PRIMER ENCUENTRO DE FOUNDERS DE DRAPER HOUSE AMÉRICAS CON SOCIOS DEL IGEP
Por Manuel Der y Alejandro Marchionna Faré
El IGEP y Draper House Americas han iniciado un programa de encuentros entre los Draper founders (emprendedores de start-ups) y los socios activos del IGEP. La primera sesión tuvo lugar el lunes 20 de octubre en Draper House Buenos Aires. Contó con la presencia de 25 socios del IGEP, incluidos varios miembros de su Comisión Directiva (Luis Rodriguez Villasuso, Cecilia Osler). El expositor fue Manuel Der, doctor en Física, cofundador y CEO de PlusZero, una empresa especializada en inteligencia artificial que integra investigación, análisis de riesgo y ejecución en una única plataforma institucional que ofrece transparencia, auditabilidad y escala en la actividad financiera. La moderación estuvo a cargo de Alejandro Marchionna, especialista en estrategia y gobernanza, secretario del IGEP y mentor de Draper House Americas. Las diversidades de backgrounds enriquecieron los intercambios de un encuentro donde las preguntas y observaciones de los participantes fluyeron más allá del tiempo acordado, prueba de la atmósfera receptiva y el interés y utilidad de los debates.
En estos días en los que resulta innegable el rol central que están tomando las inteligencias artificiales en los diferentes ámbitos de la vida, nos es esencial poder atravesar los retos estratégicos que enfrentan los directorios con una mirada transversal, atenta también al desarrollo tecnológico y a los nuevos desafíos que trae el avance de la AI en el ámbito empresarial.
Con el objeto de poner sobre la mesa estas cuestiones y discutir perspectivas, oportunidades y posibles planes de acción, el encuentro comenzó con una discusión general sobre los distintos algoritmos de inteligencia artificial, de la que se desprendieron algunas líneas particulares ligadas a la estrategia y al directorio que nos propusimos recorrer con más detalle.
Por un lado, con respecto a la adopción institucional tanto de la AI generativa como de sistemas inteligentes, es interesante relacionar la discusión que se generó durante la exposición acerca de la conveniencia de implementar AI en la industria y el modo de hacerlo, con la situación general que se vive en las empresas. Aquí, a pesar de que una gran mayoría de las instituciones (alrededor del 75% específicamente en el sector de las inversiones [1], y sobre el 70% en las demás industrias [3,4]) considera que la AI tendrá un impacto significativo en sus negocios en los próximos 3 a 5 años y está dedicando dinero y recursos a adoptar algoritmos inteligentes, solo el 16% tiene una visión clara y una estrategia definida sobre cómo llevar a cabo esta implementación. Como resultado, solamente una minoría consigue superar con sus proyectos de AI la etapa de laboratorio y generar una verdadera eficientización del negocio. Es importante notar que dicha situación es producto de algunos factores que vale la pena mencionar y tener en cuenta a la hora de impulsar iniciativas de AI con posibilidades de éxito.
En primer lugar, es crucial que el equipo de trabajo encargado de construir la implementación reúna al mismo tiempo las habilidades técnicas necesarias para deployar y utilizar algoritmos de esta naturaleza, y un conocimiento profundo sobre el funcionamiento de la industria específica en la que será desplegado, que permita que la solución se encuentre alineada con los intereses del negocio. Esto posibilita que, una vez prototipados, los pipelines de AI superen rápidamente instancias de testeo operacional, regulatorio y de compliance que de otra forma podrían generar demoras innecesarias en el deployment. Hoy en día es mandatorio que los sistemas inteligentes puedan, además de ser eficaces desde el punto de vista tecnológico, ser transparentes y explicables para los shareholders, auditables, mostrarse libres de sesgos más allá de cierta duda razonable, y que los datos, los modelos y su arquitectura puedan ser revisados y actualizados de manera sencilla, para poder ser aplicados exitosamente en la industria. La falta de alineación entre el equipo técnico que desarrolla la tecnología y los profesionales encargados de integrarla al proceso productivo es responsable de gran parte de los retrasos y reveses que obstaculizan el proceso de deployment. Todos estos factores no pueden ser tratados a posteriori, sino que deben ser integrados desde el comienzo en la infraestructura y el desarrollo, y considerados desde la construcción o contratación del equipo.
Por otra parte, el éxito de las aplicaciones de la inteligencia artificial está directamente ligado a su compatibilidad con la infraestructura de la institución que las implementa. Aquí cabe tener en cuenta que la gran ventaja de los sistemas basados en AI depende de infraestructuras modernas que faciliten tanto el flujo de grandes cantidades de datos como un despliegue que sea escalable, preparado para el entrenamiento de modelos y el aprendizaje continuos. Y no debería sorprendernos que este también sea uno de los puntos sensibles, dado que la mayoría de las industrias establecidas descansa sobre sistemas construidos hace más de una década, donde las modernizaciones casi siempre son parciales y los procesos centrales se apoyan sobre arquitecturas monolíticas. En este sentido son muy comunes las grandes congestiones y las demoras prolongadas en la implementación debidas a incompatibilidades de infraestructura, que limitan fuertemente las posibilidades de los nuevos algoritmos. En el caso de los servicios financieros, por ejemplo, el 68% de los CTOs considera (según la EY Global Corporate Reporting Survey de Octubre 2024 [2]) que la incompatibilidad de infraestructuras y los sistemas obsoletos son el obstáculo principal a la hora de adoptar la inteligencia artificial. En este sentido, una implementación adecuada que reproduzca la performance de los testeos, requiere preparar la infraestructura previamente y de una manera integral para permitir el escalado y un despliegue ágil de estos nuevos algoritmos.
Es en este marco que surgen nuevos proyectos como PlusZero, que combinan una mirada integral de los conocimientos de la industria, en este caso especialmente del asset management, con habilidades técnicas específicas ligadas al entrenamiento y la implementación de algoritmos inteligentes en infraestructuras adecuadas, para ofrecer soluciones de marca blanca donde procesos auditables y transparentes permitan aprovechar de forma segura las ventajas de la nueva tecnología, al tiempo que garanticen la compliance y gobernanza que necesita el negocio.
Paralelamente, otra línea importante en la discusión estuvo ligada al uso tanto personal como grupal de nuevas herramientas inteligentes para el trabajo específico de estrategia y toma de decisiones en el directorio, así como también para el trabajo y coordinación de los equipos de la empresa. Aquí se vuelve imperioso entender algunas cuestiones de fondo sobre el funcionamiento de los modelos de lenguaje, que son los motores de la mayoría de los diferentes proveedores de servicios de AI. Los temas sensibles están relacionados especialmente con la alineación de objetivos y la naturaleza de los datos que distribuimos por los diferentes softwares, chatbots o aplicaciones inteligentes. En este sentido, la mayoría de los modelos comerciales que brindan servicios tanto personales como institucionales no están optimizados para priorizar nuestros intereses o los de nuestro negocio, y sería imprudente delegarles sin reparos roles de responsabilidad, agenda, comunicación o tomas de decisión, que solo tienen sentido en tanto garanticemos que se ponderan adecuadamente la visión y las prioridades de la compañía [2]. En este sentido, numerosos estudios han dejado en evidencia cómo los sistemas de AI comerciales tienden a optimizar objetivos propios (engagement, monetización, retención) que pueden entrar en conflicto con los objetivos de las empresas y también de los usuarios, y cómo en más de una ocasión, esta falta de alineación lleva a aceptar y reproducir recomendaciones erróneas y a ignorar señales contradictorias cuando se reciben recomendaciones basadas en sistemas inteligentes [5-8].
Por otra parte, los casos de filtraciones de información sensible relacionados a interacciones con AI tampoco deberían pasarnos desapercibidos, y en este sentido las configuraciones tanto de privacidad y de seguridad de los datos como las infraestructuras institucionales son cruciales para preservar la salud y la independencia del negocio. En un contexto en el que gran parte del valor de las compañías pasa por la calidad y el tipo de tratamiento que le da a los datos, y en el que se estima que alrededor de un 77% de los empleados comparte datos de la empresa con herramientas de AI que pasan por fuera del ala institucional [9], resulta más que importante poder integrar la AI a los procesos de una forma adecuada, atendiendo tanto a los modos de uso como las características y la seguridad de la infraestructura, que debe estar diseñada para preservar tanto el IP como para garantizar que el flujo de datos sensibles se produzca sólo en las direcciones deseadas. Después de todo, un estudio reciente prevé que el 50% de los ciberataques del 2026 se origine por interacciones con agentes y proveedores de AI [10], con lo que controlar los mecanismos de intercambio con estas plataformas y configurar infraestructuras seguras que no permitan el filtrado de la información se vuelven asuntos progresivamente más esenciales.
En un contexto marcado por transformaciones tecnológicas profundas, donde la interacción cotidiana con algoritmos capaces de aprender, razonar y actuar comienza a volverse la norma, el verdadero desafío para las organizaciones consiste en comprender cómo estas herramientas pueden potenciar nuestros productos, procesos y decisiones estratégicas. Preparar compañías robustas pero versátiles, capaces de integrar estas nuevas formas de inteligencia sin perder dirección ni identidad, es una tarea central para los directorios. En el mediano plazo, a medida que los modelos de IA ganen protagonismo en la arquitectura económica y operativa del sistema, la diferencia entre adoptar tecnología y gobernarla adecuadamente será cada vez más decisiva para la competitividad y la sostenibilidad del negocio.
En este marco, la sesión del 20 de octubre mostró de manera concreta cómo estas reflexiones pueden traducirse en acciones y aprendizajes reales, y ha probado el valor de esta iniciativa conjunta. Varios socios del IGEP han tenido contacto por diversos motivos con PlusZero después de la sesión. Otros socios salieron inspirados para buscar mejores maneras de utilizar la IA desde su rol de directores. PlusZero amplió el número de referentes empresarios que conocen el producto y la start-up. En reflexión posterior, la start-up también empezó a vislumbrar líneas de negocios complementarias al producto central que está desarrollando.
Tanto Draper House Americas como el IGEP esperan que haya sesiones regulares de estos encuentros tan especiales y se comprometen a aumentar el contacto entre la comunidades del IGEP y los founders que participan de la red que Draper House Americas teje constantemente en el continente americano.
Agradecemos las notas tomadas por Cecilia Osler durante la actividad.
Referencias
[1] Boston Consulting Group. AI and the Next Wave of Transformation. Global Asset Management Report, 22nd edition. Mayo 2024. [Link to Report].
[2] Caspian One – AI Practice. AI Adoption in Finance Is Stalling. Here’s What Needs to Change. Abril 2025. [Link to Article].
[3] McKinsey & Company. The State of AI in 2025: Agents, Innovation, and Transformation. 5 de noviembre de 2025. [Link to Article].
[4] Cardillo, A. (2025). How Many Companies Use AI? Exploding Topics. 3 de noviembre de 2025. [Full Text].
[5] Valenzuela, Ana, et al. “How Artificial Intelligence Constrains the Human Experience.” Journal of Consumer Research, University of Chicago Press, 2024. [Link to Article].
[6] Díaz-Rodríguez, Natalia, et al. “Connecting the Dots in Trustworthy Artificial Intelligence.” Information Fusion, 2023. [Link to Article].
[7] Goddard, Kate, et al. “Automation Bias: A Systematic Review of Frequency, Effect, and Mitigations.” International Journal of Medical Informatics, 2011. [Link to Article].
[8] Lyell, David, et al. “Automation Bias in Electronic Prescribing.” BMC Medical Informatics and Decision Making, 2017. [Link to Article].
[9] LayerX. Enterprise AI and SaaS Data Security Report 2025. Resumen publicado por TechRadar, 2025. [Link to Note].
[10] Rubrik Zero Labs. The Identity Crisis: Understanding & Building Resilience Against Identity-Driven Threats. Noviembre de 2025. [Link to Article].