Preguntas & respuestas

La introducción de la IA y los datos en un fondo no supone un cambio brusco en las líneas de negocio, pero sí da lugar a nuevas funciones en torno a la estructuración, la gobernanza y el uso operativo de los datos.
La primera función clave es la del propietario de los datos empresariales. Es el responsable de un perímetro crítico de datos, como las participaciones, los inversores o el pipeline. Define los indicadores, las reglas de gestión, los formatos esperados y las normas de calidad. Sin este papel, los datos siguen siendo difusos y difíciles de explotar.
La segunda función es la de Responsable de Datos/AI. Dirige la hoja de ruta de datos e IA del fondo, prioriza los casos de uso, arbitra la elección de herramientas y garantiza la coherencia general. Actúa como punto de convergencia entre los equipos de inversión, el Middle Office, IR y las funciones de apoyo.
Una tercera función está surgiendo en torno al Gestor de Datos Operativos. Está situado en el corazón de las operaciones, a menudo en el Middle Office, y garantiza que los flujos de datos se recopilan, controlan, consolidan y difunden correctamente. Es responsable de la calidad operativa y la fluidez de la cadena de datos.
Con la IA, también está surgiendo una función más específica de Business AI Champion. No se trata necesariamente de un perfil técnico, sino de alguien que domina las herramientas y sus usos. Ayudan a los equipos a adoptar la IA, a identificar los casos de uso pertinentes y a formalizar las mejores prácticas, sobre todo en lo que respecta a la supervisión y las limitaciones de los agentes de IA.
Por último, se está convirtiendo en esencial un papel interfuncional para la gobernanza de los datos y la IA. Esto abarca la trazabilidad, la seguridad, el cumplimiento y el control. En un contexto normativo y de LP, la capacidad de explicar los datos o una decisión se está volviendo tan importante como producirlos.
No hay necesidad inmediata de crear un equipo especializado. En la mayoría de los fondos, estas funciones surgen gradualmente de los equipos existentes. El reto consiste en determinar las responsabilidades, clarificar el alcance y estructurar el desarrollo de competencias específicas.
El punto clave es asegurarse de que estén arraigadas en el negocio. Estas funciones no deben estar aisladas en una lógica puramente técnica, sino integradas en el corazón de los procesos de inversión y gestión. Es esta proximidad la que permite transformar los datos en un verdadero motor de rendimiento.

Las alucinaciones son el principal riesgo cuando se utilizan agentes de IA en un contexto financiero. No se deben a errores aleatorios, sino al comportamiento estructural de los modelos cuando no disponen de información fiable o suficientemente acotada.
Tres niveles de control pueden reducir en gran medida este riesgo.
El primero es el anclaje estricto en una fuente de verdad certificada. El agente no debe basarse en conocimientos generales o datos implícitos, sino únicamente en un repositorio interno controlado. Cada respuesta debe estar asociada a una fuente identificable, accesible y verificable. Una respuesta sin fuente debe considerarse inválida por defecto.
El segundo nivel es la restricción del perímetro funcional e informativo. Un agente debe operar en un ámbito específico, con un conjunto limitado y controlado de datos. Cuanto más amplio sea el ámbito, mayor será el riesgo de interpretación aproximada. En la práctica, un agente especializado en un subconjunto de datos financieros, por ejemplo los KPI de un accionariado o los flujos de Middle Office, es mucho más fiable que un agente generalista.
El tercer nivel es la aplicación de controles sistemáticos sobre los resultados. Toda información numérica destinada a un uso externo, en particular para los inversores, debe ser validada por un ser humano. Esta validación debe basarse en una trazabilidad completa: la solicitud inicial, las fuentes utilizadas, las transformaciones aplicadas y la respuesta generada.
Más allá de estos principios, la arquitectura técnica desempeña un papel decisivo. Un enfoque estructurado consiste en aislar la capa de IA de los datos brutos, utilizando un repositorio centralizado y, a continuación, exponiendo únicamente los datos validados a los agentes. Esto permite un control preciso de lo que el agente puede ver y utilizar.
Por último, es importante tratar las alucinaciones como una cuestión de gobernanza, no sólo como un problema técnico. Esto significa definir normas de uso, niveles de responsabilidad y mecanismos de supervisión adecuados a lo que está en juego.
Un agente fiable no es aquel que "responde bien", sino aquel cuya respuesta puede explicarse, rastrearse y verificarse.

La IA puede mejorar significativamente la preparación de un comité de inversión, siempre que no degrade la calidad de una decisión: claridad del razonamiento, priorización de la información y solidez de la convicción.
El principal riesgo está bien identificado: la IA aumenta la cantidad de información disponible: más datos, más escenarios, más señales, sin garantizar una mejor decisión. Esta abundancia puede incluso crear una sobrecarga cognitiva y diluir los puntos verdaderamente estructurantes. Por tanto, es esencial no confundir la abundancia de información con la calidad del juicio.
Las buenas prácticas consisten en organizar la IA en torno al proceso de toma de decisiones, y no al revés. Se trata de identificar en primer lugar las cuestiones clave que se debatirán en comisión y, a continuación, elaborar resúmenes específicos, calibrados para arrojar luz sobre estas cuestiones sin pretender ser exhaustivos. El objetivo es reducir el ruido para realzar la señal.
La IA es especialmente útil para preparar estos materiales: estructurar un memorándum de inversión, resumir una sala de datos, reunir distintas fuentes de información o reformular análisis para hacerlos más legibles. Pero no debe quitar la última palabra a los equipos. La responsabilidad del análisis y la recomendación sigue siendo humana.
Un punto clave es la trazabilidad. Cada cifra o afirmación utilizada en un comité debe poder rastrearse hasta una fuente identificable. La IA puede ayudar a estructurar esta trazabilidad, pero debe basarse en una cadena de datos fiable y gobernada.
En las reuniones, su papel es más táctico: recuperar rápidamente una información específica, comprobar un punto, explorar un escenario alternativo a petición. Utilizado de este modo, se convierte en una herramienta de apoyo, sin interferir en el proceso de toma de decisiones.
Por último, el indicador de rendimiento adecuado no es el tiempo de preparación ahorrado, sino la calidad de las decisiones tomadas. Bien utilizada, la IA debe mejorar la comprensión de los problemas, la solidez de los intercambios y la capacidad de tomar decisiones, y no simplemente acelerar la producción de documentos.