Preguntas & respuestas

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.

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.