# cornell-ai-hub-100k-unidentified-payments-2026-06-15

## Veille

Estudio de caso publicado por el **Cornell AI Innovation Hub** (15 de junio de 2026): cómo una colaboración de dos semestres entre el AI Hub, estudiantes de posgrado y el equipo de Tesorería de Cornell convirtió una investigación manual que consumía mucho tiempo en una herramienta de IA que **recuperó 100.000 $** en pagos no identificados en un primer lote. Un caso de uso exitoso de **AI4Business** (proceso financiero) que ilustra casi punto por punto el marco **Leader-Lab-Crowd** de **Ethan Mollick**: el **AI Hub** desempeña el papel de **Lab** (un equipo central y ambidiestro de tecnólogos más estudiantes); **Treasury** (Cheryl Barnes, Marie Graves…) es el **Crowd** que aporta el conocimiento del negocio y el punto de dolor real; y los **100.000 $** constituyen la **recompensa visible** (vivid win) que ancla la adopción — exactamente la palanca de incentivo que Mollick considera decisiva. Método clave: **"primero el contexto, luego el plan, luego la construcción"** mediante **Claude Code Plan Mode**, una cadena de **fuzzy matching → Gemini Enterprise Web Search → síntesis de Claude**, todo dentro del **Cornell AI Gateway** gobernado. *"Los 100.000 $ son un comienzo."*

## Titre Article

How Cornell Recovered $100,000 in Unidentified Payments With AI

## Date

2026-06-15

## URL

https://innovationhub.ai.cornell.edu/articles/how-cornell-recovered-100000-in-unidentified-payments-with-ai/

## Keywords

Cornell AI Innovation Hub, pagos no identificados, conciliación de pagos, tesorería, finanzas, AI4Business, Leader-Lab-Crowd, Ethan Mollick, recompensa, incentivo, victoria vívida, Lab, Crowd, conocimiento del negocio, Claude Code, Plan Mode, contexto primero, fuzzy matching, Gemini Enterprise Web Search, síntesis de Claude, Cornell AI Gateway, gobernanza de datos, know your data, backtest, escheatment, Oracle GL, Kyriba, n8n, skill /treasury, piloto de Claude, gestión del cambio, automatización, ROI medible

## Authors

**Pete Stergion** — Desktop Engineer au Cornell AI Innovation Hub, co-tech lead du projet (avec Phil Williammee). Article institutionnel signé de l'AI Hub.

## Ton

**Perfil**: un estudio de caso institucional / *informe de progreso* escrito en primera persona del plural (*"nosotros"*), publicado en el blog del Cornell AI Innovation Hub. Público objetivo: equipos operativos de universidades y empresas, responsables de TI, profesionales de la gestión del cambio en IA. Registro: **sobrio, pedagógico y honesto**, nivel técnico medio (presupone familiaridad con fuzzy matching, pipelines, GL, backtesting) pero legible para un no ingeniero.

**Estilo**: narración paso a paso (*The Problem / The Team / How We Built It / The Pipeline / The Results / What's Next / The Takeaway*), alternando narrativa y cifras, con una **honestidad controlada** que refuerza la credibilidad: se documenta la **limitación** de la herramienta (proveedores que facturan a varios departamentos), se señala que *"la resolución sigue dependiendo del seguimiento del personal de tesorería"*, y se hace hincapié en la gobernanza (*"know your data"*, Cornell AI Gateway, datos PII eliminados). Sin sobreventa: la tesis de cierre no es "la IA hace milagros" sino que *"el proyecto funcionó porque el equipo hizo el trabajo de base."* Eslogan compartible: *"Los 100.000 $ son un comienzo."*

## Pense-betes

- **La cifra destacada**: **100.000 $** recuperados en un **primer lote** — 23 departamentos contactados, **7 respuestas**, **5 pagos confirmados**. Saldo activo pendiente ~**1 M$** (pico histórico **4 M$**) repartido en unos cientos de transacciones. Riesgo regulatorio: la ley del Estado de Nueva York exige el **escheatment** (entrega de los fondos no reclamados al Estado) si no se resuelven a tiempo.
- **La idea que estructura todo**: **el nombre del proveedor aparece en el 99%** de los pagos no identificados, mientras que **el número de factura/pedido aparece en menos del 4%**. → la apuesta se centra en el nombre del proveedor, no en el identificador ausente.
- **Lectura Mollick (núcleo de la petición)**: el caso ilustra el marco **Leader-Lab-Crowd** ([[mollick-making-ai-work-leadership-lab-crowd-2025-05-22]]).
- **Lab** = el **AI Hub** (Pete Stergion, Phil Williammee, cohorte de estudiantes): el equipo central que *empaqueta* la solución.
- **Crowd** = **Treasury** (Cheryl Barnes, Marie Graves, Kevin Mooney, Debra Federation): conocimiento del negocio + datos (Kevin aporta **3 años de Oracle GL, más de 10.000 registros**). Es el punto de dolor sobre el terreno (hasta **media jornada de trabajo** dedicada a este problema) el que se convierte en la oportunidad.
- **Recompensa / vivid win**: Mollick recomienda **recompensar a los empleados que descubren usos transformadores** y ofrecer una **imagen vívida** (vivid picture) del futuro de la IA. Los **100.000 $** son precisamente esa prueba concreta y legitimadora — hacen que el valor sea tangible y deseable.
- **Garantía anti-despidos**: la IA **elimina las tareas tediosas** (búsquedas en el correo, googlear abreviaturas, cruzar referencias) en lugar de sustituir al personal; el objetivo declarado es *"un flujo de trabajo sostenible que el equipo posee y opera directamente"* (incorporación al piloto de Claude + la skill **`/treasury`**). Es la respuesta al *"reassure your workers"* (tranquiliza a tus trabajadores) de Mollick.
- **Método "primero el contexto, luego el plan, luego la construcción"**: mediante **Claude Code Plan Mode**, se carga *todo* el contexto (antecedentes, proceso manual, notas del semestre, prototipos de los estudiantes, datos anonimizados); Claude Code **propone una arquitectura completa para validar antes de escribir una sola línea**. Resultado: de un **semestre de notas a una herramienta funcional en una sola sesión**.
- **Pipeline (3 pasos), expuesto como *skill* en Claude Code**: (1) **coincidencia histórica** (fuzzy matching contra el GL; filtra palabras de ruido como *Inc/LLC/Corp*; un *gate* de solapamiento de tokens para evitar falsos positivos); (2) **búsqueda de proveedor** mediante **Gemini Enterprise Web Search** (dentro del Cornell AI Gateway); (3) **síntesis de Claude** (pondera las evidencias → departamento probable, **nivel de confianza**, contacto sugerido). Resultado: **Excel ordenado por confianza**, en pocos minutos. Entrada: exportación de **Kyriba** (TMS).
- **Backtest riguroso**: 3 escenarios sobre **9.131** pagos ya resueltos, con las respuestas ocultas. Proveedores recurrentes: **97%** (solo fuzzy matching, 500 pagos de prueba) → **100%** con la cadena de IA completa. Proveedores desconocidos: **76% → 100%** una vez activados Gemini + Claude. **Limitación documentada**: proveedores que facturan a varios departamentos (proveedor correcto pero no siempre la cuenta departamental correcta).
- **Gobernanza**: datos financieros de *riesgo moderado*, **Cornell AI Gateway**, **no utilizados para entrenar modelos externos**, acceso restringido, **datos PII eliminados**, un enfoque *"know your data"*. Modelos probados en el camino: **Gemini, GPT, Claude**; prototipado inicial en **n8n**.
- **Contra-relato útil**: para invocar frente al relato de que "la IA no crea valor en los procesos de negocio". Aquí sí lo hace — **porque** Lab + Crowd + trabajo de base. *"Cuando llegó el momento de construir, la IA tenía todo lo necesario para diseñar una solución real en lugar de una genérica."*

## RésuméDe400mots

El Cornell AI Innovation Hub relata (15 de junio de 2026) cómo una colaboración de dos semestres permitió **recuperar 100.000 $** en pagos no identificados mediante IA. El problema: cada año, Cornell recibe cientos de transferencias bancarias y pagos ACH sin información suficiente para encaminarlos (sin número de factura, nombre de proveedor impreciso). Los fondos se acumulan en una cuenta de suspenso — saldo activo pendiente ~**1 M$**, pico histórico **4 M$** — y la **ley del Estado de Nueva York exige el escheatment** (devolución al Estado) si no se resuelven a tiempo. Dos empleados de tesorería dedicaban hasta **media jornada** al día a esto.

La estructura del proyecto ilustra el marco **Leader-Lab-Crowd** de Ethan Mollick. El **Lab** es el **AI Hub** (Pete Stergion y Phil Williammee, co-responsables técnicos, más una cohorte de estudiantes). El **Crowd** es **Treasury** (Cheryl Barnes, Marie Graves, Kevin Mooney, Debra Federation), depositario del conocimiento del negocio y de los datos — Kevin aporta **3 años de historial de Oracle GL (más de 10.000 registros)**. El análisis de los estudiantes revela la idea clave: **el 99%** de los pagos lleva un nombre de proveedor, frente a **menos del 4%** un número de factura.

La construcción sigue una disciplina de **"primero el contexto, luego el plan, luego la construcción"**: mediante **Claude Code Plan Mode**, el equipo carga todo el contexto (notas, proceso manual, prototipos, datos anonimizados); Claude Code **propone una arquitectura para validar antes de escribir una sola línea de código**. Un semestre de notas se convierte en una **herramienta funcional en una sola sesión**. El **pipeline en Python** (expuesto como *skill* `/treasury`) encadena tres pasos: **fuzzy matching** contra el GL (filtrando palabras de ruido como Inc/LLC/Corp), **búsqueda de proveedor** mediante **Gemini Enterprise Web Search**, y luego **síntesis de Claude**, que produce, para cada pago, un departamento probable, un **nivel de confianza** y un contacto. Resultado: un archivo Excel ordenado por confianza, en pocos minutos — todo dentro del **Cornell AI Gateway** gobernado (datos PII eliminados, sin entrenamiento de modelos externos).

El **backtest** (9.131 pagos resueltos) muestra una precisión de **97% → 100%** para proveedores recurrentes con la cadena de IA completa, y de **76% → 100%** para proveedores desconocidos. Limitación documentada: proveedores que facturan a varios departamentos. Resultado operativo: 23 departamentos contactados, 7 respuestas, **5 pagos = 100.000 $** confirmados.

Más allá de la cifra, el caso es un **contraejemplo** al relato de que "la IA no crea valor de negocio": aquí sí lo hace, porque se conjugaron un **Lab**, un **Crowd** experto y un **trabajo de base real**. Y los 100.000 $ desempeñan el papel de **recompensa visible** que Mollick valora — la prueba tangible que legitima y difunde la adopción, eliminando las tareas tediosas en lugar de los puestos de trabajo. *"Los 100.000 $ son un comienzo."*

## GrapheDeConnaissance

- Pete Stergion —travaille_chez→ Cornell AI Innovation Hub (ORGANISATION, 0.96)
- Cornell AI Innovation Hub —collabore_avec→ Cornell Treasury Operations (ORGANISATION, 0.97)
- Cornell AI Innovation Hub —a_créé→ pipeline de rapprochement des paiements non identifiés (TECHNOLOGIE, 0.95)
- pipeline de rapprochement des paiements non identifiés —utilise→ Claude Code (TECHNOLOGIE, 0.96)
- pipeline de rapprochement des paiements non identifiés —utilise→ Gemini Enterprise Web Search (TECHNOLOGIE, 0.94)
- pipeline de rapprochement des paiements non identifiés —utilise→ Cornell AI Gateway (TECHNOLOGIE, 0.93)
- Claude Code Plan Mode —permet→ passer d'un semestre de notes à un outil fonctionnel en une seule session (AFFIRMATION, 0.9)
- pipeline de rapprochement des paiements non identifiés —mesure→ 100 % de précision au backtest avec la chaîne IA complète (vs 97 % en fuzzy-matching seul) (MESURE, 0.93)
- Cornell AI Innovation Hub —mesure→ 100 000 $ récupérés sur un premier lot (5 paiements, 23 départements contactés, 7 réponses) (MESURE, 0.95)
- Cornell AI Innovation Hub —affirme_que→ les noms de fournisseurs figurent sur 99 % des paiements non identifiés, contre moins de 4 % pour les numéros de facture (AFFIRMATION, 0.92)
- Cornell AI Innovation Hub —est_instance_de→ framework Leader-Lab-Crowd (CONCEPT, 0.85)
- Cornell Treasury Operations —est_instance_de→ framework Leader-Lab-Crowd (CONCEPT, 0.85)
- Ethan Mollick —recommande→ récompenser les employés qui découvrent des usages transformationnels de l'IA (AFFIRMATION, 0.9)
- récupération de 100 000 $ —est_instance_de→ récompense visible de l'adoption IA (CONCEPT, 0.82)
- Cornell AI Innovation Hub —recommande→ une approche « contexte d'abord » (groundwork avant build) (AFFIRMATION, 0.88)

---
Canonical: https://www.thekb.eu/es/fiches/cornell-ai-hub-100k-unidentified-payments-2026-06-15/