¿Puede la inteligencia artificial reemplazar al analista de riesgo?
Hugo Valenzuela
¿Puede la inteligencia artificial reemplazar al analista de riesgo?
Durante los últimos años, la conversación sobre inteligencia artificial en las empresas ha estado marcada por una pregunta bastante directa: ¿qué tareas puede automatizar una máquina? Al comienzo, la discusión se concentró principalmente en herramientas capaces de redactar textos, resumir documentos, analizar información o responder preguntas. Sin embargo, la evolución reciente de los modelos está desplazando esa conversación hacia un escenario bastante más amplio: sistemas capaces no solamente de responder, sino también de ejecutar tareas, utilizar herramientas, consultar distintas fuentes y desarrollar procesos de varios pasos con un grado creciente de autonomía.
Esto está cambiando la manera en que muchas empresas imaginan la incorporación de inteligencia artificial. OpenAI, por ejemplo, ha definido los agentes como sistemas capaces de realizar tareas de manera independiente en nombre de los usuarios y durante 2025 comenzó a poner a disposición herramientas específicas para que desarrolladores y empresas construyan este tipo de aplicaciones. En junio de 2026, la propia compañía publicó un análisis sobre la evolución del trabajo con agentes, señalando que el uso está pasando desde interacciones puntuales hacia tareas de mayor duración y complejidad, incluyendo áreas no técnicas como finanzas, legal, operaciones y recursos humanos.
La misma transformación puede observarse en otras compañías que están desarrollando esta tecnología. Microsoft plantea una evolución desde la IA como asistente hacia equipos híbridos compuestos por personas y agentes, donde estos últimos pueden asumir tareas específicas y, en una etapa posterior, participar en procesos completos bajo dirección humana. Su Work Trend Index 2025 describía precisamente esta transición como el paso desde asistentes que ayudan a realizar mejor el trabajo hacia agentes capaces de ejecutar flujos de trabajo completos.
Google, por su parte, ha llevado esta lógica al ámbito empresarial con herramientas orientadas a conectar los modelos de IA con información corporativa y procesos de trabajo, planteando que la transformación empresarial va más allá de los chatbots y requiere integrar agentes en los distintos flujos de trabajo. Anthropic también describe los agentes como sistemas que reciben un objetivo y pueden desarrollar de manera autónoma una secuencia de acciones, utilizando herramientas y fuentes de información para completar tareas complejas.
Todo esto permite entender que la revolución actual de la inteligencia artificial no consiste solamente en tener una herramienta que responde preguntas más rápido que una persona. El cambio más profundo está en que la IA comienza a convertirse en una capa de ejecución sobre los procesos de una organización.
Una empresa puede imaginar, por ejemplo, un proceso comercial en el que un agente identifica potenciales clientes, recopila información, prepara antecedentes y propone una estrategia de contacto. En finanzas puede revisar documentos, clasificar transacciones y detectar anomalías. En recursos humanos puede organizar información y apoyar determinados procesos administrativos. En operaciones puede monitorear indicadores y generar alertas. Y en compliance o gestión de riesgos puede consultar múltiples fuentes, cruzar antecedentes, identificar señales y preparar una evaluación para que una persona tome una decisión.
El punto relevante es que en todos estos casos existe una diferencia entre hacer el trabajo y tomar la decisión.
Encontrar información no es lo mismo que interpretarla
Esta distinción es especialmente importante cuando hablamos de riesgo empresarial.
Una evaluación de un proveedor, cliente, trabajador, socio comercial o tercero puede generar una enorme cantidad de información. Puede incluir antecedentes societarios, representantes legales, causas judiciales, información tributaria, relaciones entre personas y empresas, sanciones, noticias, indicadores financieros, conflictos de interés y otros antecedentes relevantes.
La dificultad no está necesariamente en encontrar esos datos. Una parte cada vez mayor de ese trabajo puede ser automatizada.
La dificultad está en determinar qué significa cada antecedente dentro de un contexto determinado.
Una sociedad que aparece vinculada a una causa judicial, por ejemplo, no necesariamente representa el mismo nivel de riesgo para todas las empresas. Una deuda tributaria puede tener una relevancia distinta dependiendo de su antigüedad, magnitud, situación actual y relación con el negocio. Una persona vinculada a varias sociedades puede ser perfectamente normal en una industria y requerir una revisión adicional en otra.
Por eso, el análisis de riesgo no consiste simplemente en acumular antecedentes. Consiste en relacionarlos, contextualizarlos y determinar qué señales merecen atención.
Aquí aparece una de las principales oportunidades de la inteligencia artificial.
La IA es especialmente poderosa donde existe mucha información
Los modelos actuales pueden procesar grandes volúmenes de información a una velocidad que difícilmente puede alcanzar una persona trabajando manualmente. Pueden clasificar documentos, comparar antecedentes, identificar entidades, detectar coincidencias, resumir información y establecer relaciones entre elementos que se encuentran dispersos en diferentes fuentes.
Esto resulta especialmente útil en procesos de due diligence, donde una parte importante del trabajo consiste precisamente en buscar, ordenar y contrastar información.
Pero la capacidad de procesamiento no es suficiente por sí sola.
Un sistema puede encontrar diez señales de alerta y seguir sin saber cuáles son realmente relevantes. También puede identificar una inconsistencia que tenga una explicación perfectamente razonable o, al contrario, pasar por alto que varios antecedentes aparentemente menores forman parte de un patrón que merece una investigación más profunda.
La diferencia entre ambos escenarios está en la capacidad de interpretar.
Por eso, el verdadero salto tecnológico no aparece cuando la IA simplemente encuentra más información, sino cuando puede utilizar información relevante dentro de un marco de análisis.
El verdadero salto aparece cuando la IA tiene contexto
Un modelo puede recibir como instrucción que busque causas judiciales de una empresa. Pero un sistema diseñado específicamente para riesgo empresarial puede recibir algo mucho más sofisticado: identificar antecedentes judiciales relevantes, clasificarlos según su naturaleza, determinar si afectan a la empresa o a personas relacionadas, contrastarlos con información societaria y financiera y establecer si existe alguna conexión que justifique profundizar el análisis.
En ese escenario, el sistema ya no está simplemente buscando.
Está aplicando criterios.
Y aquí es donde el concepto de juicio experto adquiere especial importancia.
El juicio experto no significa que una máquina tenga experiencia humana en el sentido tradicional. Significa que los criterios utilizados por especialistas pueden incorporarse al diseño del sistema para orientar cómo analiza la información, qué relaciones debe buscar, qué señales deben generar una alerta y cuándo una situación debería ser escalada para revisión humana.
La diferencia es significativa.
Una IA genérica puede responder correctamente una pregunta. Un agente especializado puede saber qué preguntas adicionales debería hacerse antes de entregar una conclusión.
La OCDE ha avanzado precisamente en esta dirección. Su OECD Due Diligence Guidance for Responsible AI, publicada en febrero de 2026, propone incorporar la gestión de riesgos asociados a la IA dentro de las políticas, estructuras y procesos de las organizaciones, asignando responsabilidades claras a los niveles directivos y considerando mecanismos para identificar, evaluar y escalar riesgos.
Esto ayuda a entender que la incorporación de inteligencia artificial a los procesos empresariales no debería consistir simplemente en agregar un chatbot a una operación existente. El verdadero cambio ocurre cuando la tecnología se integra al proceso, conoce su contexto y tiene reglas claras sobre qué puede hacer, qué debe explicar y cuándo debe pedir intervención.
Una recomendación puede ser una herramienta de decisión, no una decisión automática
Esta diferencia es probablemente una de las más importantes cuando hablamos de inteligencia artificial aplicada al riesgo.
Supongamos que un agente analiza una empresa y concluye que existen tres señales que justifican una revisión adicional: una inconsistencia tributaria, una relación societaria relevante y determinados antecedentes judiciales.
El sistema podría recomendar profundizar la investigación.
Eso no significa que haya tomado la decisión de rechazar al proveedor.
La recomendación cumple otra función: ayuda al analista a saber dónde mirar.
Puede indicarle qué antecedentes revisar, qué contradicciones resolver, qué información falta y qué elementos parecen estar relacionados entre sí. En lugar de sustituir el trabajo humano, puede reducir considerablemente el tiempo necesario para llegar a una conclusión informada.
Esta diferencia es consistente con la manera en que los principales actores tecnológicos están describiendo la evolución de los agentes. Microsoft, por ejemplo, plantea que la relación entre humanos y agentes requiere determinar qué tareas pueden asumir estos sistemas y dónde sigue siendo necesaria la participación humana, especialmente en decisiones de mayor impacto.
La regulación europea también refleja esta preocupación. El artículo 14 del Reglamento de Inteligencia Artificial de la Unión Europea establece requisitos de supervisión humana para sistemas de IA de alto riesgo y señala expresamente la necesidad de considerar el riesgo de una confianza excesiva en los resultados generados por el sistema, especialmente cuando esos resultados entregan información o recomendaciones para que una persona adopte una decisión.
Esto es particularmente relevante para el análisis empresarial.
Automatizar una recomendación no es lo mismo que automatizar una decisión.
El riesgo de confiar demasiado en una respuesta convincente
La inteligencia artificial tiene además un problema que no desaparece simplemente porque el modelo sea más sofisticado: puede producir respuestas plausibles que requieren verificación.
En un proceso de riesgo, esto puede tener consecuencias importantes. Una fuente mal interpretada, una entidad confundida con otra, una relación societaria incorrectamente atribuida o un antecedente desactualizado pueden modificar la interpretación de un caso.
Por eso, un sistema destinado a participar en procesos críticos necesita algo más que capacidad de generación. Necesita trazabilidad, fuentes, controles, criterios de escalamiento y mecanismos para que una persona pueda comprender por qué el sistema llegó a determinada conclusión.
NIST, a través de su AI Risk Management Framework, plantea precisamente la necesidad de definir responsabilidades humanas y establecer cómo deben organizarse las configuraciones entre personas y sistemas de IA. El marco contempla escenarios que van desde sistemas completamente manuales hasta configuraciones con distintos grados de autonomía y participación humana.
La consecuencia práctica es importante: una buena implementación de IA no debería esconder el proceso de análisis detrás de una respuesta final.
Por el contrario, debería ayudar a hacerlo más comprensible.
Un buen agente no debería eliminar las preguntas difíciles
Existe una tentación natural cuando una tecnología funciona bien: pedirle que haga cada vez más cosas.
Pero en análisis de riesgo, aumentar la autonomía no necesariamente significa aumentar la calidad.
Un agente puede encargarse de investigar una contraparte, consultar fuentes, comparar información, generar hipótesis y preparar una recomendación. Sin embargo, cuando encuentra información contradictoria o insuficiente, una buena arquitectura no debería obligarlo a inventar una respuesta para completar el proceso.
Debería poder decir: aquí falta información.
O: estos antecedentes son contradictorios.
O incluso: este caso requiere revisión humana.
Esta capacidad de detenerse y escalar un caso es tan importante como la capacidad de automatizarlo.
La propia OCDE plantea mecanismos de escalamiento para situaciones en que determinados indicadores de riesgo justifican una revisión más profunda y recomienda que las organizaciones definan responsabilidades de supervisión y revisión dentro de sus estructuras de gobierno.
En otras palabras, un agente realmente útil no es necesariamente el que responde todo.
Es el que sabe qué puede resolver, qué debe investigar y cuándo debe pedir ayuda.
El analista no desaparece. Cambia su función
La incorporación de inteligencia artificial probablemente modificará el trabajo de quienes hoy realizan análisis de riesgo, pero no necesariamente en la forma más sencilla de imaginar.
Si una parte importante de la búsqueda, clasificación, comparación y documentación puede ser realizada por sistemas automatizados, el valor del profesional comienza a desplazarse hacia actividades donde el contexto y el criterio tienen mayor importancia.
El analista puede dedicar menos tiempo a buscar manualmente información y más tiempo a comprenderla. Puede revisar las excepciones, contrastar hipótesis, evaluar explicaciones, conversar con las áreas involucradas y determinar si una señal tiene realmente importancia para el negocio.
Su trabajo se vuelve menos parecido al de un operador que recopila antecedentes y más parecido al de una persona que supervisa, interpreta y decide.
Microsoft utiliza una expresión interesante para describir esta transformación: organizaciones compuestas por equipos híbridos de personas y agentes, donde los agentes ejecutan determinadas tareas y las personas mantienen la dirección y responsabilidad sobre el trabajo. Su investigación de 2026 señala además que las organizaciones están comenzando a documentar los flujos entre agentes y personas, así como estándares de calidad y mecanismos de evaluación.
Esta idea resulta particularmente relevante para el riesgo empresarial porque plantea que la pregunta ya no es cuántas personas pueden ser reemplazadas por IA, sino cómo se redistribuyen las capacidades entre personas y sistemas.
La supervisión humana no significa revisar todo manualmente
También sería un error interpretar la supervisión humana como la obligación de que una persona revise cada operación que realiza una IA.
Si fuera así, gran parte de la ventaja de automatizar desaparecería.
La supervisión puede diseñarse de acuerdo con el nivel de riesgo. Un agente podría ejecutar automáticamente tareas de bajo impacto, mientras que determinadas señales podrían activar una revisión humana. Un caso sencillo podría continuar sin intervención, mientras uno que combine múltiples señales de alerta podría ser derivado a un analista.
Este enfoque permite construir procesos donde la autonomía aumenta cuando el riesgo disminuye y el control humano se intensifica cuando las consecuencias potenciales son mayores.
La regulación europea utiliza precisamente este principio al señalar que las medidas de supervisión humana deben ser proporcionales al riesgo, al nivel de autonomía y al contexto de utilización del sistema.
La idea también es consistente con las recomendaciones internacionales sobre gestión responsable de inteligencia artificial: no se trata de elegir entre automatización absoluta y revisión manual absoluta, sino de diseñar una arquitectura en la que cada tarea tenga el nivel de autonomía y supervisión que corresponda.
De la automatización al juicio experto
Aquí aparece probablemente una de las transformaciones más interesantes que traerá la IA a los procesos empresariales.
Durante años, digitalizar un proceso significó llevar a una plataforma tareas que antes se hacían manualmente. Después llegó la automatización, que permitió ejecutar determinadas acciones sin intervención constante de una persona.
Los agentes de IA agregan una nueva posibilidad: incorporar capacidades de análisis y criterio dentro del proceso.
Eso no significa convertir al sistema en una autoridad que decide por la empresa. Significa que puede incorporar reglas, conocimiento especializado, metodologías y criterios que permitan orientar su análisis.
En due diligence, por ejemplo, un agente podría no limitarse a señalar que una persona aparece vinculada a determinadas sociedades. Podría analizar la naturaleza de esas relaciones, identificar cuáles son relevantes para la operación que se está evaluando, contrastarlas con otros antecedentes y recomendar qué aspecto debería revisar el analista.
La diferencia está en pasar de una plataforma que entrega datos a una plataforma que ayuda a entender qué significan esos datos.
Y eso cambia considerablemente el valor de la tecnología.
La verdadera revolución puede estar en cómo se diseñan los procesos
Las empresas que están liderando el desarrollo de inteligencia artificial están apuntando hacia una transformación que va más allá de incorporar una herramienta nueva al computador de cada trabajador.
OpenAI está desarrollando agentes capaces de ejecutar tareas de mayor duración y complejidad. Microsoft plantea organizaciones donde personas y agentes trabajan conjuntamente y donde estos últimos pueden asumir procesos completos. Google está integrando agentes con información y flujos de trabajo empresariales. Anthropic está desarrollando sistemas capaces de ejecutar tareas complejas mediante herramientas y capacidades especializadas.
El punto común no es que todas estas compañías estén proponiendo exactamente el mismo modelo. Sus productos, arquitecturas y aproximaciones son diferentes. Lo relevante es que existe una evolución observable desde sistemas que responden preguntas hacia sistemas que pueden participar activamente en la ejecución de trabajo.
Para las empresas, eso significa que probablemente será necesario volver a mirar procesos que hasta ahora se consideraban simplemente administrativos.
Un due diligence puede convertirse en un flujo inteligente de investigación. Una revisión financiera puede transformarse en un sistema continuo de detección y explicación de anomalías. Un proceso de onboarding de proveedores puede incorporar agentes que verifiquen información, identifiquen faltantes y soliciten antecedentes adicionales. Un sistema de compliance puede pasar de registrar controles a monitorear señales y recomendar dónde concentrar los esfuerzos de revisión.
En todos estos casos, la tecnología puede asumir una parte importante del trabajo sin que la empresa tenga que renunciar al criterio humano.
La pregunta ya no es si la IA reemplazará al analista
La pregunta inicial, entonces, quizás está mal planteada.
Preguntar si la inteligencia artificial reemplazará al analista supone imaginar que el trabajo consiste en una sola actividad que puede ser realizada por una persona o por una máquina.
La realidad es bastante más compleja.
El trabajo de análisis está compuesto por buscar información, verificarla, clasificarla, relacionarla, detectar señales, formular hipótesis, evaluar explicaciones, comprender el contexto, determinar la relevancia de los antecedentes y finalmente tomar o recomendar una decisión.
Algunas de esas tareas son particularmente apropiadas para la automatización. Otras pueden ser potenciadas por sistemas de IA. Y otras seguirán necesitando personas que comprendan el contexto y asuman la responsabilidad por las decisiones.
Por eso, la discusión más interesante no es si la IA reemplazará al analista, sino qué parte del trabajo del analista puede asumir un agente, qué parte puede potenciar y cómo incorporar conocimiento experto dentro de esos sistemas sin convertir sus recomendaciones en decisiones automáticas.
La inteligencia artificial puede hacer que una empresa encuentre más información.
Un buen modelo puede ayudar a ordenarla.
Un agente bien diseñado puede relacionarla, interpretarla, detectar contradicciones y recomendar dónde profundizar.
Y cuando ese agente incorpora criterios expertos, puede convertirse en una herramienta mucho más poderosa que un simple buscador o generador de respuestas.
Pero la decisión sigue necesitando contexto.
Ahí está probablemente el verdadero valor de incorporar inteligencia artificial al análisis de riesgo: no decidir por la persona, sino ayudarla a llegar mejor preparada al momento de decidir.
Bibliografía y fuentes consultadas
OECD (2026). OECD Due Diligence Guidance for Responsible AI. OECD Publishing.
OECD (2026). OECD Due Diligence Guidance for Responsible AI – Due diligence framework and practical examples.
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, especialmente artículo 14 sobre supervisión humana.
OpenAI (2025). New tools for building agents.
OpenAI (2025). Introducing Operator.
OpenAI (2026). How agents are transforming work.
Microsoft (2025). The 2025 Annual Work Trend Index: The Frontier Firm is born.
Microsoft (2026). Work Trend Index: Agents, human agency, and the opportunity for every organization.
Google (2025). Gemini at Work 2025: Introducing Gemini Enterprise.
Anthropic (2025). Our framework for developing safe and trustworthy agents.