Fase 1 — Antes de tocar Power Automate: mapear la norma y los datos
El primer error en 7 de cada 10 proyectos de compliance es empezar por el flujo. Antes de crear un solo trigger hay que mapear la norma CMF aplicable, su periodicidad y el origen de cada campo. Esta fase toma 2 a 3 semanas y define si el proyecto es viable.
1. Identifica la norma y el archivo exacto que exige la CMF. No automatices “el reporte” en abstracto: define si es un archivo de la Recopilación Actualizada de Normas para bancos, un estado financiero para aseguradoras o un informe periódico de intermediarios. Cada uno tiene formato, plazo y validador distintos.
2. Documenta el plazo regulatorio y réstale un margen de control. Si la norma exige entrega mensual al día 10, el flujo debe cerrar el día 7. Esos 3 días son el buffer para reproceso, no un lujo: en la experiencia de Muze AI Consulting, entre 5% y 12% de las corridas requiere una segunda pasada por datos incompletos del origen.
3. Inventaria los sistemas fuente campo por campo. Un informe CMF típico cruza 3 a 6 orígenes: core financiero (SAP, Softland), planillas de área, correos con anexos de terceros y sistemas legados sin API. Marca cuáles tienen conector nativo y cuáles requerirán extracción documental con AI Builder.
4. Define el modelo de datos en Dataverse antes del primer flujo. Dataverse es la capa de trazabilidad: cada campo del informe queda con origen, timestamp, usuario que lo validó y versión. Sin esto tienes un flujo rápido pero no auditable — y un flujo no auditable es inservible ante un requerimiento de la CMF.
Fase 2 — Construcción: extracción con AI Builder y orquestación con Power Automate
Los datos muestran que la extracción documental es donde se concentra el ahorro: la reducción del 75% en errores de procesamiento de documentos que Muze midió en un caso fintech vino de reemplazar digitación por modelos de procesamiento de documentos. En esta fase se construye eso y el flujo que lo gobierna.
5. Entrena un modelo de procesamiento de documentos en AI Builder con documentos reales. Usa entre 5 y 20 documentos por variante de formato — no plantillas ideales, los archivos sucios que llegan de verdad. AI Builder se configura directamente desde el diseñador de flujos: como documenta esta guía de integración de AI Builder en flujos de trabajo, se selecciona el tipo de modelo y se inserta como acción del flujo.
6. Orquesta el flujo en Power Automate con arquitectura por etapas, no monolítica. Divide en cuatro flujos encadenados: ingesta, extracción, validación y generación del archivo CMF. Un flujo monolítico de 60 acciones falla completo por un timeout; cuatro flujos con reintento independiente aíslan la falla. Este patrón por etapas es el mismo que aplicamos al automatizar reportes regulatorios en tiempo récord.
7. Escribe las reglas de validación como código, no como criterio del analista. Cuadraturas, rangos, campos obligatorios y consistencia entre períodos deben ser condiciones explícitas del flujo. Cada regla que no automatizas es una regla que alguien va a olvidar el día 9 a las 20:00.
8. Agrega aprobación humana con registro en Dataverse antes del envío. El flujo genera y valida; una persona firma. La aprobación queda con nombre, hora y comentario en Dataverse. Esto no es burocracia: es la evidencia que sostiene la responsabilidad ante el regulador.
“El regulador no te pregunta si el proceso fue rápido. Te pregunta quién validó el dato y con qué evidencia. Si tu automatización no responde eso, no automatizaste compliance: automatizaste un riesgo.” — Marco Chávez, Fundador de Muze AI Consulting.
Fase 3 — Operación: monitoreo, certificación y mejora
Un flujo CMF en producción exige monitoreo activo desde el día 1, porque los modelos de IA degradan cuando cambian los formatos de origen. Microsoft entrega esta visibilidad de forma nativa: en el Centro de automatización de Power Automate se revisa la actividad de modelos y solicitudes de AI Builder, con filtros por modelo y período.
9. Instrumenta métricas antes de declarar el proyecto terminado. Mide cuatro cosas: tasa de éxito del flujo, confianza promedio de extracción, número de reprocesos y horas-persona ahorradas. Sin línea base previa no puedes demostrar ROI ni detectar degradación.
10. Corre 2 ciclos en paralelo con el proceso manual antes de apagarlo. Dos períodos de reporte con ambos procesos activos, comparando salidas campo por campo. Cuando la diferencia es cero en 2 ciclos consecutivos, se retira el proceso manual. Nunca antes.
Comparativa: qué cambia en cada dimensión
| Dimensión | Proceso manual | Con Power Automate + AI Builder |
|---|---|---|
| Tiempo de preparación | Base | 60% menos (dato Muze) |
| Errores de digitación | Base | 80% menos (dato Muze) |
| Errores en procesamiento documental | Base | 75% menos (caso fintech Muze) |
| Trazabilidad de aprobaciones | Correo y planillas | Registro en Dataverse por campo |
| Costo de un reproceso | Horas extra del equipo | Reejecución del flujo, minutos |
| Riesgo de atraso en el plazo CMF | Alto en cierres simultáneos | Bajo, con buffer de 3 días |
Existen también soluciones empaquetadas para este problema: el generador de reportes normativos SIGIR ofrecido en el marketplace de Microsoft apunta a automatizar la generación de reportes a la CMF como producto cerrado. El criterio de Muze AI: un producto empaquetado sirve cuando tus datos ya están limpios y en un solo sistema; Power Platform gana cuando el problema real es la integración de 4 fuentes desordenadas, porque ahí necesitas construir la capa de datos, no sólo el archivo de salida.
Tabla de verificación final: ¿ya hiciste esto?
| Paso | Hecho | Nota |
|---|---|---|
| Norma CMF y archivo exacto identificados | ☐ | Con número de norma, no “el reporte mensual” |
| Plazo regulatorio con buffer de 3 días | ☐ | Fecha de cierre del flujo, no de entrega |
| Inventario de fuentes campo por campo | ☐ | Marcar cuáles no tienen API |
| Modelo Dataverse diseñado | ☐ | Origen, timestamp, usuario, versión |
| Modelo AI Builder entrenado con docs reales | ☐ | 5-20 por variante de formato |
| Flujo dividido en 4 etapas encadenadas | ☐ | Ingesta, extracción, validación, generación |
| Reglas de validación codificadas | ☐ | Cuadraturas y consistencia entre períodos |
| Aprobación humana registrada en Dataverse | ☐ | Nombre, hora, comentario |
| Monitoreo de actividad AI Builder activo | ☐ | Centro de automatización de Power Automate |
| 2 ciclos en paralelo con proceso manual | ☐ | Diferencia cero antes de apagar el manual |
El orden importa: los pasos 1 a 4 son secuenciales, el 5 y el 6 pueden avanzar en paralelo con equipos separados. Los mismos principios de gobierno de datos aplican en otros reguladores chilenos, como se ve al comparar con el efecto de automatizar procesos regulatorios en el cumplimiento tributario y de valores.
Siguiente paso
Si tu equipo de compliance dedica más de 40 horas al mes a preparar informes para la CMF, el diagnóstico es simple: hay 60% de ese tiempo recuperable con Power Automate, AI Builder y Dataverse bien diseñados. La pregunta no es si conviene automatizar, sino con qué informe partir y qué trazabilidad necesitas construir primero. Muze AI Consulting ofrece un diagnóstico IA gratuito en muze.cl: revisamos tu informe crítico, identificamos las fuentes de datos y estimamos el plazo real de implementación, sin compromiso.