompañía, el sistema tiene que poder registrar qué versión del modelo la propuso, con qué datos, qué propuso, quién la revisó y cuándo. Ese registro no acompaña al papel de trabajo: es el papel de trabajo, y tiene que sobrevivir siete años.

Hay un segundo punto igual de incómodo y del mismo orden. Escribir y emitir un asiento por MCP no está bloqueado. La creación de documentos y la acción de emitir funcionan sobre asientos contables si el usuario tiene el permiso correspondiente; la única lista negra absoluta del servidor cubre la modificación de la estructura del sistema, no la contabilidad. Y en las configuraciones donde el asiento emitido se envía automáticamente al sistema contable externo, esa emisión se propaga fuera del ERP.

Lo que sí es cierto, y es la parte que corresponde reivindicar, es que el camino curado del agente termina en borrador. Las dos únicas acciones financieras del catálogo —crear una factura y registrar un pago— están escritas explícitamente para no emitir: devuelven el documento en estado de borrador. Y ninguna de las veinte acciones curadas crea ni emite un asiento contable. Dicho con precisión: la ruta diseñada para el agente se detiene antes del asiento; la capacidad genérica de emitir existe y está gobernada por los permisos del usuario, no por una prohibición del servidor. Es una decisión de gobierno pendiente, no un control que ya esté puesto.

Lo que sí está puesto

• Identidad nombrada, nunca genérica. El agente actúa como un usuario con nombre y hereda sus permisos; la herramienta de identidad devuelve el usuario, sus roles y sus vínculos de negocio. Nada de una cuenta de servicio compartida.
• Un rol de habilitación aparte. Tener cuenta en el ERP no da acceso al MCP: hace falta un rol específico, que se crea sin ningún permiso adicional sobre los datos. Es un interruptor, no una llave maestra.
• Revocación inmediata. El servidor se reautentica en cada petición, así que quitar ese rol corta el acceso en la siguiente llamada, sin esperar a que expire ningún token.
• Permisos de Frappe en toda lectura, incluidos los permisos a nivel de campo. Un agente no ve lo que su usuario no vería.
• Topes duros contra la extracción masiva: cincuenta kilobytes por respuesta, cincuenta filas por listado, doscientas por reporte y veinte filas en la analítica. En una operación con datos de personas fallecidas y de sus familias, esto no es un detalle técnico.
• La analítica en modo consulta libre está doblemente cerrada: exige un rol privilegiado, admite solo lectura, una sola sentencia, y bloquea explícitamente la tabla de contraseñas, los esquemas internos del motor y la lectura de archivos. Su límite honesto: en ese modo no se aplican los permisos por documento, solo el filtro por rol y el tope de veinte filas.
• Modelo de lista blanca, no de lista negra. De casi tres mil funciones inventariadas, solo cuatrocientas sesenta y seis se exponen; seiscientas noventa y cuatro están deshabilitadas por una auditoría de seguridad, y el resto simplemente no se publica. Lo no curado no existe para el agente.
• Modo de solo lectura para todo el servidor: con un interruptor, las herramientas de escritura desaparecen del catálogo en vez de fallar al usarse. Es la configuración correcta para los días de cierre.

Lo que nunca se automatiza

• Emitir un asiento contable. El agente propone, con su justificación y su soporte. Una persona revisa y emite.
• Decidir el tratamiento contable de un contrato de previsión a diez años, la suficiencia de una provisión o el reconocimiento del ingreso diferido. Es criterio profesional, y hay evidencia de que la IA empeora el desempeño cuando se la usa fuera de su frontera de capacidad.
• Cerrar o reabrir un período contable.
• Firmar. La certificación la firma una persona con nombre, cédula y responsabilidad personal. Ningún agente asume esa responsabilidad, y ningún proveedor debería insinuar lo contrario.

Y un contrapeso final de realismo, útil para bajar la temperatura de cualquier comité: cuando el regulador de auditoría estadounidense consultó a las firmas más grandes sobre su uso real de IA generativa, encontró que se concentra principalmente en actividades administrativas y de investigación, y que su integración en los procesos contables y de reporte financiero es secundaria. Ni las cuatro grandes firman conclusiones con IA generativa. Un proveedor de software funerario no puede prometer más de lo que hoy hacen los auditores de emisores.

6. El argumento que sí convence al auditor: población completa

Hay un beneficio de este caso de uso que rara vez se menciona y que vale más que el ahorro de días. Entre las deficiencias que el regulador de auditoría señala con más frecuencia en las pruebas de asientos contables están: no probar la completitud de la población de asientos, no documentar el fundamento de los criterios de riesgo de fraude —incluida la distinción entre asientos manuales y automáticos— y limitar el alcance de las pruebas sin justificarlo.

Ahí está el punto. La ventaja real de la IA en el cierre no es “detectar fraude”: es poder afirmar y evidenciar que se evaluó el 100 % de la población de asientos del grupo, y no una muestra de veinticinco o cincuenta elegida a criterio. Es un argumento defendible ante el auditor externo, se sostiene solo, y no depende de que ningún modelo acierte: depende de que el barrido sea exhaustivo y quede documentado.

7. Los KPIs: cómo sabes si funcionó

Con línea base tomada antes de empezar. Sin línea base no hay caso de negocio, solo una anécdota:

8. Hoja de ruta de adopción

Semana 1 — poner el piso

• Activar el período contable por compañía y decidir qué tipos de documento quedan bloqueados al cerrarlo. Existe de fábrica y bloquea el asiento en el mayor de verdad.
• Revisar el congelamiento por fecha y quién tiene el rol de excepción. Ojo con un matiz que se pasa por alto: el congelamiento por fecha es global, no por compañía. Lo que sí es por compañía es el período contable.
• Poner el servidor MCP en modo de solo lectura durante el piloto. Las herramientas de escritura desaparecen del catálogo y la conversación sobre riesgo se simplifica.
• Inventariar los reportes guardados que ya existen y sirven para el cierre. Casi siempre hay más de los que el equipo recuerda.

Mes 1 — un frente, no diez

• Elegir un solo frente: la conciliación del canal de pagos, que es donde el emparejamiento difuso rinde más y el criterio contable interviene menos.
• Escribir el glosario de los diez o quince términos del negocio que el agente necesita entender. Es la tarea de mayor retorno de todo el proyecto.
• Definir el presupuesto de revisión: cuántas partidas por cierre puede mirar de verdad el equipo. Ese número, y no un umbral estadístico, es el que calibra la cola.
• Instalar el control de re-ejecución: todo lo que el agente proponga se vuelve a correr contra el libro y se compara.

Trimestre 1 — convertirlo en proceso

• Ampliar a la lista completa de excepciones del mes y publicarla como tablero versionado con dueño, no como archivo adjunto.
• Llevar las excepciones recurrentes a la operación con responsable y fecha. Contabilidad detecta; no le corresponde arreglar el proceso que las produce.
• Documentar el criterio de barrido para el auditor externo: qué se evaluó, sobre qué población y con qué regla.
• Cerrar el pendiente de trazabilidad: exigir —a tu proveedor o a tu equipo— bitácora de invocaciones del agente, con herramienta, argumentos, resultado y marca de tiempo. Sin eso, el cierre asistido no es auditable, por más que funcione.

9. Errores comunes

• Empezar por el ingreso diferido de previsión. Es el frente de mayor criterio contable y el de menor evidencia disponible. Se empieza por conciliación, que es mecánica.
• Creerle al resumen del agente. Hasta un 41 % de brecha entre lo que un modelo reporta y lo que sale de re-ejecutar sus propios asientos. Se verifica siempre.
• Comprar “detección de fraude”. Lo que la técnica entrega es una cola priorizada con un F1 entre 17 y 33. Quien te prometa un veredicto, o no leyó la literatura o cuenta con que tú no la leíste.
• Exponer el ERP entero y esperar buenas respuestas. Con acceso al esquema crudo, la exactitud sobre almacenes corporativos reales ronda el 10 %. El valor está en el dominio acotado con glosario escrito.
• Confundir arqueo de caja con cierre contable. Son cosas distintas y el primero no sustituye al segundo.
• Dejar que el agente escriba porque “total, lo revisamos después”. Mientras no exista bitácora de invocaciones, una escritura del agente es indistinguible de una manual. Eso no se revisa después: no se puede.
• Medir solo días de cierre. Ver la advertencia de la sección anterior.
• Olvidar que el mayor puede vivir fuera. Si el asiento emitido se envía a un sistema contable externo, cualquier automatismo tiene efecto en dos casas, no en una.

10. Inventario honesto: qué existe hoy y qué no

Como en todos los casos de este cluster, cerramos con el inventario que casi ningún proveedor publica. Verificado contra el código, no contra el folleto.

Preguntas frecuentes

¿Puede la inteligencia artificial cerrar la contabilidad de un grupo funerario?

No, y quien lo prometa está describiendo algo que hoy no existe. Lo que la IA hace bien en un cierre es preparar: emparejar movimientos que no coinciden exactamente, levantar la lista completa de excepciones, priorizar qué asientos merecen revisión y redactar el análisis. La cifra debe salir de una consulta determinista y la decisión la toma una persona. En los benchmarks de reconciliación contable multi-documento, los mejores modelos alcanzan como máximo un 46 % de balance final exacto; y ni las mayores firmas de auditoría firman conclusiones con IA generativa.

¿Sirve preguntarle a la contabilidad en lenguaje natural?

Sirve, pero no como se vende. Contra el esquema crudo de un ERP real, la exactitud ronda el 10 %. El valor aparece cuando se construye una capa semántica: un glosario que define qué es “ingreso de servicio inmediato”, “cuota devengada de previsión” o “aporte al fondo de mantenimiento”, y a qué tabla corresponde cada término. En el caso mejor documentado de la industria, ese catálogo de metadatos llevó la calidad de las respuestas del 9 % al 48 %. El trabajo está en el dato, no en el modelo.

¿La IA puede detectar fraude en los asientos contables?

No dictamina fraude: prioriza revisión. Los mejores trabajos publicados sobre detección de asientos atípicos con aprendizaje profundo reportan un F1 de entre 17 y 33, y los estudios sobre transacciones reales de compra terminan marcando entre el 8 % y el 17 % de los registros. Traducido: el sistema produce una cola de asientos para mirar, y esa cola tiene que caber en la capacidad real del equipo contable. El beneficio defendible ante un auditor no es detectar fraude, sino poder demostrar que se evaluó el 100 % de la población de asientos y no una muestra.

¿Qué necesita un agente de IA para ser auditable en contabilidad?

Cuatro cosas, y la norma de documentación de auditoría del PCAOB las nombra casi literalmente: quién hizo el trabajo, quién lo revisó, cuándo, y un legajo que se archive y se conserve —siete años, en ese estándar—. Aplicado a un agente: hay que poder registrar qué versión del modelo propuso qué, con qué datos, quién lo aprobó y en qué momento. Ese registro no acompaña al papel de trabajo: es el papel de trabajo. Hoy en SFUN el rastro existe a nivel de documento —los cambios sobre asientos, facturas y pagos quedan versionados con su autor—, pero no hay bitácora de invocaciones del agente, y lo decimos abiertamente porque es la brecha que hay que cerrar.

¿Cuánto se puede acelerar realmente el cierre mensual?

El estudio más serio disponible reporta una reducción de 7,5 días en el cierre mensual, pero es un estudio observacional de campo sobre pymes, no un experimento aleatorizado ni una muestra de grupos multi-sede. Úsalo como orden de magnitud, no como promesa. Y ten presente el contrapeso: la literatura documenta caída en la calidad de los devengos cuando los cierres se comprimen demasiado. El objetivo correcto no es cerrar en dos días, sino liberar el tiempo del contador general de cuadrar y perseguir soportes para dedicarlo al criterio, midiendo siempre en paralelo los ajustes posteriores al cierre.

¿Por dónde conviene empezar en un grupo con varias razones sociales?

Por la conciliación del canal de pagos, en modo de solo lectura y sobre una sola compañía. Es el frente donde el emparejamiento difuso rinde más —hay evidencia de F1 del 96,5 % en cruces de bases de cientos de miles de registros— y donde el criterio contable interviene menos. Antes de eso, dos tareas aburridas y decisivas: activar el período contable por compañía y escribir el glosario del negocio. Si quieres el marco general del proceso, empieza por la guía de cierre y consolidación multi-sede y por la de operación multiempresa.

El cierre como proceso con memoria

La conclusión práctica de este caso cabe en una frase: mientras el cierre viva en una hoja de cálculo y en la cabeza de dos personas, no hay IA que ayude, porque no hay nada que consultar, nada que trazar y nada sobre lo cual mejorar. El primer paso no es comprar un agente: es convertir el cierre en un proceso con estados, dueños y evidencia dentro del sistema. A partir de ahí, todo lo demás se vuelve posible —emparejar, barrer excepciones, priorizar revisión, dejar el entregable versionado— y cada mes el sistema sabe un poco más que el anterior.

Y la parte que aún no está —la bitácora que responda “qué hizo el agente ayer”— es un problema de producto con solución conocida, no un misterio. Publicarlo así, con el inventario de lo que hay y de lo que falta, es la única forma honesta de tener esta conversación con una dirección financiera. Si quieres ver cómo se ve la contabilidad de un grupo funerario cuando el servicio, la cartera, el recaudo y el asiento viven en el mismo sistema, empieza por el módulo de contabilidad de SFUN, por el de tesorería y por la guía de control interno y prevención de pérdidas.