Preguntas & respuestas

Al pasar de un control por muestreo a un control exhaustivo, en el que el ser humano solo se ocupa de las excepciones. La IA no valida nada: establece prioridades, y eso es precisamente lo que les falta a los equipos.

Tres aportaciones concretas. En primer lugar, la detección: variaciones anómalas de un trimestre a otro, incongruencias entre fuentes, campos incompletos, en todas las líneas y no solo en una muestra. A continuación, la explicación: cada alerta debe estar justificada, indicando la regla que la ha activado y los valores en cuestión; de lo contrario, el equipo deja de prestar atención a las alertas. Por último, la trazabilidad: quién ha resuelto la excepción, en qué se ha basado y con qué documento justificativo, para que tanto el regulador como el valorador puedan seguir el hilo.

El módulo Middle Office de Bodic Apps aplica esta lógica a los datos compartidos con el resto de la plataforma, lo que evita los controles de coherencia entre herramientas. La definición del propio plan de control —umbrales, prioridades y responsabilidades— forma parte del marco establecido con Bodic Conseil.

Sí, siempre y cuando se automatice la cadena de datos, y no solo el formato del documento final. La mayoría de los proyectos fracasan porque se centran en la «última milla», es decir, el informe LP o el dossier para el consejo de administración, cuando el coste real se encuentra en las fases previas: recopilar, volver a introducir y garantizar la fiabilidad de la información generada por terceros, en distintos formatos y con plazos diferentes.
Tres niveles de automatización, por orden de valor creciente. En primer lugar, la recopilación: un portal de introducción de datos estructurado, abierto a los directivos de las filiales, sustituye al intercambio de correos electrónicos y hace que la fecha de cierre sea previsible. Es el recurso más importante y más subestimado. A continuación, el control: coherencia con el trimestre anterior, desviaciones respecto al presupuesto, exhaustividad, con un registro de auditoría que permita responder a la pregunta «¿de dónde procede esta cifra?». Por último, la presentación, que se convierte en una tarea sencilla una vez que los datos son únicos, están fechados y validados.
Queda un límite que no debe traspasarse. La elección de los comparables, el tratamiento de un evento excepcional y el comentario dirigido a los inversores dependen del criterio del gestor. El objetivo no es eliminar el factor humano, sino reorientarlo: dedicar menos tiempo a elaborar la cifra y más a explicarla.
Esta es la lógica que se aplica en Bodic Apps, donde Portfolio Portal, Middle Office y Golden Source comparten los mismos datos en lugar de copiarlos entre sí. El marco previo, el conjunto de indicadores de referencia y la gestión del cambio en las participadas son competencia de Bodic Conseil.

La cuestión de por dónde empezar con la IA en un fondo se aborda a menudo desde el ángulo equivocado. No se trata de elegir una herramienta, sino de identificar dónde la IA puede mejorar concretamente la eficiencia operativa, la calidad de los datos o la calidad de la toma de decisiones.
En la mayoría de las empresas de gestión de activos, las primeras ganancias no se encuentran en aplicaciones complejas o "espectaculares". Por el contrario, aparecen en tareas repetitivas, que consumen mucho tiempo y tienen poco valor añadido intelectual: consolidar informes, preparar resúmenes, buscar información en documentos, elaborar informes, estructurar datos de archivos heterogéneos o procesar correos electrónicos recurrentes.
Así que el primer paso es analizar los procesos existentes. Tenemos que entender cómo trabajan realmente los equipos: por dónde fluyen los datos, qué herramientas se utilizan, dónde hay doble entrada, reprocesamiento manual, pérdida de información o dependencias de Excel.
Esta fase de mapeo es esencial, ya que nos permite identificar las áreas de fricción operativa y los puntos en los que la IA puede aportar beneficios inmediatos sin cambiar radicalmente las organizaciones.
La segunda fase consiste en estructurar la cadena de datos al mínimo. Incluso la IA de alto rendimiento produce resultados pobres si se basa en datos incoherentes, dispersos o no controlados. No es necesario construir una arquitectura compleja de inmediato, pero sí unos cimientos fiables: datos centralizados, definiciones comunes y reglas de validación mínimas.
Una vez sentadas estas bases, es posible lanzar unos pocos casos de uso específicos, con tres características: un alcance limitado, un valor mensurable y un riesgo operativo bajo.
Los proyectos más eficaces suelen ser muy pragmáticos: automatizar resúmenes de notas, extraer información de una sala de datos, preparar informes de LP, ayudar en la búsqueda de documentos o estructurar KPI participativos.
El error clásico es querer desplegar una estrategia global de IA antes de haber estabilizado los datos y los fundamentos operativos. Por el contrario, los fondos que progresan de forma más eficaz son los que construyen gradualmente: estructuración de los datos, primeros casos de uso empresarial, desarrollo de las competencias de los equipos y, a continuación, industrialización.
La IA debe verse como una capa de aceleración sobre una organización que ya domina el arte. Sin unos cimientos sólidos, amplifica las debilidades existentes. Con una cadena de datos estructurada y usos bien definidos, se convierte en una palanca operativa extremadamente potente.

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.