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."