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 Jefe de Mercados de Capitales, Gestión de Activos y Banca Patrimonial 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 comisiones hasta los cambios desfavorables en las condiciones macroeconómicas, pasando por el creciente volumen de inversiones tecnológicas que aún no han dado los resultados esperados, las organizaciones de gestión de activos afrontan importantes vientos en contra mientras el calendario se acerca a 2026.

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

Pero hay un “desahogo” disponible en forma de despliegues específicos y bien ubicados de inteligencia artificial. La IA en sus diversas formas —generativa, agentic, etc.— empieza a demostrar valor en una variedad de casos de uso en áreas de front-, middle- y back-office, dando a los gestores de activos los medios para capturar nuevas ganancias de productividad y eficiencia, para identificar y capitalizar oportunidades de negocio rentables por delante de la competencia. En su análisis, que se basa en una encuesta a ejecutivos C-level de firmas de gestión de activos en Norteamérica y Europa, McKinsey determinó que, para un gestor de activos promedio, el impacto potencial de la IA, la IA generativa y la IA agentic “podría ser transformador, equivalente a entre el 25 y el 40 por ciento de su base de costos”.

El desafío para las organizaciones de gestión de activos, entonces, es determinar en qué parte de su estructura interna la IA puede aportar el mayor valor.

Desplegar IA para maximizar el impacto

Las empresas de todo el panorama de la gestión de activos están empleando IA en una variedad de frentes. Buena parte de esa actividad ocurre dentro de organizaciones más grandes que cuentan con los recursos profundos para desarrollar sus propias capacidades en torno a grandes modelos lingüísticos, agentes de IA específicos y similares. Pero el otro lado de la moneda de la IA es que también puede ayudar a los gestores de activos fuera de las organizaciones de los mayores “Tier One” a competir en condiciones más equitativas 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 mediante otras implementaciones de IA escalables en los front, middle y back offices. En lugar de buscar soluciones puntuales que quizá no se integren bien entre sí, el enfoque más prudente para generar valor con IA podría ser orientar inversiones que disuelvan las “paredes virtuales” entre las tres capas de oficina para crear eficiencias, fortalecer la productividad, agilizar procesos y mejorar la planificación y la estrategia.

En resumen, busca casos de uso de IA que fomenten —y que puedan aprovechar— el movimiento más libre de datos a lo largo de una organización. Aquí tienes algunos que se ven especialmente prometedores:

1. Automatizar y acelerar el cierre financiero y otras funciones de finanzas. Históricamente, Finanzas ha sido 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 alrededor de la función financiera, incluido el cierre financiero, así como AR, AP, la conciliación de facturas y similares. En estos escenarios, la IA puede respaldar una mejor automatización del movimiento de datos. También puede proporcionar a los usuarios de negocio de finanzas notificaciones proactivas —y escenarios accionables— para problemas potencialmente no detectados con excedentes/insuficiencias de capital, ajustes del balance y similares.

2. Mejorar la gestión del riesgo mediante una alineación real con finanzas. Los datos del back office pueden ser inmensamente valiosos para los equipos de gestión de riesgos en el middle office. Esos equipos pueden usar datos sobre tenencias de inversores, flujos de caja, liquidez de mercado, margen/colateral, etc., combinados con datos del perfil del cliente y de comunicaciones, para identificar señales tempranas de rescates de clientes y del riesgo de liquidez asociado.

3. Identificar y movilizar rápidamente oportunidades para nuevas estructuras de comisiones y modelos de negocio. Las organizaciones pueden pedirle a sus herramientas de IA que investiguen y modelen el impacto de posibles cambios de comisiones, así como de nuevos modelos de negocio. ¿Qué sugieren los datos históricos sobre cómo afectaría un cambio de comisiones a las cuentas por cobrar? ¿Hay oportunidades para dividir un área existente del negocio (como una clase de activo específica o fondos geográficos) en dos o más partes, o para agrupar a los clientes de manera diferente, y si es así, qué tan sólido es el caso de negocio para movimientos como estos?

4. Informar decisiones sobre expansión hacia nuevos productos o geografías. Tu organización está considerando un movimiento hacia un prometedor pero relativamente riesgoso nuevo mercado geográfico. ¿Cómo han resultado los movimientos pasados como estos en términos de costos esperados y reales? ¿Cuáles son los impactos probables en regulación y RR. HH. de un movimiento así? Un diálogo con un asistente digital de IA generativa puede producir respuestas valiosas a preguntas como estas, lo que da lugar a decisiones estratégicas mejor informadas.

5. Modelar escenarios “qué pasaría si” sobre el posible impacto del reequilibrio de la cartera en las ganancias futuras, así como en las prioridades de inversión del cliente y su apetito de riesgo. Las herramientas de IA pueden ofrecer información sobre el posible impacto de estos tipos de cambios, y al mismo tiempo ofrecer recomendaciones sobre el momento óptimo teniendo en cuenta obligaciones de cuentas por pagar y otros factores. Al establecer conexiones de este tipo con los datos, la IA ayuda a abordar desconexiones de información entre la función de finanzas y la gestión de carteras del front office, respaldando una planificación estratégica y presupuestación más acertadas.

En el caso de una firma con la que trabajo, por ejemplo, buscan combinar datos de atribución de cartera sobre el desempeño de elementos individuales de su cartera con datos sobre el apetito de riesgo y las estructuras de comisiones de los clientes. El objetivo es comprender mejor las repercusiones financieras del reequilibrio de 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 hablé recientemente dicen que sus organizaciones buscan duplicar los activos bajo gestión sin aumentos materiales en la plantilla, simplemente aprovechando la IA y los agentes de IA de manera más amplia en sus organizaciones. Están creando agentes de IA y ubicándolos junto a los empleados —como extensiones digitales de esos empleados, esencialmente. En última instancia, las ganancias de productividad que estos agentes brindan permiten que firmas pequeñas y medianas “peguen fuerte” y compitan en condiciones más equitativas con firmas más grandes.

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

Tan impactantes como pueden 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 la accesibilidad de los datos que los alimentan. En primer lugar, los datos deben ser comprensibles tanto para humanos como para máquinas mediante un enfoque de autoservicio. A menudo, las firmas extraen datos de aplicaciones de origen y los trasladan a un data lake. Sin embargo, al hacerlo se eliminan semánticas y contexto vitales específicos del entorno de la aplicación. Sin estos metadatos, la salida de la IA —y el impacto general— podría ser subóptimo. Así que, en muchos casos, las organizaciones están mejor atendidas dejando esos datos en su entorno natural de aplicación junto con los metadatos correspondientes. Piensa en los datos en estas aplicaciones como las baterías que alimentan la IA generativa, la IA agentic 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 abrirse paso a través de los vientos en contra que la enfrentan.

Acerca del autor

Stuart Grant es Jefe de Mercados de Capitales, Gestión de Activos y Banca Patrimonial en SAP. Durante 20+ años ha trabajado con datos en la industria de mercados de capitales en funciones que cubren gestión de producto, desarrollo de negocio y gestión de negocios.