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.

Formar eficazmente a los equipos de un fondo en IA no consiste en impartir conocimientos teóricos, sino en transformar las prácticas reales de trabajo.
Una formación pertinente parte siempre de las situaciones reales a las que se enfrentan los equipos. Los profesionales de la inversión no necesitan un discurso general sobre la IA, sino una comprensión operativa: qué permite realmente la herramienta, sus limitaciones y las condiciones en las que puede utilizarse sin degradar el rigor de los procesos.
Esto significa segmentar los enfoques. Las necesidades de un socio, un analista, un equipo de IR, cumplimiento, middle office o ESG son profundamente diferentes. Por lo tanto, una formación eficaz se basa en una base común (principios, riesgos, mejores prácticas), complementada con casos de uso específicos: analizar un memorando de inversión, resumir un memorando informativo, explorar una sala de datos, prepararse para un comité, realizar un cribado sectorial o gestionar un intercambio complejo con un LP.
La clave reside en la aplicabilidad inmediata. Cada módulo debe permitirle actuar al día siguiente, con beneficios visibles y mensurables. Esto es lo que transforma la aculturación en adopción real.
Pero la formación no puede considerarse un hecho aislado. Los modelos evolucionan, las herramientas cambian, los usos se aclaran y los riesgos cambian. Un enfoque eficaz requiere tiempo: sensibilización inicial, talleres prácticos por línea de negocio, comentarios de los compañeros y apoyo continuo para ajustar las prácticas.
Por último, un punto que a menudo se subestima: formarse en IA también significa formarse en el discernimiento. Saber cuándo utilizar la herramienta, cuándo desconfiar de ella y cómo comprobar sus resultados es tan importante como saber utilizarla.
Por tanto, el sistema adecuado combina enseñanza, práctica e iteración. Este es el tipo de enfoque que permitirá que la IA arraigue firmemente en los procesos de un fondo, sin caer en un planteamiento teórico desconectado del terreno.