La CEO de Franklin Templeton pide a las empresas adoptar la IA más rápido y proteger sus datos básicos

Jenny Johnson, CEO de Franklin Templeton, instó a las empresas a no demorar la adopción de nuevas tecnologías y a apostar con más decisión por la inteligencia artificial. Según su lógica, la cuestión ya no es la moda de la IA, sino con qué rapidez puede un negocio integrarla en procesos reales sin perder el control sobre los datos clave.

Por qué la IA se ha vuelto obligatoria

En su intervención en Bloomberg Surveillance, desde Washington, Johnson expresó una postura que comparten cada vez más grandes corporaciones e inversores: la IA ya no puede seguir siendo un experimento de laboratorio. Para los directivos ya no es un programa de innovación aparte, sino una herramienta de trabajo que influye en la productividad, la velocidad de decisión y el coste de las operaciones. Se nota sobre todo en sectores con mucho análisis manual, informes y atención al cliente, como las finanzas, la consultoría y los servicios corporativos.

«Las empresas deben aprender a usar las nuevas tecnologías, incluida la IA».

Su tesis no es que cualquier negocio deba comprar de inmediato herramientas de moda. Es otra cosa: las empresas que aprendan a usar bien los nuevos sistemas antes que sus competidores obtendrán un efecto acumulativo. Procesan datos más rápido, ven mejor el comportamiento de los clientes y escalan los procesos internos a menor coste. Quienes sigan tratando la IA como un extra opcional para un solo equipo corren el riesgo de descubrir, en uno o dos años, que el retraso ya no es de marketing, sino operativo y financiero.

Los datos como base de la adopción

El segundo énfasis de Johnson es la protección de los core data, es decir, los datos básicos sobre los que se sostiene el trabajo de la empresa. Esto es especialmente importante ante la rápida adopción de modelos generativos, que necesitan acceso a documentos internos, información de clientes, analítica y correspondencia. Si una empresa da acceso a la IA a conjuntos de datos mal etiquetados o mal protegidos, se crea un doble riesgo: filtraciones y respuestas erróneas. En esa configuración, incluso un modelo potente no dará un resultado fiable, porque el problema no estará en el algoritmo, sino en la base de todo el sistema.

En la práctica, esto significa que la adopción de la IA no empieza con una demo vistosa para el consejo de administración, sino con un trabajo de infraestructura que rara vez luce, pero que determina el resultado final. Las empresas deben decidir de antemano qué datos pueden conectarse a los modelos, cuáles no deben enviarse a servicios externos, quién responde por la calidad de las fuentes y cómo se verifica el resultado. Sin esto, incluso un piloto exitoso chocará pronto con cuestiones de seguridad, cumplimiento normativo y confianza de los empleados.

• inventario y clasificación de los datos clave
• control de acceso para empleados y servicios externos
• conexión de los modelos solo a fuentes verificadas
• medición del efecto en tiempo, calidad y reducción del riesgo

Para una empresa financiera, esta regla es casi obvia, pero ahora se vuelve universal también para otros sectores. Si una empresa no entiende qué datos son realmente críticos para ella, quién los usa y dónde se almacenan, la conversación sobre IA se queda en la superficie. Una adopción masiva de modelos sin disciplina de datos puede acelerar temporalmente tareas concretas, pero después puede traer errores costosos en informes, soporte, cumplimiento y toma de decisiones.

El mercado mira más allá

Johnson también abordó el estado del consumidor y los precios del petróleo. A primera vista son temas aparte, pero para una gestora de este tamaño están directamente ligados a la conversación sobre tecnología. La demanda del consumidor influye en los ingresos de las empresas y en su apetito inversor, mientras que el petróleo sigue siendo uno de los indicadores de la presión inflacionaria y de los costes. Por eso, para los grandes directivos, la cuestión de la IA hace tiempo que no existe en el vacío: se considera junto con los gastos, los tipos de interés, la demanda y la solidez del modelo de negocio.

De ahí el enfoque más sobrio hacia la adopción de nuevos sistemas en 2026. Los consejos de administración quieren entender no solo dónde se pueden automatizar procesos, sino también cómo se comportará esa decisión si cambia el entorno macroeconómico. Si el consumidor se debilita, las empresas necesitan un control más rápido de los márgenes y la demanda. Si la energía se encarece, aumenta el precio de la ineficiencia. En ese entorno, la IA deja de ser un escaparate de innovación y se convierte en una forma de decidir más rápido allí donde un error cuesta más que antes.

Qué significa

La señal de Franklin Templeton es sencilla: a las empresas ya no les basta con debatir sobre IA en sesiones estratégicas; deben llevarla a procesos, métricas y a un manejo protegido de los datos. Ganarán no quienes más hablen de transformación, sino quienes vinculen la tecnología con la disciplina operativa y sepan tomar decisiones en medio de una demanda, unos costes y unos precios cambiantes.