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 Director de Mercados de Capital, Gestión de Activos y Gestión Patrimonial en SAP.

¡Descubra las principales noticias y eventos de fintech!

Suscríbase al boletín de FinTech Weekly

Leen ejecutivos de JP Morgan, Coinbase, Blackrock, Klarna y más

De la compresión de comisiones a los cambios desfavorables en las condiciones macroeconómicas, pasando por el aumento de inversiones tecnológicas que aún no han dado los resultados esperados, las organizaciones de gestión de activos enfrentan importantes vientos en contra a medida que el calendario avanza hacia 2026.

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

Pero hay un alivio en forma de despliegues específicos y bien ubicados de inteligencia artificial. La IA en sus diversas formas —generativa, agentica, etc.— está comenzando a demostrar valor en una variedad de casos de uso de front-, middle- y back-office, brindando a los gestores de activos los medios para capturar nuevas mejoras de productividad y eficiencia, identificar y capitalizar oportunidades de negocio rentables antes que la competencia. En su análisis, que se basa en una encuesta a ejecutivos de nivel C de empresas de gestión de activos de toda Norteamérica y Europa, McKinsey determinó que, para un gestor de activos promedio, el impacto potencial de la IA, la IA generativa y la IA agentica “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 en qué parte de sus organizaciones 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 diversos frentes. Gran parte de esa actividad ocurre dentro de organizaciones más grandes que cuentan con los recursos profundos para desarrollar sus propias capacidades en torno a los modelos de lenguaje a gran escala, con agentes de IA específicos y similares. Pero la otra cara de la moneda de la IA es que también puede ayudar a los gestores de activos fuera de las mayores organizaciones de primer nivel a competir en condiciones más equitativas frente a esas empresas más grandes.

Además, aunque muchas organizaciones concentran 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 escalables de IA en los frentes, el middle office y el back office. En lugar de buscar soluciones puntuales que quizá no se integren bien entre sí, el enfoque más sensato para generar valor con IA podría ser dirigir inversiones que disuelvan las barreras virtuales entre las tres capas de oficina para crear eficiencias, reforzar la productividad, optimizar procesos y aportar mejor información a la planificación y la estrategia.

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

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 en torno a la función financiera, incluido el cierre financiero, así como AR, AP, la conciliación de facturas y similares. En estos escenarios, la IA puede respaldar la automatización mejorada del movimiento de datos. También puede proporcionar a los usuarios de negocio de finanzas notificaciones proactivas –y escenarios accionables– para problemas potencialmente no vistos con excedentes/déficits de capital, ajustes de balance y similares.

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

3. Identificar y movilizar rápidamente oportunidades para nuevas estructuras de comisiones y modelos de negocio. Las organizaciones pueden pedir a sus herramientas de IA que investiguen y modelen el impacto de posibles cambios en comisiones, así como de nuevos modelos de negocio. ¿Qué sugiere la data histórica sobre cómo un cambio de comisiones afectaría 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 a nuevos productos o geografías. Su organización está considerando un movimiento hacia un prometedor pero relativamente riesgoso nuevo mercado geográfico. ¿Cómo han resultado los movimientos del pasado en términos de costos esperados y reales? ¿Cuáles son los impactos probables a nivel regulatorio y de RR. HH. de un movimiento así? Un diálogo con un asistente digital de IA generativa puede arrojar respuestas valiosas a preguntas como estas, dando lugar a decisiones estratégicas mejor informadas.

5. Modelar escenarios de tipo “qué pasaría si” sobre el posible impacto del reequilibrio de la cartera en los ingresos futuros, así como en las prioridades de inversión del cliente y su apetito de riesgo. Las herramientas de IA pueden proporcionar información sobre el posible impacto de este tipo de cambios, al mismo tiempo que ofrecen recomendaciones sobre el momento óptimo a la luz de las obligaciones de cuentas por pagar y otros factores. Al hacer conexiones como estas 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 y presupuestación estratégicas más acertadas.

En el caso de una firma con la que trabajo, por ejemplo, buscan combinar los 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 los ingresos futuros.

6. Aumentar la productividad. Algunos ejecutivos de gestión de activos con los que he hablado recientemente dicen que sus organizaciones buscan duplicar los activos bajo gestión sin aumentos materiales en el número de 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 brindan estos agentes permiten a las firmas pequeñas y medianas “dar la talla” para competir en condiciones más equitativas con las firmas más grandes.

7. Afina la detección de fraudes 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 leves (en el tamaño de fuente, el formato del documento, etc.) que pueden indicar que un cliente no es quien parece ser y, por lo tanto, requiere un cribado más riguroso.

Por muy 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. Ante todo, los datos deben ser comprensibles para humanos y máquinas de manera autoservicio. Muchas veces, las firmas extraen datos de aplicaciones de origen y los mueven a un data lake. Sin embargo, hacerlo elimina semánticas y contexto vitales específicos del entorno de la aplicación. Sin estos metadatos, la salida de la IA —y su impacto general— podría ser subóptima. Así que, en muchos casos, a las organizaciones les conviene más dejar esos datos en su entorno natural de aplicación junto con los metadatos correspondientes. Piense en los datos en estas aplicaciones como las baterías que alimentan la IA generativa, la IA agentica 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 y atravesar los vientos en contra que la confrontan.

Acerca del autor

Stuart Grant es Director de Mercados de Capital, Gestión de Activos y Gestión Patrimonial en SAP. Durante 20+ años ha trabajado con datos en la industria de mercados de capital en funciones que abarcan la gestión de productos, el desarrollo de negocio y la gestión de negocios.