FinTech y IA impulsando la próxima ola de innovación

Anna Schoff – Licenciada en Ciencias en Lingüística y Procesamiento del Lenguaje Natural con experiencia en aprendizaje profundo, ciencia de datos y aprendizaje automático. Sus intereses de investigación incluyen la desciframiento neural de lenguas antiguas, traducción automática de recursos limitados y reconocimiento de idiomas. Tiene amplia experiencia en lingüística computacional, IA y NLP en academia e industria.

Bhushan Joshi – Líder de competencia en banca ISV, mercados financieros y gestión de patrimonio, con amplia experiencia en banca digital, mercados de capital y transformación en la nube. Ha liderado estrategias comerciales, consultoría e implementaciones de tecnología financiera a gran escala para bancos globales, enfocándose en microservicios, optimización de procesos y sistemas de trading.

Kenneth Schoff – Especialista técnico distinguido en The Open Group en aplicaciones de IA en IBM, con más de 20 años de experiencia en banca, mercados financieros y fintech. Se especializa en soluciones IBM Sterling, ventas técnicas y asesoramiento a ejecutivos de nivel C sobre transformaciones impulsadas por IA en cadena de suministro y servicios financieros.

Raja Basu – Líder en gestión de productos e innovación con experiencia en IA, automatización y sostenibilidad en mercados financieros. Con sólida formación en transformación tecnológica bancaria, ha liderado proyectos de asesoría e implementación global en EE. UU., Canadá, Europa y Asia. Actualmente es becario doctoral en XLRI, centrado en el impacto de la IA en los sistemas financieros y la sostenibilidad.

¡Descubre las principales noticias y eventos fintech!

Suscríbete al boletín de FinTech Weekly

Leído por ejecutivos de JP Morgan, Coinbase, Blackrock, Klarna y más

El desarrollo de tecnología de IA para FinTech crece con gran potencial, pero su avance puede ser más lento que en otras aplicaciones debido a la complejidad del problema.

La IA puede captar patrones y anomalías que los humanos suelen pasar por alto por su capacidad de consumir grandes volúmenes de datos en muchas formas estructuradas y no estructuradas.

Sin embargo, el cerebro humano, con más de 600 billones de conexiones sinápticas, ha sido llamado el objeto más complejo que conocemos — en la Tierra, en el sistema solar y más allá. La IA puede complementar el análisis humano mediante su capacidad de procesar muchos detalles en volumen, pero no puede pensar.

En clases de IA en Yale hace años, definieron la IA como “el estudio de procesos cognitivos mediante modelos computacionales”. Esta definición aún aplica. Muchas veces, los modelos computacionales resultantes son útiles por sí mismos, y han avanzado en capacidad desde sistemas expertos y pequeñas redes neuronales artificiales hasta las técnicas de Deep Learning usadas en modelos de lenguaje grande (LLMs) y en los modelos base de IA generativa.

Los avances en hardware han hecho posible mucho de esto, y estamos seguros de que aún hay más por venir.

En los años 90, sabíamos que la falta de conocimiento general en los sistemas de IA era un factor limitante importante, y ahora podemos ofrecer ese conocimiento en grandes modelos de IA. La tecnología de IA temprana se limitaba a tareas muy específicas, similares a los savants idiotas — capaces de realizar muy bien una tarea concreta, pero inútiles para otras.

Dicho esto, sí proporcionaron y aún pueden ofrecer valor en sus tareas específicas con costos computacionales mucho menores. Por razones de sostenibilidad, estas tecnologías aún pueden cumplir sus roles en el panorama de la IA.

Las capacidades de Procesamiento de Lenguaje Natural (PLN) y Procesamiento de Voz que ofrecen los LLMs ahora pueden captar quizás el 90% del contenido de un intercambio en lenguaje natural con alta precisión, lo cual es de gran valor para la interacción humano-máquina.

En el estado actual de la técnica, los modelos usados en PLN tienen un costo computacional muy alto (lea: factura eléctrica muy elevada), lo cual va en contra de consideraciones de sostenibilidad. Recuerde que un bibliotecario experimentado o profesional similar puede ofrecer resultados 100% precisos y solo requiere almuerzo. Debemos usar el recurso adecuado en el momento adecuado.

Más recientemente, con desarrollos como DeepSeek, vemos optimizaciones logradas mediante la construcción de aplicaciones específicas más pequeñas usando las mismas tecnologías que los modelos integrales más grandes. Esto es una situación en la que todos ganan: se provee tecnología de IA robusta para un dominio particular, reduciendo costos de computación. Por ejemplo, un sistema de IA fintech que apoya la gestión de patrimonio no necesita tener un conocimiento profundo en literatura inglesa.

Asesoría en Gestión de Patrimonio Asistida por IA

Consideremos la gestión de patrimonio como ejemplo de aplicación.

Una entrevista con el cliente para crear un perfil puede ser impulsada por técnicas básicas de IA, como un árbol de decisión o sistema experto. Sin embargo, según nuestra experiencia previa con entrevistas guiadas por sistemas expertos, un asesor bien calificado obtendrá mejores resultados solo con una conversación. No hay sustituto para las personas que saben lo que hacen. La IA debe asistir, no conducir.

Análisis de Carteras

Si el cliente tiene una cartera actual, es necesario analizarla, y la IA puede ayudar en esto también. ¿Cómo han rendido las inversiones a lo largo del tiempo? ¿El cliente tiende a centrarse en industrias específicas? ¿Cuál es el pronóstico de su rendimiento futuro? ¿Cuál es la historia de las operaciones del cliente?

Con base en el perfil del cliente y el análisis de la cartera, el asesor puede establecer límites específicos sobre qué considerar en la propuesta de inversión. Estos pueden incluir preferencias personales, límites de riesgo, fondos disponibles y cualquier otra restricción que pueda condicionar las decisiones.

Asesoría en Gestión de Patrimonio Asistida por IA

Varias empresas utilizan modelos de IA para ofrecer orientación sobre qué acciones o segmentos de mercado podrían tener buen o mal desempeño. Esto se plantea como un problema de predicción, donde se puede prever la tendencia, o como un problema de clasificación, en el que la IA destaca. Un asesor puede usar estos servicios existentes para obtener este tipo de información.

Las consideraciones de Medio Ambiente, Social y Gobernanza (ESG) también pueden influir en el resultado. Estas pueden ya estar incluidas como insumos en el modelo de IA utilizado para el análisis. El asesor y el cliente deberán discutir qué aspectos específicos incluir en el modelo de cartera.

Arquitectura de Referencia

Una vista conceptual de referencia podría parecerse al diagrama a continuación. Muchas variaciones son posibles.

Una implementación muy común sería basada en un único modelo de base GenAI que realice todo lo que describimos, pero creemos que dividir las tareas es un enfoque mejor.

Cada modelo abordaría una parte del dominio del problema y, por lo tanto, podría ser más pequeño que un modelo integral. Algunos sistemas podrían funcionar continuamente, otros solo a demanda.

En el diagrama, asumimos que existirían modelos predictivos generativos de IA que sirvan como sistemas de asesoría para otros modelos de IA específicos de propósito. Estos modelos GenAI realizarían la mayor parte del análisis de mercado y estarían entrenados para diversos mercados e instrumentos financieros.

Consumirían feeds de datos y, combinados con otros datos del lago de datos, generarían predicciones de mercado, detección de anomalías y mitigación de riesgos. No estamos convencidos de que estos sistemas hayan madurado lo suficiente para ser confiables, pero están en desarrollo.

Los resultados de cada modelo predictivo GenAI se registrarían en el lago de datos. Además, los modelos de análisis podrían enviar notificaciones a otros modelos para realizar tareas específicas. Estos modelos podrían ejecutarse periódicamente o de forma continua durante el período en que el mercado de interés esté activo.

Los sistemas de trading autónomos podrían usar los feeds de estado del análisis de mercado para activar operaciones. Los sistemas de clasificación evaluarían periódicamente los activos y mantendrían un historial en el lago de datos. Finalmente, llegamos al Asistente de Portafolio GenAI.

El Asistente de Portafolio sería el sistema de recomendación respaldado por IA que tiene acceso a datos de mercado actuales e históricos. El asesor podría interactuar con el asistente para proporcionar el perfil del cliente y solicitar recomendaciones. Esto sería mejor si el cliente estuviera presente. La interacción del asesor con el cliente debe ser capturada y registrada en el lago de datos como insumo para el análisis.

El acceso del asesor a los sistemas de IA sería mediante una interfaz NLP, que puede ser basada en texto o voz.

El Asistente de Portafolio respondería al asesor usando información del modelo, del lago de datos o consultas API a los modelos de análisis de mercado. La interfaz NLP proporciona un asistente potente, pero según la experiencia, el asesor debe saber cómo formular las preguntas para obtener resultados útiles.

Sin ese intermediario humano, la experiencia de interactuar con un sistema NLP para un tema tan complejo puede ser frustrante para el novato. Los Modelos de Lenguaje Grande son mucho más capaces que cualquier tecnología anterior en esta área, pero aún no es probable que pasen la Prueba de Turing.

La Prueba de Turing requiere que un humano no pueda distinguir una máquina de otro humano mediante las respuestas a preguntas. Estas máquinas no son humanas y no pueden responder exactamente como un humano. Muchas empresas emplean personas cuya tarea es simplemente interactuar con LLMs y sistemas GenAI mediante la creación de prompts para obtener mejores respuestas.

Según un informe de 2021 de Juniper Research, el 40% de los clientes bancarios globales usará chatbots de NLP para transacciones en 2025. Agregar NLP a cualquier aplicación de atención al cliente suele ser el primer paso. Otros sistemas de IA se enfocan en automatizar tareas comunes. La automatización ha sido muy exitosa en aplicaciones de cadena de suministro.

La automatización basada en IA puede eliminar muchos procesos manuales y hacer los flujos de trabajo más eficientes. La NLP y la automatización de tareas pueden beneficiar casi cualquier industria. Sin embargo, el desarrollo de IA para análisis de mercados financieros es una tarea relativamente difícil.

La Universidad de Cornell desarrolló un modelo GenAI llamado StockGPT. Véase “StockGPT: A GenAI Model for Stock Prediction and Trading” en

Conclusión

El análisis de los mercados financieros es algo más complejo que aplicaciones como la cadena de suministro o incluso la banca. Hay muchas variables y comportamientos complejos impulsados en parte por los números del mercado, regulaciones y las respuestas emocionales de los participantes.

Algunas de estas variables pueden capturarse mediante estadísticas para reducir riesgos, pero las predicciones en los mercados financieros caen en la categoría de problemas algebraicos donde hay demasiadas variables y pocas ecuaciones. La IA puede buscar patrones y anomalías además de hacer los cálculos.

La computación cuántica es otra tecnología que sería interesante explorar. Ya muestra valor en ciertas aplicaciones científicas. Se ha sugerido su uso en gestión de riesgos mediante simulaciones de Monte Carlo en un ejemplo financiero.

Veremos qué depara el futuro.