Las "competencias de IA" en los informes anuales de los bancos que cotizan en bolsa: para 2025, las seis principales instituciones financieras invertirán más de 1300 mil millones de yuanes en tecnología financiera, enfrentando tanto la implementación en escenarios como desafíos de riesgo.

Cada diario periodista丨 Liu Jiakui    Editor del diario Cada diario丨 Wei Wenyi

Con el cierre de la temporada de informes anuales 2025 de los bancos cotizados en el A-share, un conjunto de cifras dibuja un nuevo panorama de la transformación inteligente del sector financiero: la inversión anual en tecnología financiera del Banco Industrial y Comercial de China (ICBC) alcanza 28.588 mil millones de yuanes; el Banco China Merchants afirma que sus aplicaciones de IA (inteligencia artificial) han sustituido en un año más de 15.56 millones de horas-hombre; y el Banco Ping An ha duplicado en un año los casos de uso de su modelo de gran escala hasta llegar a cerca de 400⋯⋯

El reportero de “Diario Económico Diario de China” (denominado en lo sucesivo “reportero de Cada diario”) observó que, en 2025, seis bancos estatales importantes —ICBC, Agricultural Bank of China, Bank of China, China Construction Bank, Bank of Communications y Postal Savings Bank— sumaron más de 1300 mil millones de yuanes en inversión en tecnología financiera, lo que supone un aumento adicional frente a los 125.459 mil millones de yuanes de 2024. Detrás de una inversión masiva, se está produciendo una transformación más profunda: la inteligencia artificial ha pasado de ser un capítulo tecnológico que mira al futuro en los informes anuales a convertirse en una medida clave para evaluar la competitividad central de los bancos.

Al mismo tiempo, al otro lado del océano, JPMorgan dibuja otro panorama de IA: el director ejecutivo Jamie Dimon sitúa la inteligencia artificial como una “tecnología transformadora comparable a las imprentas y las máquinas de vapor”, y anuncia que invierte más de 2000 millones de dólares al año, con el objetivo de crear una “empresa totalmente colaborativa con IA”. Este gigante financiero de Wall Street no se conforma con aplicaciones puntuales, sino que intenta integrar la IA a fondo en cada ramificación capilar de la organización.

Por un lado, el sector bancario doméstico realiza inversiones de IA de manera sistemática y a escala, y despliega casos de uso; por el otro, los gigantes financieros internacionales reconfiguran la inteligencia en todas las direcciones basándose en la lógica de los ecosistemas. Esta ola de inteligencia financiera que atraviesa el Pacífico está cambiando silenciosamente cada elemento clave, desde la aprobación de crédito, el pricing del riesgo, hasta la toma de decisiones de inversión.

Sin embargo, detrás de esta inversión y visión candentes de IA, también se encuentran el “gran pozo” de la gobernanza de datos, el riesgo real de las “alucinaciones” de los modelos y los desafíos de cumplimiento derivados de la “caja negra” de los algoritmos, que ponen a prueba la profundidad y la sostenibilidad de esta transformación. La travesía de la IA en el sector financiero, además de mostrar un enorme potencial, también entra en una etapa clave que requiere más sabiduría y prudencia.

Fuente de la imagen: Banco de materiales multimedia de Cada diario

Actualización estratégica: carrera de estrategia de “digital” hacia “numérica-inteligente”

El reportero de Cada diario, tras revisar los informes de resultados 2025 de bancos cotizados, descubrió que “inteligencia artificial” ya no solo aparece en los apartados de perspectivas tecnológicas, sino que ha escalado a indicadores clave de desempeño para medir la competitividad central futura. El foco de esta carrera se está desplazando de “si se aplica IA” a “qué tan profundo se aplica y qué tan fuerte es el sistema”, mostrando rasgos claros de implementación sistemática y a escala.

Los grandes bancos estatales, gracias a sus sólidos recursos, están construyendo infraestructuras “pesadas” para su transformación de IA. En su informe anual, ICBC indica con claridad que ha actualizado integralmente su estrategia “Digital ICBC” (D-ICBC), ejecutada durante cuatro años, a “Numérica-Inteligente ICBC” (AI-ICBC). Su modelo central “Gongyin Zhiyong” ya se ha implementado en más de 30 áreas de negocio, con más de 500 casos de uso. China Construction Bank divulga que la tecnología de inteligencia artificial ha empoderado a escala 398 escenarios dentro del grupo. Bank of China, por su parte, construye la plataforma de capacidad de modelo grande BOCAI; el despliegue acumulado de asistentes inteligentes supera los 400.

Los bancos por acciones y los bancos urbanos, en cambio, muestran una mayor agilidad en velocidad y amplitud de implementación de casos de uso. En la conferencia de publicación de resultados, China Merchants Bank informó que sus escenarios de aplicación de IA ya alcanzan 856; durante todo el año, sustituyó el trabajo humano con IA por más de 15.56 millones de horas, lo que equivale a generar una eficiencia de tiempo completo de más de 8000 personas. Lo más importante es que la IA está pasando de “centro de costos” a “motor de beneficios”: los asistentes inteligentes para gerentes de clientes impulsan un aumento del 14% en el número de salidas efectivas por persona y un aumento del 20% en el tamaño promedio de transacción por cliente. Los escenarios de aplicación de modelos de gran escala de Ping An Bank pasaron en un año de “más de 200” a “más de 390”; la proporción del volumen de código generado por IA ya supera el 30%. CIB construye un modelo de colaboración “modelo grande + modelo pequeño”: a finales de 2025, los escenarios con modelo grande implementado superaban los 120.

De “priorizar la IA” a “nacer con IA”, los bancos líderes intentan incrustar la profundidad de la inteligencia en la trama misma de la organización y construir nuevas barreras competitivas.

Un investigador senior del sector bancario analizó para Cada diario que los logros de IA divulgados de manera concentrada en los informes anuales de 2025 señalan que la transformación digital del sector bancario chino ha entrado en el “gran pozo”, cuyo núcleo es la toma de decisiones inteligente y la reconfiguración de procesos. Detrás de esto está la elección inevitable de buscar eficiencia y crecimiento a través de la tecnología en un contexto de compresión continua del margen neto de interés del sector. La inversión en IA ya no es solo un presupuesto para el departamento de tecnología; es una inversión estratégica vinculada directamente a indicadores operativos centrales como reducción de costos y aumento de eficiencia, control de riesgos y mejora de ingresos.

Profundización de aplicaciones: revolución de eficiencia en control de riesgos, inclusión financiera y operaciones

Tras años de exploración, la aplicación de la IA en la banca ya superó hace tiempo a la atención al cliente inteligente inicial y los pagos con reconocimiento facial; se ha adentrado en el núcleo del negocio y ha mostrado un potencial disruptivo tanto para mejorar la eficiencia como para controlar los riesgos.

En el “corazón” de la gestión de riesgos —crédito y prevención del fraude—, la IA está logrando un cambio cualitativo de “juicio basado en reglas” a “percepción inteligente”. La gestión tradicional de riesgos depende de datos históricos y reglas estáticas, y es difícil de enfrentar nuevos riesgos complejos y cambiantes. En cambio, los sistemas inteligentes de control de riesgos basados en aprendizaje automático y computación de grafos pueden procesar en tiempo real enormes cantidades de datos heterogéneos. Por ejemplo, Postal Savings Bank construyó un sistema de modelos de antifraude de extremo a extremo; en el primer semestre de 2025 acumuló una protección de más de 100.000 cuentas de posibles víctimas. La plataforma de control de riesgos en línea de China Merchants Bank, en 2025, aprobó créditos corporativos con un tamaño cercano a 600.000 millones de yuanes, con un crecimiento del 44%; el tiempo de alerta temprana de riesgos post-préstamo asistido por IA fue en promedio 42 días antes que el modo tradicional manual.

En el ámbito de la inclusión financiera, la IA, mediante el análisis de datos sustitutivos, está resolviendo el dilema clásico de “financiación difícil y cara” para las micro y pequeñas empresas. Muchos bancos utilizan modelos de IA para integrar datos de impuestos de las empresas, facturas, cadenas de suministro e incluso datos de agua y electricidad, elaborando un “perfil crediticio” para micro y pequeñas empresas que carecen de garantías tradicionales, logrando una concesión de crédito rápida.

La operación inteligente y el servicio al cliente son la manifestación más directa de cómo la IA reduce costos y aumenta eficiencia. El asistente inteligente de China Merchants Bank para más de 10.000 gerentes de clientes “Jin Kui Hua” ya se ha convertido en un compañero inteligente en el trabajo diario. Ping An Bank, apoyándose en IA generativa (AIGC) para ayudar a crear contenidos de marketing, solo en esa partida ahorró alrededor de 60 millones de yuanes en 2025. En el backoffice operativo, el “empleado digital” de IA está tomando el relevo de una gran cantidad de tareas repetitivas. CIB, impulsado por IA, realiza de forma más intensiva procesos como la apertura de cuentas corporativas y el cambio de información, elevando la eficiencia de tratamiento intensivo del negocio en más de 2 veces.

“El éxito de la IA en estos ámbitos se debe a que resuelve enormes volúmenes de datos que el modelo financiero tradicional tiene dificultades para manejar con personal, patrones complejos que las reglas tradicionales no pueden cubrir, y la necesidad de respuesta en tiempo real ante alta concurrencia.” El investigador del sector bancario mencionado anteriormente analizó que estas aplicaciones maduras constituyen el “pilar” de las capacidades de IA de los bancos, y su valor se refleja directamente en ahorro de costos, reducción de riesgos y mejora de la experiencia.

Considera que, en la actualidad, las aplicaciones se centran más en “optimizar procesos existentes”; en la siguiente etapa, la competencia se enfocará en cómo utilizar la IA para “crear nuevos procesos”, e incluso “crear nuevos negocios”, es decir, pasar de “mejorar la eficiencia interna” a “generar ingresos desde fuera”.

Situación en el exterior: avance desde la optimización de procesos hacia la creación de valor

Cuando el sector bancario doméstico se concentra en utilizar IA para optimizar procesos internos y servicios al cliente, los gigantes financieros internacionales representados por JPMorgan están extendiendo sus tentáculos de IA hacia áreas más disruptivas: la propia toma de decisiones de inversión.

En los ámbitos de capital de riesgo (VC) y private equity (PE), la IA está reconfigurando la lógica subyacente de descubrimiento de proyectos y debida diligencia. El modelo tradicional, que depende de redes de contactos y de investigación de la industria (como plataformas como Wind y Bloomberg), está cambiando. Por ejemplo, Sequoia Capital ya desarrolló herramientas internas de IA para automatizar el escaneo de datos de startups globales, artículos académicos, patentes y noticias; en un horario fijo cada día, el equipo de inversión recibe un primer informe-resumen de análisis de posibles objetivos, aumentando la amplitud y eficiencia del filtrado de proyectos.

En la gestión patrimonial y la banca de inversión orientadas a clientes, la IA está pasando de asistente en backoffice a servicio en la “primera línea”. JPMorgan ya solicitó una marca registrada para su producto “IndexGPT” en 2023. Se trata de una herramienta de asesoramiento de inversiones que utiliza tecnología de IA generativa para analizar y seleccionar automáticamente valores, a partir de los temas o áreas de interés introducidos por el cliente. Este modelo se entrena sobre la base de un modelo grande general, utilizando datos privados a gran escala únicos de JPMorgan, como investigación macroeconómica y de empresas; su objetivo es brindar a los clientes sugerencias de carteras de inversión personalizadas.

Además, en el negocio de préstamos, usar IA para realizar una clasificación de riesgo y fijación de precios más fina para los clientes ya es una práctica relativamente madura en el extranjero.

El investigador del sector bancario mencionado interpretó que las prácticas de IA de instituciones financieras en el exterior revelan dos tendencias clave: primero, las aplicaciones de IA están pasando de “optimización de procesos internos” a “creación de valor externo”, interviniendo de manera directa en los eslabones centrales de creación de valor como recomendaciones de inversión y diseño de productos; segundo, las instituciones líderes están utilizando sus barreras de datos únicas y de alta calidad (por ejemplo, datos de transacciones e investigación profunda) para entrenar modelos grandes por dominio vertical, construyendo nuevos fosos competitivos difíciles de replicar. En comparación, las instituciones financieras nacionales aún tienen margen de desarrollo en el uso de IA para impulsar directamente decisiones de inversión y ofrecer servicios de asesoría inteligente profunda; quizá ese sea el “terreno elevado” que habrá que conquistar en el futuro.

Escollos en el avance: pruebas de la gobernanza de datos, las “alucinaciones” de IA y la escasez de talento

Más allá de aplicaciones maduras como prevención del fraude y atención al cliente inteligente, la industria financiera está llevando la IA con cautela hacia campos más avanzados y más centrales, intentando desbloquear nuevos valores, para que la IA desempeñe el papel de “analista” e incluso “tomador de decisiones de nivel inicial” en actividades financieras más complejas.

Cada diario informa que, en análisis inteligente de opinión pública y alertas del mercado, ya hay instituciones entrenando IA para capturar y analizar en tiempo real grandes cantidades de datos no estructurados como noticias, informes de investigación, redes sociales e incluso imágenes satelitales, con el fin de detectar “señales” de riesgos que podrían afectar al mercado o a empresas específicas. Por ejemplo, la plataforma de inteligencia artificial “Oriente Brain” de Oriental Securities puede procesar cerca de 70.000 noticias y contenidos de opinión pública del mercado al día; identifica automáticamente los sujetos de las empresas y clasifica las opiniones negativas.

En el ámbito de la gestión inteligente post-préstamo y la preservación de activos, la IA se está usando para monitorear continuamente de forma automatizada los riesgos de los préstamos existentes. Al analizar los datos operativos de las empresas, información judicial y cambios en la opinión pública, el modelo puede anticipar alertas de riesgos potenciales, pasando de una respuesta pasiva a una gestión proactiva. Algunos bancos ya han intentado utilizar modelos grandes para generar informes de revisión post-préstamo, reduciendo de manera significativa el tiempo de redacción.

Exploraciones aún más disruptivas ocurren en el área central de operaciones y de inversión. En el campo de la inversión cuantitativa, además de optimizar estrategias de negociación existentes, la exploración más avanzada es desarrollar “operadores virtuales” capaces de aprender de manera autónoma la microestructura del mercado y ejecutar por cuenta propia ciertas órdenes de negociación. Según se informa, JPMorgan ya ha publicado su plataforma de comercio cuantitativo con IA, que admite una fusión inteligente de operaciones de alta frecuencia y estrategias multiparámetro. En la negociación por cuenta de clientes (por ejemplo, operaciones con divisas y derivados de tipos de interés), también se estudia el uso de IA para proporcionar a los traders cotizaciones óptimas en tiempo real y sugerencias de estrategias de cobertura.

Sin embargo, aunque el panorama es amplio, la aplicación profunda de IA en el núcleo financiero todavía enfrenta limitaciones; la gobernanza de datos, las “alucinaciones” de los modelos grandes y la escasez de talentos compuestos son las “tres puertas” que las instituciones financieras deben superar.

Primero, está el problema de la gobernanza de datos. Los datos de alta calidad y estandarizados son el “combustible” de la IA. No obstante, los datos financieros implican una privacidad personal altamente sensible y secretos comerciales, y además a menudo están dispersos en diferentes departamentos de negocio, formando “islas de datos”. Los expertos de KPMG señalan que las instituciones financieras suelen enfrentarse a desafíos como la coordinación difícil entre datos heterogéneos de múltiples fuentes y la dificultad para circular y compartir datos internos.

Segundo, las “alucinaciones” del modelo grande y el riesgo de fiabilidad. El problema de las “alucinaciones” inherente a los grandes modelos de lenguaje es mortal en decisiones financieras que exigen cero errores. El investigador de Postal Savings Bank of China, Lou Feipeng, señaló que si las “alucinaciones” aparecen en el ámbito de la gestión de riesgos, podrían hacer que el banco no pueda comprender la lógica del riesgo, y por tanto no pueda tomar medidas de respuesta efectivas.

Tercero, escasez de talento compuesto y el dolor de la transformación organizacional. Los talentos compuestos que dominan tanto la compleja lógica del negocio financiero como los algoritmos y la ingeniería de IA son extremadamente escasos. Al mismo tiempo, existe una tensión profunda entre la cultura organizacional bancaria tradicional —que enfatiza la rigurosidad y el sistema jerárquico— y el modelo ágil de desarrollo requerido por la IA, con iteraciones rápidas y tolerancia al error para probar y fallar.

El investigador del sector bancario mencionado concluyó que la competencia futura en el sector financiero será un duelo del ecosistema integral de “tecnología—datos—gobernanza—talento”. Solo las instituciones que puedan construir primero activos de datos de alta calidad, establecer marcos de gobernanza de IA confiables y lograr una transformación exitosa de la organización y la cultura podrán obtener ventajas a largo plazo en esta profunda revolución “numérica-inteligente”.

Aviso legal: el contenido y los datos de este artículo son solo para referencia y no constituyen asesoramiento de inversión; antes de usarlo, verifique. Operar con ello implica riesgo por cuenta propia.

Fuente de la imagen de portada: Banco de materiales multimedia de Cada diario