La IA obliga a los asesores a mirar primero la calidad de los datos
La inteligencia artificial (IA) está ganando peso en la gestión de activos y abre nuevas posibilidades para los asesores financieros, desde el análisis de carteras hasta la elaboración de informes o la identificación de patrones de inversión. Sin embargo, su utilidad está estrechamente vinculada a la calidad de los datos que alimentan los modelos. Un estudio de Clearwater Analytics revela que las gestoras confían cada vez más en sus herramientas de IA, pero identifican la precisión y fiabilidad de la información como uno de los principales retos para poder utilizar sus resultados con seguridad.
El informe “GenAI and the Data Divide”, elaborado a partir de una investigación entre gestores de fondos, entidades aseguradoras, hedge funds, especialistas en mercados privados y gestoras generalistas, muestra que el 70% de los participantes considera que la calidad de los datos de su organización es buena o excelente. Un 32% la califica directamente como excelente.
A primera vista, el dato refleja un elevado grado de confianza. Pero el análisis por dimensiones ofrece una lectura mucho más matizada y especialmente relevante para los profesionales que utilizan información financiera para asesorar, construir carteras o evaluar oportunidades de inversión.
La principal debilidad aparece en la precisión y fiabilidad de los datos. Solo el 56% de los encuestados considera que sus datos son buenos o excelentes en esta dimensión, el porcentaje más bajo de todos los analizados. En cambio, el 79% otorga esa valoración a la integridad y cobertura de los datos, mientras que un 48% las considera excelentes.
La diferencia, de unos 23 puntos porcentuales, apunta a un problema fundamental: las entidades disponen de grandes cantidades de información, pero tener más datos no implica necesariamente disponer de información suficientemente fiable para tomar decisiones.
El reto no es acumular datos, sino poder confiar en ellos
Para los asesores financieros, esta distinción resulta especialmente importante. Los sistemas de IA pueden procesar volúmenes de información muy superiores a los que podría manejar una persona, identificar patrones y generar respuestas en cuestión de segundos. Pero ninguna de estas capacidades corrige automáticamente un dato incorrecto, incompleto o desactualizado.
De hecho, el estudio muestra que la cobertura de la información parece estar mucho más desarrollada que su precisión. El 69% de los participantes considera completos sus conjuntos de datos, mientras que un 21% afirma que son incompletos.
En paralelo, el 70% considera buena o excelente la actualización y frescura de los datos, aunque solo el 24% los califica como excelentes. En cuanto a representatividad y sesgos, el 73% ofrece una valoración positiva, frente a un 27% que considera que la calidad en este ámbito es media o deficiente.
Para un asesor financiero, la cuestión práctica es evidente: antes de valorar la sofisticación de una herramienta de IA conviene conocer qué información utiliza, de dónde procede, con qué frecuencia se actualiza y qué controles existen sobre ella.
Esto afecta especialmente a aplicaciones relacionadas con análisis de mercados, selección de activos, generación de informes, segmentación de clientes, análisis de riesgos o elaboración de escenarios. Una herramienta puede ofrecer una respuesta técnicamente convincente y, al mismo tiempo, apoyarse en información cuya calidad no ha sido suficientemente validada.
El verdadero riesgo: confundir un problema de datos con uno de IA
La investigación de Clearwater Analytics revela además que las gestoras son conscientes de las consecuencias. El 72% muestra preocupación por los riesgos derivados de utilizar datos de baja calidad en sus operaciones de IA, con un 36% que se declara muy preocupado.
Pero existe un riesgo adicional que puede resultar especialmente relevante para las organizaciones financieras: que un error originado en los datos termine erosionando la confianza en la propia tecnología.
El 80% de los encuestados teme que la utilización de datos deficientes pueda deteriorar la confianza en la eficacia de sus herramientas de IA. El problema puede generar así un círculo vicioso: una mala respuesta puede atribuirse al modelo cuando, en realidad, el origen se encuentra en la información utilizada para entrenarlo o alimentarlo.
Para los asesores, esta distinción no es meramente tecnológica. Si una herramienta se utiliza como apoyo para elaborar análisis o propuestas de inversión, es necesario poder diferenciar entre una limitación del modelo y un problema de calidad, trazabilidad o actualización de los datos.
La consecuencia es que la supervisión humana mantiene un papel relevante. La IA puede acelerar procesos y ampliar la capacidad analítica, pero la validación de los resultados sigue siendo necesaria cuando las conclusiones pueden afectar a decisiones financieras.
El riesgo regulatorio también entra en juego
La calidad de los datos no plantea únicamente un problema de eficiencia. También puede convertirse en una cuestión de riesgo financiero y regulatorio.
El 70% de los participantes manifiesta preocupación por los riesgos financieros y legales derivados de decisiones de inversión sesgadas o de posibles sanciones regulatorias. Dentro de este grupo, un 48% se muestra muy preocupado.
La utilización de datos sesgados puede afectar, por ejemplo, a los resultados de modelos empleados para identificar oportunidades, valorar riesgos o segmentar clientes. Si los datos de partida contienen sesgos no detectados, el modelo puede reproducirlos o incluso amplificarlos.
Por este motivo, una política de uso de IA en una entidad financiera no debería limitarse a establecer qué herramientas pueden utilizarse. También debería contemplar mecanismos para identificar las fuentes de información, controlar su calidad, documentar los procesos y poder reconstruir el origen de los resultados cuando sea necesario.
Esta trazabilidad adquiere una importancia especial cuando la IA deja de utilizarse como una herramienta auxiliar y comienza a intervenir en procesos con impacto directo sobre clientes o decisiones de inversión.
Los científicos de datos, atrapados en la limpieza
Otro de los resultados del estudio apunta a una cuestión operativa. El 65% de los gestores teme que los científicos de datos estén dedicando demasiado tiempo a limpiar información en lugar de desarrollar y mejorar modelos. Un 39% expresa una preocupación elevada por el desperdicio de recursos.
El dato revela que la inversión en IA no termina con la adquisición de una plataforma o el desarrollo de un modelo. Existe una infraestructura previa que debe funcionar correctamente: integración de fuentes, normalización, reconciliación, actualización, controles de calidad y gobierno del dato.
Para las entidades que quieran escalar el uso de IA, esta infraestructura puede convertirse en uno de los principales factores de eficiencia. Cuanto más trabajo manual sea necesario para preparar los datos, menor será el tiempo disponible para desarrollar aplicaciones que aporten valor al negocio.
En este punto, el estudio refleja que las capacidades de agregación están relativamente consolidadas. El 74% de los encuestados considera eficaz la plataforma de agregación de datos que utiliza para reconciliar e integrar información procedente de distintas fuentes en un sistema unificado. Un 20% la califica como muy eficaz.
La conclusión que se desprende de estos datos es clara: agregar información parece estar más resuelto que garantizar su precisión.
El “trust gap” de la inteligencia artificial
El dato más contundente del estudio aparece cuando se pregunta por las barreras a la confianza en los resultados generados por IA. El 99% de los gestores identifica el uso de datos poco fiables y opacos como el principal obstáculo para confiar plenamente en sus resultados.
Esta práctica unanimidad refleja que el debate está evolucionando. El foco ya no se sitúa únicamente en las capacidades de los modelos generativos o en la potencia de los algoritmos, sino en la calidad del ecosistema de información que los sostiene.
Para el asesor financiero, esto supone trasladar parte de la atención desde la herramienta hacia la cadena de datos. Antes de incorporar una solución de IA al proceso de asesoramiento, puede resultar útil plantear una serie de preguntas: ¿qué fuentes utiliza?, ¿cómo se validan?, ¿cuándo se actualizaron?, ¿puede identificarse el origen de la información?, ¿existen controles sobre los datos que presentan mayor riesgo? y ¿puede revisarse posteriormente cómo se ha generado un determinado resultado?
Estas cuestiones adquieren todavía más importancia cuando se trabaja con datos procedentes de múltiples fuentes, mercados o proveedores.
Trazabilidad: saber de dónde sale cada respuesta
La capacidad para rastrear y auditar las fuentes utilizadas por los modelos constituye otro de los puntos analizados. El 67% de los participantes considera que sus modelos de IA cuentan con capacidad para realizar ese seguimiento y auditoría.
Sin embargo, un 22% no está seguro de disponer de esa capacidad y un 10% considera que es incompleta. En otras palabras, cerca de un tercio de las organizaciones no tiene plena visibilidad sobre los datos en los que se apoyan sus modelos.
Desde la perspectiva del asesoramiento financiero, esta cuestión tiene una traducción práctica: una recomendación asistida por IA debería poder someterse a un proceso de comprobación proporcional a su importancia.
La trazabilidad permite conocer qué información ha utilizado el sistema, identificar posibles errores y facilitar la revisión humana. También contribuye a establecer responsabilidades internas y a documentar los procesos utilizados en la generación de análisis.
No se trata de sustituir el criterio profesional por una explicación automática del algoritmo, sino de disponer de suficiente información para que el profesional pueda evaluar el resultado antes de incorporarlo a su trabajo.
Qué implica para el asesor financiero
El avance de la IA puede generar mejoras significativas en productividad y capacidad analítica, pero el estudio apunta a que su adopción exige modificar también la forma de trabajar con los datos.
Para los asesores financieros, esto puede traducirse en cinco prioridades concretas.
Primero, evaluar la calidad antes que la sofisticación. Una herramienta avanzada no compensa necesariamente una fuente de información deficiente. La evaluación debería comenzar por los datos que utiliza el sistema.
Segundo, exigir trazabilidad. Cuando una herramienta genera un análisis relevante, conocer las fuentes y poder revisar el proceso utilizado para llegar al resultado aporta una capa adicional de control.
Tercero, mantener la supervisión profesional. La IA puede actuar como apoyo al análisis, pero la interpretación de sus resultados requiere contexto financiero y conocimiento del cliente, especialmente cuando las conclusiones pueden influir en decisiones de inversión.
Cuarto, controlar la actualización de la información. Un dato correcto en el momento de su incorporación puede dejar de ser válido con el tiempo. La frecuencia de actualización debe guardar relación con el uso que se haga de la información.
Quinto, incorporar el gobierno del dato al gobierno de la IA. Las políticas internas deberían contemplar no solo qué modelos se utilizan, sino también qué fuentes alimentan esos modelos, quién valida los datos y cómo se documentan los controles.
El CTO de Clearwater Analytics, Souvik Das, resume esta cuestión al señalar que “los datos con los que se entrena un modelo son el input que realmente importa, más que el propio modelo”. A su juicio, las empresas han desarrollado una confianza considerable en la IA, pero la confianza en la precisión de los datos subyacentes todavía no ha alcanzado el mismo nivel.
Para el sector de la gestión de activos y el asesoramiento financiero, la evolución de la IA plantea así una cuestión central: cuanto más sofisticadas sean las herramientas, mayor será la importancia de los fundamentos sobre los que se construyen.
La ventaja de incorporar IA al asesoramiento no dependerá únicamente de disponer de modelos capaces de generar análisis en segundos. También estará condicionada por la capacidad de una organización para garantizar que esos modelos trabajan con información precisa, actualizada, representativa y trazable.
Para los asesores financieros, el mensaje es especialmente relevante: incorporar IA al proceso de trabajo no debería consistir simplemente en obtener respuestas más rápidas, sino en saber qué información sustenta esas respuestas y qué controles permiten confiar en ellas.
