Micaela Portuese, Chief Data & Analytics Officer en Banco Supervielle, comparte su experiencia liderando estrategias de datos e inteligencia artificial en industrias complejas.
Con una carrera que abarca banca, tecnología y consumo masivo, Micaela Portuese fue testigo de la evolución del mundo de los datos desde lo técnico a lo estratégico.
Hoy lidera la transformación AI-driven en Banco Supervielle, desde un rol que cruza lo técnico, lo cultural y lo organizacional. En esta conversación, nos comparte qué aprendió a lo largo de su trayectoria, cómo escalar la IA en organizaciones grandes y qué condiciones deben darse para que genere valor real y tangible.
Tu recorrido combina empresas de consumo masivo, tecnología y banca. ¿Qué patrones comunes encontraste a la hora de impulsar proyectos de datos e IA en sectores tan distintos?
Hay problemáticas que se repiten en cualquier industria. La principal: conectar los proyectos de datos con el negocio. Eso implica romper con el modelo de “área que pide y área que ejecuta” y generar dinámicas interdisciplinares reales. Si el negocio no lidera, los proyectos se frenan, se despriorizan o directamente no se usan.
También se subestima el gobierno de datos. No se trata solo de calidad o seguridad: se trata de evitar silos, inconsistencias y construir una base sólida para escalar. Lo mismo con MLOps y frameworks de IA responsable. Y por último, la cultura: sin formación continua y conexión con la estrategia, no hay adopción posible.
En tu paso por Mercado Libre y Cablevisión trabajaste con datos antes de que existiera el rol de CDAO. ¿Cómo viste evolucionar esa figura?
Siempre estuve cerca de lo que hoy llamamos IA. Empecé haciendo modelos de riesgo, fraude y marketing, y más adelante trabajando en conectar esas capacidades con resultados concretos. Al principio, el desafío era lograr que se usara lo que ya teníamos. El impacto generaba confianza, y la confianza habilitaba todo lo demás.
Con el tiempo, entendimos que escalar requería convencer, formar, mostrar. Armamos células interdisciplinarias, migramos a la nube, implementamos MLOps y llegamos a tener más de 40 procesos productivos usando modelos de machine learning, todos medidos con ROI. Fue vivir la transformación digital en tiempo real.
“Si el negocio no lidera, lo más probable es que los proyectos de IA sufran demoras, queden despriorizados o, peor aún, nunca se utilicen.”
Hoy ocupás el rol de Chief Data & Analytics Officer en Banco Supervielle. ¿Cómo te preparaste para asumir un cargo con tanta transversalidad, y qué desafíos encontraste al llegar?
La clave fue entrar en modo aprendiz. El alcance era enorme: BI, Big Data, IA, DataOps, Gobierno de Datos, Digital Analytics y Cultura. Lo importante fue poder acompañar de forma genuina a cada equipo, entender las necesidades y construir una visión compartida. Me encontré con equipos muy generosos y comprometidos.
¿Qué rol cumple el CDAO en la adopción responsable de inteligencia artificial?
El rol de CDAO es clave para asegurar que la inteligencia artificial se adopte de forma responsable. Liderando la estrategia de datos y analítica para garantizar que su aplicación escale, sea ética, transparente y alineada al negocio. Impulsando una gobernanza conjunta con cumplimiento, tecnología y negocio, que promueve una cultura de uso consciente. Es el equilibrio entre innovación e integridad.
¿Cómo definís una estrategia “AI-first” en una organización tradicional como un banco?
Significa repensar cómo funciona el banco: desde la experiencia del cliente hasta los procesos internos. No todo tiene que ser IA, pero la IA puede optimizar mucho. Una estrategia AI-first contempla personalización, eficiencia, anticipación de oportunidades, nuevos modelos de monetización y generación de productos diferenciales.
También implica trabajar en talento, formación, cultura de experimentación e infraestructura de datos robusta y gobernada. Sin eso, la IA difícilmente escale.
¿Qué condiciones deben estar dadas para que la IA realmente genere impacto en el negocio?
Lo primero es que los casos de uso estén realmente alineados con la estrategia del negocio. No se trata de hacer IA por hacer, sino de resolver problemas reales, con impacto claro. Para eso, también es clave definir desde el inicio qué se quiere mejorar y cómo se va a medir: los KPIs tienen que estar claros para todos.
Además, tiene que haber una cultura de experimentación. Es importante poder empezar rápido, probar, ajustar, aprender… sin miedo al error. Y algo que a veces se pasa por alto: no todo tiene que ser un megaproyecto. Muchas veces es mejor empezar por algo simple, que funcione bien, y escalar desde ahí.
Otra condición fundamental es el trabajo en células interdisciplinarias. Es recomendable que los proyectos sean liderados por las áreas que se van a hacer uso de la solución, no por alguien externo. Y todas las áreas habilitadoras tienen que estar sentadas en la mesa desde el día uno. Esto fomenta una cultura “AI-first” y permite que las áreas de negocio incorporen conocimiento de IA para aplicarlo en otras áreas.
Por último, necesitás un buen gobierno de IA. Tener definidos los roles, los procesos, los responsables, los criterios de validación, los protocolos de monitoreo… todo eso es lo que permite que una solución no sólo funcione, sino que escale de forma segura y sostenida en el tiempo.
“La IA deja de ser solo tecnología y se convierte en valor, cuando está integrada con estrategia, datos, personas y resultados concretos.”
¿Cómo traducís el hype de la IA en resultados concretos de negocio?
Arrancando con casos de uso relevantes y medibles. Hay que definir KPIs desde el día uno, hacer pruebas rápidas que demuestren valor real — reducción de errores, mayor velocidad, menos costos— y escalar desde ahí.
La infraestructura y la gobernanza también son clave, al igual que el patrocinio ejecutivo que asegure recursos y foco. No se trata de cuántos modelos tenés, sino de cuánto impacto generan.
¿Qué errores ves más frecuentemente en la implementación de proyectos de IA?
Proyectos desarrollados en silos, sin incluir al negocio, o al revés: ideas del negocio que no involucran a tecnología y luego no pueden escalar. También se subestiman los datos, su calidad o las integraciones necesarias para implementar IA. Prototipar es fácil, pero llegar a producción no suele serlo. La ventaja competitiva no está en el algoritmo o el LLM que está al alcance de todos, sino en los datos, la cultura y la ejecución colaborativa.
¿Qué procesos en banca viste más transformados por IA en el último año?
En el último año se profundizó muchísimo el uso de IA predictiva, sobre todo para mejorar acciones de marketing, actualizar los modelos de scoring y personalizar contenido de forma más precisa. Pero sin dudas, lo más novedoso fue cómo empezó a pegar la IA generativa.
Ya no estamos hablando de promesas. Estamos viendo casos reales en funcionamiento. Por ejemplo, el uso de asistentes que ayudan a los desarrolladores a ser mucho más productivos —especialmente los más juniors— fue un cambio muy concreto. También avanzamos mucho en automatización documental: ahora podemos extraer información de documentos de forma automática y rápida, algo que antes llevaba muchísimo tiempo.
Otro cambio importante fue en las auditorías. Hoy podemos revisar el 100 % de las transacciones sin necesidad de tomar muestras, lo que mejora tanto la cobertura como la precisión. Y en atención al cliente también hay una evolución clara: pasamos de los clásicos bots con árbol de decisión a asistentes conversacionales construidos sobre LLMs, conectados a nuestras bases de conocimiento internas, que ofrecen respuestas más útiles, ágiles y fluidas. Todo esto ya está pasando.
“Ya no estamos hablando de promesas. Estamos viendo casos reales en funcionamiento.”
¿Cómo imaginás que trabajaremos con IA en 2030 en el mundo financiero?
Antes de 2030, la IA va a estar completamente integrada. Veremos productos y servicios hiperpersonalizados, estructuras más livianas y procesos proactivos donde la IA anticipe problemas y proponga soluciones en tiempo real. Las tareas repetitivas serán automatizadas y las personas se enfocarán en estrategia, empatía y creatividad.
¿Creés que veremos agentes autónomos manejando decisiones bancarias?
Sí, ya estamos viendo los primeros pasos en finanzas personales, con agentes que entienden tus objetivos, conocen el contexto del mercado y te recomiendan en tiempo real. Seguramente esto evolucione y veamos agentes autónomos en tareas más complejas —riesgo, pagos, cobranza—, aunque siempre con marcos de cumplimiento, trazabilidad y bajo supervisión humana para decisiones críticas.
¿Qué tecnologías complementarias a la IA estás observando con atención?
Todo lo que potencie el procesamiento de datos: data mesh, data fabric, edge computing y, en el horizonte, computación cuántica. También evoluciones en ciberseguridad e identidad, clave para evitar los nuevos riesgos que trae la IA.
Estamos viviendo la revolución tecnológica más grande de la historia y aún quedan muchas cosas sorprendentes por ver, cosas que ni imaginamos. Hay que vivirlo con curiosidad, responsabilidad y mucho espíritu innovador.
