El "Concurso de IA" en los informes anuales de los bancos que cotizan en bolsa: para 2025, las seis principales instituciones financieras invertirán más de 130B de yuanes en tecnología financiera, enfrentando tanto la implementación en escenarios como desafíos de riesgo

Cada periódico | Liu Jiahui Cada periódico editor | Wei Wenyì

A medida que finaliza la temporada de informes anuales 2025 de bancos que cotizan en A-shares, un conjunto de cifras dibuja un nuevo panorama de la transformación inteligente del sector financiero: la inversión anual de Bank of Industrial and Commercial of China en tecnología financiera asciende a 28.59B de yuanes, el Bank of China (China Merchants Bank) afirma que sus aplicaciones de IA (inteligencia artificial) sustituyeron en un año a más de 15.56 millones de horas-hombre, y en el Ping An Bank los escenarios de aplicación de modelos de gran tamaño se duplicaron en un año hasta llegar a casi 400 ⋯⋯

Los reporteros de 《Diario de Economía Diaria》 (en adelante, “reporteros de Cada periódico”) han observado que en 2025, los seis grandes bancos estatales —Industrial and Commercial Bank of China, Agricultural Bank of China, Bank of China, China Construction Bank, Bank of Communications y Postal Savings Bank of China— sumaron una inversión en tecnología financiera que supera los 130B de yuanes, lo que supone un crecimiento adicional frente a los 125.46B de yuanes de 2024. Tras una inversión tan cuantiosa, se está produciendo una transformación más profunda: la inteligencia artificial pasó de ser el capítulo técnico que mira al futuro en los informes anuales, a convertirse en una vara clave para medir la competitividad central de los bancos.

Al mismo tiempo, al otro lado del océano, JPMorgan está describiendo otra visión de la IA: el director ejecutivo Jamie Dimon sitúa la inteligencia artificial como una “tecnología transformadora comparable a la imprenta y la máquina 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 profundamente la IA en cada ramificación microscópica de la organización.

Por un lado, está la inversión en IA a escala y de manera sistemática y la materialización de casos en el sistema bancario doméstico; por el otro, los gigantes financieros internacionales impulsan una reconfiguración inteligente integral con pensamiento de ecosistema. Esta ola de inteligencia financiera que cruza el Pacífico está cambiando silenciosamente cada eslabón clave, desde la aprobación de crédito y la fijación de precios del riesgo hasta las decisiones de inversión.

Sin embargo, detrás de esta inversión y visión tan intensa de IA, también se hallan el “corazón” de la gobernanza de datos, el riesgo real de las “alucinaciones” de los modelos y los retos de cumplimiento derivados de la “caja negra” de los algoritmos; todo ello pone a prueba la profundidad y la sostenibilidad de esta transformación. El camino de la IA en el sector financiero, mientras muestra un enorme potencial, también entra en una etapa clave en la que se necesita más inteligencia y cautela.

Actualización estratégica: carrera competitiva de “digital” a “numérico-inteligente”

Los reporteros de Cada periódico revisaron los informes de desempeño de los bancos que cotizan en 2025 y encontraron que la “inteligencia artificial” pasó de ser una parte de perspectivas tecnológicas para convertirse en un indicador clave de desempeño que mide la competitividad central futura. El foco de esta carrera competitiva se está moviendo de “si se aplica IA” a “cuán profunda es la aplicación y cuán fuerte es el sistema”, mostrando características nítidas de despliegue sistemático y a escala.

Los bancos estatales, gracias a sus abundantes recursos, están construyendo una “infraestructura pesada” para la transformación de la IA. En su informe anual, Industrial and Commercial Bank of China indica de manera explícita que la estrategia “Digital ICBC” (D-ICBC), ejecutada durante cuatro años, se actualizó integralmente a “AI-ICBC” (数智工行). El modelo central “Gongyin Zhiyong” ha sido implementado en más de 30 áreas de negocios, con más de 500 escenarios de aplicación. China Construction Bank divulgó que la tecnología de IA ya está escalando y habilitando 398 escenarios dentro del grupo. Por su parte, Bank of China construyó la plataforma de capacidades de modelo de gran tamaño BOCAI, con más de 400 asistentes inteligentes desplegados en total.

Los bancos por acciones y los bancos comerciales urbanos muestran mayor agilidad en velocidad y amplitud del despliegue de escenarios. En la conferencia de resultados, China Merchants Bank divulgó que sus escenarios de aplicación de IA ya alcanzan 856; durante todo el año sustituyó al personal humano con IA por más de 15.56 millones de horas, lo que equivale a formar una eficiencia laboral a tiempo completo que supera a 8000 personas. Más importante aún, la IA está pasando de ser un “centro de costos” a un “motor de beneficios”: el asistente inteligente dirigido a los gerentes de clientes impulsa un aumento del 14% en el número de contactos efectivos de salida por persona y un aumento del 20% en el volumen de transacciones promedio por cliente. Los escenarios de aplicación de modelos de gran tamaño en Ping An Bank crecieron en un año de “más de 200” a “más de 390”; el porcentaje de cantidad de código generado por IA ya supera el 30%. China Citic Bank construye un modo de “modelo de gran tamaño + modelo pequeño” de colaboración: a finales de 2025, los escenarios en los que se había desplegado el modelo de gran tamaño superaban los 120.

De “priorizar la IA” a “ser IA nativa”, los bancos líderes intentan incrustar la inteligencia a profundidad en la textura de la organización, construyendo nuevas barreras competitivas.

Un investigador senior del sector bancario analizó para Cada periódico que los logros de IA divulgados de manera concentrada en los informes anuales de 2025 marcan que la transformación digital del sector bancario chino ha entrado en la “zona de aguas profundas”, 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 mediante la tecnología, en un contexto de compresión continua del margen neto de interés. La inversión en IA ya no es solo un proyecto presupuestario del departamento tecnológico, sino una inversión estratégica directamente vinculada con indicadores operativos centrales como reducción de costos y mejora de eficiencia, control de riesgos y aumento de ingresos.

Ejecución intensiva de aplicaciones: revolución de eficiencia en control de riesgos, finanzas inclusivas y operaciones

Tras años de exploración, las aplicaciones de IA en banca ya han superado hace tiempo al servicio de atención inteligente temprano y al pago mediante reconocimiento facial; se han adentrado en el núcleo del negocio y muestran un potencial disruptivo tanto para mejorar la eficiencia como para controlar el riesgo.

En el “corazón” de la gestión de riesgos —crédito y lucha contra el fraude— la IA está logrando un cambio cualitativo de “decisión por reglas” a “percepción inteligente”. El control de riesgo tradicional depende de datos históricos y reglas estáticas, y difícilmente puede manejar riesgos nuevos, 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 grandes volúmenes de datos heterogéneos. Por ejemplo, Postal Savings Bank of China construyó un sistema de modelos de anti-fraude de extremo a extremo; en la primera mitad de 2025 protegió acumuladamente a más de 100k cuentas potencialmente afectadas. La plataforma de control de riesgos en línea de China Merchants Bank gestionó en 2025 aprobaciones de crédito corporativo cercanas a 100k de yuanes, con un crecimiento del 44%; el tiempo de alerta temprana del riesgo post-préstamo asistido por IA fue, en promedio, 42 días antes que el de los modelos tradicionales con personal humano.

En el ámbito de las finanzas inclusivas, la IA, mediante el análisis de datos alternativos, está resolviendo el problema clásico de “dificultad para obtener financiación y costos de financiación elevados” para las micro, pequeñas y medianas empresas. Muchos bancos utilizan modelos de IA para integrar datos de impuestos, facturas, cadenas de suministro e incluso datos de agua y electricidad de las empresas; así elaboran un “perfil” crediticio para microempresas que carecen de garantías tradicionales, permitiendo concesiones rápidas de crédito.

Las operaciones inteligentes y el servicio al cliente son la manifestación más directa de la IA para reducir costos y mejorar la eficiencia. El asistente inteligente de China Merchants Bank para más de 10000 gerentes de clientes Jin Kui Hua se ha convertido en el compañero inteligente del trabajo diario. Ping An Bank, con el apoyo de IA generativa (AIGC) para crear contenido de marketing, solo en 2025 ahorró aproximadamente 60 millones de yuanes en costos. En el back office, los “empleados digitales” de IA están asumiendo una gran cantidad de trabajos repetitivos. China Citic Bank impulsa el procesamiento centralizado de negocios como apertura de cuentas corporativas y cambios de información mediante IA, elevando la eficiencia de procesamiento centralizado en más de 2 veces.

“En estos campos, el éxito de la IA radica en que resuelve la inmensa cantidad de datos que los modelos financieros tradicionales difícilmente pueden manejar con personal humano, patrones complejos que las reglas no pueden cubrir, y la necesidad de respuesta en tiempo real bajo alta concurrencia”, analizó el citado investigador del sector bancario. Señaló que estas aplicaciones maduras constituyen el “pilar base” de la capacidad de IA bancaria, y su valor se refleja directamente en el ahorro de costos, la reducción de riesgos y la mejora de la experiencia.

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

Situación en el extranjero: avances desde la optimización de procesos hacia la creación de valor

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

En el ámbito de capital de riesgo (VC) y private equity (PE), la IA está reconfigurando la lógica subyacente de descubrimiento de proyectos y debida diligencia. Los esquemas que tradicionalmente dependen de redes de contactos y análisis sectorial (como plataformas como Wind y Bloomberg) están 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. A una hora fija cada día, el equipo de inversión recibe un informe preliminar de análisis con posibles objetivos, aumentando el alcance y la eficiencia del cribado de proyectos.

En la gestión patrimonial y banca de inversión orientada a clientes, la IA está pasando de ayudar en el back office a servir en la primera línea del servicio. JPMorgan ya solicitó marca comercial en 2023 para su producto llamado “IndexGPT”. Se trata de una herramienta de asesoría de inversiones que utiliza tecnología de IA generativa para, según los temas o áreas de interés introducidos por el cliente, analizar y seleccionar automáticamente valores objetivo. Este modelo se entrena sobre la base de un modelo general de gran tamaño, utilizando datos privados masivos exclusivos de JPMorgan, como macroeconomía y análisis de compañías, y busca ofrecer sugerencias de carteras de inversión personalizadas para los clientes.

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

El citado investigador del sector bancario interpreta que las prácticas de IA de las instituciones financieras en el extranjero revelan dos tendencias clave: primero, las aplicaciones de IA están pasando de “optimización de procesos internos” a “creación de valor externo”, involucrándose directamente en eslabones centrales de creación de valor como asesoría de inversión y diseño de productos; segundo, las instituciones líderes están utilizando sus barreras únicas y de alta calidad de datos (como datos de transacciones y estudios en profundidad) para entrenar modelos de gran tamaño en ámbitos verticales, construyendo nuevos “fosos” competitivos difíciles de replicar. En comparación, las instituciones financieras domésticas aún tienen espacio de desarrollo en el uso de IA para impulsar directamente la toma de decisiones de inversión y para proporcionar servicios de asesoría de inversión profundamente inteligentes; quizá esta sea una cumbre que se deba superar en el futuro.

Escollos por delante: pruebas de gobernanza de datos, “alucinaciones” de IA y falta de talento

Más allá de las aplicaciones maduras como la lucha contra el fraude y la atención al cliente inteligente, el sector financiero está encaminando con cautela la IA hacia campos más avanzados y centrales, intentando desbloquear nuevos valores y que la IA desempeñe el papel de “analista” e incluso “tomador de decisiones inicial” en actividades financieras más complejas.

Cada periódico se enteró de que, en el análisis inteligente del sentimiento público y las alertas de mercado, ya hay instituciones entrenando IA para capturar y analizar noticias, informes de investigación, redes sociales e incluso imágenes satelitales, entre otras enormes cantidades de datos no estructurados en tiempo real, para detectar “señales” de riesgos que puedan afectar al mercado o a compañías específicas. Por ejemplo, la plataforma de inteligencia artificial de “Oriental Brain” de Guotai Junan, con un promedio diario de casi 70k piezas de información sobre sentimiento público del mercado, puede identificar automáticamente las entidades empresariales y clasificar el sentimiento negativo.

En el ámbito de la gestión inteligente posterior al otorgamiento del crédito y la conservación de activos, la IA se utiliza para monitorear de forma continua y automatizada el riesgo de los préstamos existentes. Mediante el análisis de datos operativos de las empresas, información judicial y cambios en el sentimiento público, el modelo puede anticipar alertas sobre riesgos potenciales, pasando de una respuesta pasiva a una gestión proactiva. Algunos bancos han intentado usar modelos de gran tamaño para ayudar a generar informes de revisión posterior al préstamo, reduciendo drásticamente el tiempo de redacción.

La exploración más disruptiva ocurre en el núcleo de las operaciones y la inversión. En la inversión cuantitativa, además de optimizar las estrategias de trading existentes, el enfoque más avanzado es desarrollar “traders virtuales” capaces de aprender de forma autónoma la microestructura del mercado y ejecutar por cuenta propia algunas instrucciones de trading. Según informes, JPMorgan ya ha publicado su plataforma de trading cuantitativo con IA, que apoya la integración inteligente de trading de alta frecuencia y estrategias de múltiples factores. En la gestión delegada de operaciones (como trading de 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 recomendaciones de estrategias de cobertura.

Sin embargo, aunque el panorama es amplio, las aplicaciones profundas de IA en el ámbito central de las finanzas siguen enfrentando restricciones: la gobernanza de datos, las “alucinaciones” de los modelos de gran tamaño y la falta de talento compuesto; estos son “los tres portales” 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. Sin embargo, los datos financieros involucran una privacidad personal altamente sensible y secretos comerciales, y además a menudo están dispersos entre diferentes departamentos de negocio, formando “islas de datos”. Los expertos de KPMG señalaron que las instituciones financieras suelen enfrentar dificultades para coordinar datos heterogéneos de múltiples fuentes y para permitir el intercambio y compartición interna de datos.

Segundo, las “alucinaciones” de los modelos de gran tamaño y el riesgo de confiabilidad. El problema de “alucinación” inherente a los modelos de lenguaje grandes es una sentencia de muerte 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 adoptar medidas de respuesta efectivas.

Tercero, la escasez de talento compuesto y el dolor del cambio organizacional. Hay una extrema falta de talento compuesto que no solo comprenda en profundidad la lógica compleja del negocio financiero, sino que también domine los algoritmos y la ingeniería de IA. Al mismo tiempo, existe una tensión profunda entre la cultura organizacional bancaria tradicional, que destaca la rigurosidad y el sistema jerárquico, y los modos ágiles de desarrollo de la IA que requieren iteración rápida y tolerancia a errores y pruebas.

El citado investigador del sector bancario resumió que la competencia futura en el sector financiero será un enfrentamiento del ecosistema integral “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 promover con éxito la transformación de la organización y la cultura, podrán ganar ventajas a largo plazo en esta profunda revolución de “digitalización inteligente”.

(Editado por: Qian Xiaorui)

Palabra clave: