Preguntas & respuestas

La IA puede mejorar las relaciones con los inversores y los equipos de RRII en términos reales, siempre que se utilice como palanca para mejorar la fiabilidad y la coherencia, y no como herramienta para la producción automatizada de mensajes.
Los equipos de RRII se enfrentan a una necesidad cada vez mayor de responder con mayor rapidez y proporcionar información precisa, coherente y contextualizada, adaptándose al mismo tiempo a perfiles de inversores muy diferentes. En este contexto, la IA puede desempeñar un papel estructurador.
Concretamente, puede utilizarse para preparar resúmenes a partir de informes internos, reformular el contenido en función del nivel de conocimientos del destinatario, encontrar rápidamente información en el historial de intercambios o en una sala de datos y mejorar la coherencia general de los documentos enviados. También puede ayudar en la producción de respuestas estandarizadas (preguntas frecuentes, correos electrónicos tipo), manteniendo un alto nivel de calidad editorial.
Pero la verdadera aportación de la IA no reside en la rapidez de ejecución. Reside en la capacidad de alinear los mensajes. La comunicación de calidad en materia de RRII se basa en datos únicos y fiables compartidos por los equipos. Si la IA se conecta a fuentes fragmentadas o mal gobernadas, amplifica las incoherencias en lugar de corregirlas.
El reto es, por tanto, anclar la IA en una cadena de datos controlada: las mismas cifras entre BI, informes y comunicaciones a los inversores, trazabilidad de las fuentes y control editorial sistemático antes del envío. En este contexto, la IA se convierte en una poderosa herramienta de apoyo para estructurar, armonizar y asegurar las comunicaciones.
El equilibrio adecuado consiste en utilizar la IA para preparar y garantizar la fiabilidad de los contenidos, dejando a los equipos de IR la responsabilidad del tono, el contexto y las relaciones. Es esta combinación la que mejora tanto la eficacia operativa como la confianza de los inversores.

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.

Un SaaS tradicional ejecuta acciones preprogramadas: si X, entonces Y. Un agente de IA, en cambio, recibe un objetivo, comprende el contexto, planifica sus pasos y ejecuta una secuencia de acciones adaptándose a los datos que encuentra. Esta autonomía es a la vez su ventaja y su riesgo.
En un fondo, los casos de uso pertinentes para un agente están bien definidos: procesar los correos electrónicos de los proveedores, enriquecer una hoja de operaciones, preparar automáticamente un paquete de comités a partir de una sala de datos, vigilar las señales sobre las empresas objetivo. Los casos mal planteados (tomar una decisión de inversión, enviar una comunicación a un LP sin corregir) no son casos para agentes, son casos para humanos asistidos.
Un buen agente tiene cuatro características: un perímetro claro, supervisión humana en cada etapa sensible, trazabilidad completa y reversibilidad en caso de comportamiento inesperado. Bodic desarrolla sus agentes según estos principios en el marco de sus desarrollos a medida.

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.