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 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.

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.