Siete casos de uso de IA para ayudar a los gestores de activos a aumentar la eficiencia y productividad frente a las dificultades del mercado

Stuart Grant es el Jefe de Mercados de Capital, Gestión de Activos y Patrimonio en SAP.

¡Descubre las principales noticias y eventos de fintech!

Suscríbete al boletín de FinTech Weekly

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

Desde la compresión de tarifas hasta cambios desfavorables en las condiciones macroeconómicas y el aumento de las inversiones en tecnología que aún no han dado los resultados esperados, las organizaciones de gestión de activos enfrentan vientos en contra significativos a medida que el calendario avanza hacia 2026.

En un análisis de 2025 sobre la industria global de gestión de activos, McKinsey & Company encontró, por ejemplo, que los márgenes de los administradores de activos han disminuido en tres puntos porcentuales en América del Norte y cinco puntos porcentuales en Europa en los últimos cinco años como resultado de factores como estos.

Pero hay una válvula de alivio de presión a la vista en forma de implementaciones de inteligencia artificial bien dirigidas y estratégicamente ubicadas. La IA en sus diversas formas —generativa, agente, etc.— está comenzando a demostrar valor en una variedad de casos de uso de oficina frontal, media y trasera, brindando a los administradores de activos los medios para capturar nuevas ganancias de productividad y eficiencia, para identificar y capitalizar nuevas oportunidades de negocio rentables antes que la competencia. En su análisis, que se basa en una encuesta a ejecutivos de nivel C de firmas de gestión de activos en América del Norte y Europa, McKinsey determinó que para un administrador de activos promedio, el impacto potencial de la IA, la IA generativa y la IA agente “podría ser transformador, equivalente al 25 al 40 por ciento de su base de costos”.

El desafío para las organizaciones de gestión de activos, entonces, es determinar dónde dentro de sus organizaciones la IA puede proporcionar el mayor valor.

Implementando IA para un Impacto Máximo

Las empresas en el panorama de la gestión de activos están empleando IA en una variedad de frentes. Gran parte de esa actividad está ocurriendo dentro de organizaciones más grandes que tienen los recursos profundos para desarrollar sus propias capacidades en torno a modelos de lenguaje grande, con agentes de IA dirigidos y similares. Pero el otro lado de la moneda de la IA es que también puede ayudar a los administradores de activos fuera de las organizaciones más grandes de Nivel Uno a competir en condiciones más iguales contra estas firmas más grandes.

Además, aunque muchas organizaciones centran sus inversiones en casos de uso de IA orientados al cliente, es importante no pasar por alto las oportunidades de crear valor con otras implementaciones de IA escalables en las oficinas frontal, media y trasera. En lugar de buscar soluciones puntuales que pueden no integrarse bien entre sí, el enfoque más sabio para generar valor a partir de la IA podría ser orientar las inversiones que disuelvan las paredes virtuales entre las tres capas de oficinas para crear eficiencias, aumentar la productividad, agilizar procesos y mejorar la planificación y estrategia.

En resumen, busque casos de uso de IA que fomenten —y puedan aprovechar— el movimiento más libre de datos a lo largo de una organización. Aquí hay un puñado que parecen especialmente prometedores:

1. Automatizar y acelerar el cierre financiero y otras funciones financieras. La contabilidad ha sido históricamente un área plagada de procesos manuales. Con la ayuda de agentes de IA, las organizaciones de gestión de activos tienen la oportunidad de automatizar muchos de los procesos en torno a la función financiera, incluido el cierre financiero, así como AR, AP, conciliación de facturas y similares. En estos escenarios, la IA puede apoyar la mejora de la automatización del movimiento de datos. También puede proporcionar a los usuarios comerciales de finanzas notificaciones proactivas —y escenarios procesables— para problemas potencialmente no vistos con excedentes/deficiencias de capital, ajustes de balance y similares.

2. Mejorar la gestión de riesgos a través de una verdadera alineación con finanzas. Los datos de la oficina trasera pueden ser inmensamente valiosos para los equipos de gestión de riesgos en la oficina media. Esos equipos pueden utilizar datos sobre las participaciones de los inversores, flujos de efectivo, liquidez del mercado, márgenes/colaterales, etc., combinados con datos de perfil y comunicaciones de clientes para identificar señales tempranas de redenciones de clientes y el riesgo de liquidez asociado.

3. Identificar y movilizar rápidamente oportunidades para nuevas estructuras de tarifas y modelos de negocio. Las organizaciones pueden solicitar a sus herramientas de IA que investiguen y modelen el impacto de posibles cambios en las tarifas, así como nuevos modelos de negocio. ¿Qué sugiere la data histórica sobre cómo un cambio en la tarifa impactaría las cuentas por cobrar? ¿Existen oportunidades para dividir un área existente del negocio (como una clase de activos específica o fondos geográficos) en dos o más partes, o para clasificar a los clientes de manera diferente, y si es así, cuál es la solidez del caso de negocio para movimientos como estos?

4. Informar decisiones sobre la expansión hacia nuevos productos o geografías. Su organización está considerando una movida hacia un nuevo mercado geográfico prometedor pero relativamente arriesgado. ¿Cómo han salido movimientos como estos en términos de costos esperados y reales? ¿Cuáles son los posibles impactos regulatorios y de recursos humanos de tal movimiento? Un diálogo con un asistente digital de IA generativa puede proporcionar respuestas valiosas a preguntas como estas, resultando en decisiones estratégicas mejor informadas.

5. Modelar escenarios hipotéticos sobre el impacto potencial del reequilibrio de la cartera en las ganancias futuras, así como en las prioridades de inversión y apetitos de riesgo de los clientes. Las herramientas de IA pueden proporcionar información sobre el impacto potencial de este tipo de cambios, al tiempo que ofrecen recomendaciones sobre el momento óptimo en función de las obligaciones de cuentas por pagar y otros factores. Al establecer conexiones como esta con datos, la IA ayuda a abordar desconexiones de información entre la función financiera y la gestión de cartera en la oficina frontal, apoyando una planificación y presupuestación estratégica más precisa.

En el caso de una firma con la que trabajo, por ejemplo, están buscando combinar datos de atribución de cartera sobre el rendimiento de elementos individuales de su cartera con datos sobre el apetito de riesgo de los clientes y estructuras de tarifas. El objetivo es comprender mejor las repercusiones financieras del reequilibrio de la cartera en relación con las expectativas de los clientes y las ganancias futuras.

6. Aumentar la productividad. Algunos ejecutivos de gestión de activos con los que he hablado recientemente dicen que sus organizaciones están buscando duplicar los activos bajo gestión sin aumentos materiales en el personal, simplemente aprovechando la IA y los agentes de IA de manera más amplia en sus organizaciones. Están creando agentes de IA y colocándolos junto a los empleados, como extensiones digitales de esos empleados, esencialmente. En última instancia, las ganancias de productividad que estos agentes brindan permiten a las firmas pequeñas y medianas competir en condiciones más equitativas con las firmas más grandes.

7. Agudizar la detección de fraudes durante la incorporación de clientes. La IA es hábil en escanear y validar rápidamente la autenticidad de los documentos de incorporación, identificando incluso las anomalías más pequeñas (en el tamaño de la fuente, el formato del documento, etc.) que pueden sugerir que un cliente no es quien parece y, por lo tanto, requiere más verificación.

Por impactantes que puedan ser casos de uso como estos dentro de una organización de gestión de activos, maximizar su valor depende en gran medida de la calidad y accesibilidad de los datos que los alimentan. Primero y ante todo, los datos deben ser comprensibles tanto para humanos como para máquinas en una base de autoservicio. A menudo, las firmas extraen datos de aplicaciones fuente y los mueven a un lago de datos. Sin embargo, hacerlo elimina la semántica y el contexto vitals específicos del entorno de la aplicación. Sin estos metadatos, la salida de la IA —y el impacto general— podría ser subóptimo. Por lo tanto, las organizaciones en muchos casos se beneficiarían más al dejar esos datos en su entorno de aplicación natural junto con los metadatos acompañantes. Piense en los datos en estas aplicaciones como las baterías que alimentan la IA generativa, la IA agente y la analítica inteligente dentro de una organización. Cuanto más potentes sean las baterías, mejor posicionada estará una organización de gestión de activos para aprovechar sus inversiones en IA para sortear los vientos en contra que enfrentan.

Acerca del autor

Stuart Grant es Jefe de Mercados de Capital, Gestión de Activos y Patrimonio en SAP. Durante más de 20 años ha estado trabajando con datos en la industria de mercados de capital en roles que abarcan gestión de productos, desarrollo empresarial y gestión empresarial.