De buscar información a entender el riesgo: cómo la IA está cambiando el due diligence
Hugo Valenzuela
Durante mucho tiempo, una parte importante del trabajo de due diligence consistió en buscar información. Revisar registros públicos, consultar antecedentes societarios, verificar representantes legales, identificar causas judiciales, revisar información financiera y tributaria, buscar noticias y contrastar distintos documentos formaba parte de un proceso que, en muchos casos, dependía de la capacidad de una persona para reunir antecedentes dispersos y ordenarlos de manera comprensible.
La digitalización hizo que ese trabajo fuera progresivamente más rápido, pero no necesariamente cambió su naturaleza. Las empresas pasaron de revisar documentos físicos a consultar bases de datos y plataformas digitales, y posteriormente comenzaron a utilizar herramientas capaces de automatizar búsquedas y generar reportes. Sin embargo, el resultado seguía dependiendo en buena medida de una persona que debía leer los antecedentes, establecer relaciones entre ellos y determinar qué significaban para la decisión que la empresa estaba a punto de tomar.
La inteligencia artificial está comenzando a modificar precisamente esa última parte del proceso. Su impacto no está solamente en encontrar información con mayor velocidad, sino en la posibilidad de construir sistemas capaces de relacionar antecedentes, interpretar señales, formular nuevas preguntas y desarrollar investigaciones de manera progresiva, acercando el due diligence a un proceso de análisis continuo en lugar de limitarlo a una recopilación de información.
De la búsqueda de información a la interpretación
La diferencia puede parecer pequeña, pero tiene consecuencias importantes. Buscar información significa encontrar un antecedente. Interpretarlo significa comprender qué relación tiene con otros antecedentes y qué relevancia puede tener para una decisión concreta.
Supongamos que una empresa está evaluando contratar a un proveedor. Una búsqueda tradicional puede identificar que ese proveedor registra determinadas causas judiciales, que uno de sus representantes participa en otras sociedades y que existen determinados antecedentes financieros o tributarios asociados a la empresa. Cada uno de esos datos puede incorporarse a un informe, pero la existencia de la información no resuelve por sí misma la pregunta que realmente interesa a quien debe tomar la decisión: ¿qué nivel de riesgo representa este tercero para nuestra empresa y por qué?
Para responder esa pregunta es necesario ir más allá de la búsqueda. Hay que establecer si las causas están relacionadas con la actividad empresarial, si los vínculos societarios tienen alguna relevancia para la operación, si los antecedentes financieros muestran una situación puntual o una tendencia y, sobre todo, si diferentes señales que parecen independientes forman parte de un mismo patrón.
Ese es precisamente uno de los espacios donde la inteligencia artificial puede cambiar la naturaleza del due diligence. Un sistema suficientemente desarrollado puede no limitarse a recuperar información, sino utilizar determinados antecedentes para decidir qué información adicional necesita consultar y qué relaciones debería investigar antes de llegar a una conclusión.
La diferencia entre ambos enfoques es relevante porque permite pasar de un modelo en el que la tecnología responde a una pregunta formulada por una persona a otro en el que el sistema también puede contribuir a formular las preguntas que deberían hacerse a continuación.
La evolución hacia sistemas capaces de investigar
Esta transformación está relacionada con el desarrollo de los llamados agentes de inteligencia artificial. A diferencia de un sistema que simplemente recibe una instrucción y genera una respuesta, un agente puede trabajar con un objetivo determinado y ejecutar una secuencia de acciones para alcanzarlo, utilizando herramientas, consultando información y evaluando los resultados obtenidos antes de continuar.
Las principales compañías que están desarrollando modelos de inteligencia artificial están avanzando en esta dirección. OpenAI ha presentado herramientas para construir agentes capaces de utilizar herramientas y desarrollar tareas de varios pasos, mientras Microsoft ha planteado una evolución hacia organizaciones en las que personas y agentes trabajan conjuntamente y estos últimos pueden asumir determinadas partes de los flujos de trabajo. Google y Anthropic también han desarrollado capacidades orientadas a que los modelos puedan interactuar con herramientas, fuentes de información y procesos más complejos.
El interés empresarial de esta evolución es evidente porque muchos procesos corporativos no consisten en una sola tarea, sino en una cadena de actividades que se relacionan entre sí. Un proceso de incorporación de proveedores, por ejemplo, puede comenzar con la identificación de una empresa, continuar con la revisión de sus antecedentes societarios y legales, incorporar información financiera y tributaria, contrastar a sus representantes y beneficiarios finales, revisar señales reputacionales y terminar con una evaluación que determine si es necesario solicitar información adicional.
Tradicionalmente, cada una de esas etapas podía estar distribuida entre personas, plataformas y fuentes diferentes. Un agente especializado podría, en cambio, coordinar parte de esa secuencia y utilizar los resultados de una etapa para determinar qué debería hacer en la siguiente. Si encuentra una señal que requiere mayor profundidad, podría consultar una fuente adicional. Si detecta información contradictoria, podría marcarla para revisión. Si no encuentra antecedentes suficientes, podría identificar la ausencia de información como un elemento que debe ser considerado.
En ese escenario, la tecnología deja de ser solamente una herramienta de consulta y empieza a convertirse en parte de la arquitectura del proceso de análisis.
No se trata de tener más información, sino de hacer mejores preguntas
La enorme capacidad de procesamiento de los modelos actuales puede generar la impresión de que el principal problema del due diligence era la falta de información. En realidad, muchas veces ocurre exactamente lo contrario. Las empresas ya tienen acceso a una cantidad considerable de antecedentes, pero no siempre cuentan con el tiempo, las herramientas o los criterios necesarios para relacionarlos adecuadamente.
La dificultad aparece cuando el volumen de información supera la capacidad humana de revisarla con el mismo nivel de profundidad en cada caso. Una persona puede analizar detalladamente a un tercero estratégico, pero resulta mucho más difícil mantener ese nivel de profundidad cuando una organización debe evaluar cientos o miles de proveedores, clientes o contrapartes.
La inteligencia artificial puede ayudar a resolver parte de ese problema porque permite aplicar determinados criterios de análisis de manera sistemática. Un agente puede revisar grandes cantidades de información y concentrar la atención humana en aquellos casos en los que aparecen señales que realmente justifican una investigación adicional.
Esto cambia también la lógica del proceso. En lugar de que una persona tenga que revisar todo para descubrir qué es importante, el sistema puede realizar una primera exploración, identificar patrones y entregar al analista una representación mucho más estructurada del problema. El profesional, entonces, puede concentrar su tiempo en comprender las situaciones complejas y determinar qué significado tienen dentro del contexto específico de la empresa.
La OCDE ha comenzado a abordar esta transformación desde una perspectiva similar. Su guía de 2026 sobre due diligence para inteligencia artificial plantea que las organizaciones deben integrar la gestión de riesgos dentro de sus políticas y procesos, identificar y evaluar impactos, hacer seguimiento de las medidas adoptadas y establecer mecanismos de supervisión y escalamiento. La orientación también considera la importancia de definir umbrales de riesgo que permitan determinar cuándo una situación requiere una revisión más profunda.
La idea es importante porque muestra que un sistema de IA no debería ser evaluado únicamente por su capacidad de producir respuestas, sino también por su capacidad para reconocer cuándo una respuesta no es suficiente.
Cuando el dato se convierte en una señal
En un proceso tradicional, el resultado de una búsqueda suele ser un dato. En un proceso más avanzado, ese dato puede convertirse en una señal de riesgo cuando se analiza junto con otros antecedentes.
La diferencia puede observarse con un ejemplo sencillo. Encontrar que una persona participa en varias sociedades no constituye por sí mismo una señal negativa. Sin embargo, si esa participación se combina con determinadas relaciones comerciales, cambios societarios, antecedentes judiciales y vínculos con otras personas involucradas en la operación que se está evaluando, el conjunto puede adquirir una relevancia que no era evidente al revisar cada antecedente por separado.
El desafío consiste precisamente en reconocer esas relaciones sin convertir cualquier coincidencia en una alerta. Un sistema que marca todo como riesgoso tampoco es útil, porque termina produciendo demasiados falsos positivos y obliga al analista a revisar nuevamente una cantidad excesiva de casos.
Por eso, el valor de un modelo especializado no está solamente en detectar señales, sino en interpretarlas dentro de un contexto y establecer qué tan relevantes pueden ser. Para conseguirlo, el sistema necesita criterios, conocimiento del dominio, reglas de análisis y capacidad para distinguir entre información relevante y ruido.
Aquí vuelve a aparecer la importancia del juicio experto. La inteligencia artificial puede procesar la información, pero para que esa capacidad se transforme en una herramienta de riesgo es necesario incorporar al sistema una comprensión de aquello que el especialista considera importante: qué relaciones deberían investigarse, qué inconsistencias merecen una explicación, qué antecedentes deben contrastarse y qué situaciones deberían escalarse.
El valor de los agentes aparece cuando pueden profundizar
Una de las características más interesantes de los agentes es que permiten imaginar un proceso en el que la investigación no termina después de la primera consulta.
Si un sistema identifica una señal relevante, puede utilizarla como punto de partida para una segunda etapa de análisis. Puede buscar antecedentes relacionados, contrastar información de otras fuentes y comprobar si la hipótesis inicial se sostiene. Si la nueva información modifica la interpretación del caso, puede incorporarla antes de elaborar una recomendación.
Esto se parece mucho más a una investigación que a una búsqueda.
En un due diligence tradicional, una persona puede realizar ese proceso mentalmente, saltando de un documento a otro y construyendo una hipótesis a partir de los antecedentes que encuentra. La ventaja potencial de un agente es que parte de esa secuencia puede estructurarse y ejecutarse de manera sistemática, dejando registrada la información utilizada y las razones por las cuales se profundizó en determinados elementos.
La trazabilidad adquiere entonces una importancia central. No basta con que el sistema entregue una conclusión aparentemente razonable. La persona que recibe esa conclusión necesita poder conocer qué antecedentes fueron considerados, cuáles fueron las fuentes utilizadas y qué elementos llevaron al sistema a recomendar una determinada acción.
Esta preocupación está presente tanto en los marcos internacionales de gestión de riesgos de IA como en la regulación europea. NIST incorpora dentro de su marco de gestión características como la transparencia, la explicabilidad, la responsabilidad y la posibilidad de comprender cómo interactúan las personas con los sistemas. El Reglamento de Inteligencia Artificial de la Unión Europea, por su parte, establece requisitos de supervisión humana para determinados sistemas de alto riesgo y busca que las personas responsables puedan interpretar adecuadamente sus resultados y actuar cuando sea necesario.
En otras palabras, mientras más capacidad tenga un agente para actuar por sí mismo, más importante se vuelve comprender cómo y por qué está actuando.
Más autonomía no significa menos control
Existe una paradoja interesante en el desarrollo de estos sistemas. A medida que los agentes son capaces de realizar más tareas sin intervención directa, también aumenta la necesidad de diseñar correctamente los límites dentro de los cuales pueden actuar.
En un proceso de bajo riesgo, puede ser razonable permitir que el sistema ejecute una serie de acciones de manera automática. En un proceso que puede afectar una relación comercial relevante, una obligación de compliance o una decisión financiera, la organización probablemente necesitará mecanismos adicionales de revisión y escalamiento.
Esto no significa volver a un modelo completamente manual. Significa distribuir la autonomía de acuerdo con el nivel de riesgo.
Un agente puede encargarse de buscar y organizar información, detectar determinadas señales y preparar una recomendación, mientras que los casos que superen determinados umbrales pueden ser derivados a una persona. De esta manera, el sistema no intenta sustituir indiscriminadamente el juicio humano, sino utilizarlo allí donde realmente aporta valor.
La OCDE recomienda precisamente establecer mecanismos de escalamiento cuando determinados indicadores de riesgo requieren una evaluación más profunda y plantea la necesidad de definir responsabilidades claras en los niveles de gestión y gobierno.
Este principio también permite entender por qué la automatización de una recomendación no equivale a automatizar una decisión. Un sistema puede concluir que existen antecedentes que justifican revisar más profundamente a un proveedor y recomendar esa revisión, pero la decisión final puede depender de otros elementos que el sistema no conoce o que la empresa considera estratégicamente relevantes.
Del reporte a un sistema de decisión
Durante años, una parte importante del valor de las plataformas de due diligence estuvo asociada a su capacidad para concentrar información y convertirla en un reporte. Ese modelo sigue siendo útil, especialmente cuando una empresa necesita dejar evidencia de que realizó determinadas verificaciones, pero la evolución de la inteligencia artificial abre una posibilidad distinta.
El sistema puede comenzar a formar parte del proceso que lleva desde la información hasta la decisión.
Eso significa que el resultado no necesariamente tiene que ser un documento estático. Puede ser una explicación de las principales señales encontradas, una identificación de las relaciones relevantes, una indicación de qué antecedentes faltan y una recomendación sobre dónde debería concentrarse la revisión humana.
La diferencia es importante porque permite que la plataforma deje de ser solamente el lugar donde se consulta información y pase a convertirse en una capa de análisis sobre las fuentes disponibles.
Esta transformación también puede hacer que el due diligence sea menos episódico. En lugar de realizar una evaluación cuando se incorpora un proveedor y volver a revisar sus antecedentes solamente cuando ocurre algún problema, una arquitectura basada en agentes puede permitir monitorear determinados cambios y activar nuevas investigaciones cuando aparezcan señales relevantes.
La inteligencia artificial, en ese sentido, puede transformar el due diligence desde una fotografía hacia un proceso más dinámico.
El desafío es enseñar al sistema qué importa
Aquí aparece uno de los principales desafíos para las empresas que quieran utilizar inteligencia artificial en procesos de riesgo. No basta con conectar un modelo general a una serie de bases de datos y pedirle que determine si una empresa es riesgosa.
La calidad del resultado dependerá de la calidad del proceso que existe detrás.
¿Qué fuentes utiliza el sistema? ¿Cómo identifica a una persona o empresa? ¿Cómo resuelve homónimos? ¿Qué antecedentes considera relevantes? ¿Cómo distingue una coincidencia de una relación significativa? ¿Qué criterios utiliza para priorizar señales? ¿Qué hace cuando existen antecedentes contradictorios? ¿Cuándo debe solicitar más información? ¿Cuándo debe escalar el caso a una persona?
Estas preguntas son tan importantes como el modelo de inteligencia artificial utilizado.
Por eso, la ventaja competitiva de los sistemas especializados probablemente no estará únicamente en utilizar un modelo más grande o más reciente. Estará también en la calidad del conocimiento que se incorpora alrededor de ese modelo, en la estructura de los procesos, en las fuentes disponibles, en la trazabilidad de los resultados y en la capacidad de traducir conocimiento experto en reglas y criterios que puedan ser ejecutados de manera consistente.
La inteligencia artificial puede aportar la capacidad de procesar una enorme cantidad de información, pero el conocimiento especializado permite determinar qué hacer con ella.
Hacia un due diligence que entienda el contexto
El cambio que está ocurriendo puede resumirse como una evolución en varias etapas. Primero estuvo la búsqueda de información, luego la capacidad de organizarla y posteriormente la automatización de determinadas tareas. Ahora aparece una etapa en la que los sistemas pueden comenzar a interpretar información, relacionarla con otros antecedentes y participar activamente en el proceso mediante agentes capaces de ejecutar secuencias de análisis.
Eso no significa que todos los procesos deban transformarse inmediatamente en sistemas completamente autónomos. De hecho, una implementación responsable requiere determinar dónde la autonomía aporta valor y dónde la intervención humana resulta necesaria. Lo relevante es que la tecnología ya permite imaginar procesos empresariales en los que la IA no se limita a entregar información, sino que contribuye a construir una comprensión más profunda del problema que la organización está intentando resolver.
Para el due diligence, esto puede representar un cambio especialmente importante. El objetivo deja de ser simplemente saber qué información existe sobre una empresa o una persona y pasa a ser entender qué significa esa información, cómo se relaciona con otros antecedentes y qué impacto puede tener sobre la decisión que la organización debe tomar.
En ese escenario, el futuro del due diligence no necesariamente estará determinado por quién consigue más datos, sino por quién consigue convertir mejor esos datos en señales, esas señales en contexto y ese contexto en una decisión informada.
La inteligencia artificial puede hacer que una empresa encuentre más información y puede reducir significativamente el tiempo necesario para analizarla. Los agentes pueden además ejecutar investigaciones, relacionar antecedentes y recomendar dónde profundizar. Pero para que todo eso tenga verdadero valor empresarial, la tecnología necesita incorporar criterios que permitan distinguir lo importante de lo accesorio y reconocer cuándo una situación requiere la intervención de una persona.
El desafío, por tanto, no es simplemente automatizar el due diligence. Es construir sistemas capaces de entender el riesgo con suficiente profundidad como para ayudar a las personas a tomar mejores decisiones, manteniendo la trazabilidad, el contexto y la responsabilidad sobre aquellas decisiones que realmente importan.
Bibliografía y fuentes consultadas
OECD (2018). OECD Due Diligence Guidance for Responsible Business Conduct. OECD Publishing.
OECD (2023). Advancing accountability in AI: Governing and managing risks throughout the lifecycle of AI systems.
OECD (2024). Recommendation of the Council on Artificial Intelligence.
OECD (2026). OECD Due Diligence Guidance for Responsible AI. OECD Publishing.
OECD (2026). OECD Responsible Business Outlook 2026: Making Commitments Count.
NIST (2023). Artificial Intelligence Risk Management Framework (AI RMF 1.0).
NIST (2024). AI Use Taxonomy: A Human-Centered Approach.
European Union (2024). Regulation (EU) 2024/1689 – Artificial Intelligence Act.
OpenAI. Documentación y publicaciones sobre agentes y sistemas capaces de utilizar herramientas y ejecutar tareas de múltiples pasos.
Microsoft. Work Trend Index y publicaciones sobre agentes, automatización y organizaciones humano-agente.
Google. Publicaciones sobre Gemini y agentes aplicados a procesos empresariales.
Anthropic. Publicaciones sobre agentes y sistemas de IA capaces de utilizar herramientas y ejecutar tareas complejas.