La jefa de Franklin Templeton insta a las empresas a adoptar AI más rápido y proteger los datos fundamentales

La presidenta de Franklin Templeton, Jenny Johnson, instó a las empresas a no retrasar la implementación de nuevas tecnologías y a adoptar más activamente inteligencia artificial. En su lógica, la pregunta ya no es sobre la moda de la IA, sino sobre qué tan rápido los negocios pueden incorporarla en procesos reales sin perder el control sobre datos clave.

Por qué la IA se ha convertido en obligatoria

Hablando en Bloomberg Surveillance en Washington, Johnson esencialmente articuló una posición que cada vez más grandes empresas e inversores comparten: la IA ya no puede mantenerse en el estatus de un experimento de laboratorio. Para los ejecutivos, ya no es un programa de innovación separado, sino una herramienta de trabajo que afecta la productividad, la velocidad de toma de decisiones y los costos operacionales. Esto es especialmente notable en sectores con mucho análisis manual, reportes y servicio al cliente, incluyendo finanzas, consultoría y servicios corporativos.

"Las empresas necesitan aprender a usar nuevas tecnologías, incluyendo IA."

La esencia de su tesis no es que cualquier negocio deba comprar urgentemente herramientas de moda. El punto es diferente: las empresas que aprendan a usar correctamente nuevos sistemas antes que sus competidores obtendrán un efecto acumulativo. Procesan datos más rápido, comprenden mejor el comportamiento del cliente y escalan procesos internos más barato. Aquellos que continúen tratando la IA como opcional para un equipo separado corren el riesgo de descubrir en uno o dos años que su rezago se ha vuelto no de marketing, sino operacional y financiero.

Los datos como base de implementación

El segundo punto importante de Johnson es la protección de datos básicos, es decir, los datos fundamentales en los que se basan las operaciones de la empresa. Esto es especialmente importante en el contexto de la rápida implementación de modelos generativos, que necesitan acceso a documentos internos, información de clientes, análisis y correspondencia. Si un negocio le da acceso a la IA a conjuntos de datos mal etiquetados o insuficientemente protegidos, crea un riesgo doble: filtraciones y respuestas incorrectas. En tal configuración, incluso un modelo poderoso no proporcionará resultados confiables, porque el problema no estará en el algoritmo, sino en la base de todo el sistema.

En la práctica, esto significa que la implementación de IA no comienza con una demostración bonita para la junta directiva, sino con trabajo de infraestructura que rara vez se ve impresionante pero determina el resultado final. Las empresas necesitan entender de antemano qué datos se pueden conectar a los modelos, qué datos no se pueden enviar a servicios externos, quién es responsable de la calidad de las fuentes y cómo se verifican los resultados. Sin esto, incluso un piloto exitoso pronto se topará con cuestiones de seguridad, cumplimiento normativo y confianza de los empleados.

• inventario y clasificación de datos clave
• diferenciación de acceso para empleados y servicios externos
• conexión de modelos solo a fuentes verificadas
• medición del impacto a través del tiempo, calidad y reducción de riesgo

Para una empresa financiera, esta es una regla casi obvia, pero ahora se está volviendo universal para otras industrias. Si una empresa no entiende qué datos son realmente críticos, quién los usa y dónde se almacenan, la conversación sobre IA permanece superficial. El despliegue masivo de modelos sin disciplina de datos puede acelerar temporalmente tareas individuales, pero luego traer errores costosos en reportes, soporte, cumplimiento normativo y toma de decisiones.

El mercado mira más ampliamente

Johnson también abordó condiciones del consumidor y precios del petróleo—aparentemente estos son temas separados, pero para una empresa gestora de tal escala están directamente relacionados con la conversación sobre tecnología. La demanda del consumidor afecta los ingresos comerciales y el apetito de las empresas para invertir, mientras que el petróleo sigue siendo uno de los marcadores de presión inflacionaria y costos. Por lo tanto, la cuestión de la IA para grandes ejecutivos hace mucho que no existe en un vacío: se considera junto con gastos, tasas, demanda y sostenibilidad del modelo de negocio. De ahí el enfoque más sobrio para implementar nuevos sistemas en 2026.

La junta directiva quiere entender no solo dónde se pueden automatizar procesos, sino también cómo se comportará esta solución cuando el entorno macroeconómico cambie. Si el consumidor se debilita, las empresas necesitan un control más rápido sobre margen y demanda. Si los precios de la energía aumentan, el costo de la ineficiencia aumenta. En tal entorno, la IA se convierte no en una vitrina de innovación, sino en una forma de tomar decisiones más rápidamente en condiciones donde un error es más costoso que antes.

Lo que esto significa

La señal de Franklin Templeton es simple: los negocios ya no pueden simplemente discutir IA en sesiones estratégicas, necesitan llevarla a procesos, métricas y trabajo protegido con datos. Los ganadores no serán aquellos que hablen más fuerte sobre transformación, sino aquellos que vinculen tecnologías con disciplina operacional y sepan tomar decisiones ante cambios en la demanda, costos y precios.