IDC: Las instituciones financieras pequeñas y medianas encuentran que los productos de modelos grandes del sector son más rentables

El 7 de abril, el informe más reciente de IDC señaló que la mayoría de las instituciones financieras (especialmente bancos medianos y pequeños, compañías de seguros, etc.) adoptan productos de modelos de lenguaje para la industria financiera optimizados, que ofrecen ventajas claras en costos, cumplimiento y eficiencia frente a construirlos desde cero. Según la investigación de IDC, construir un modelo de lenguaje desde cero requiere una inversión considerable en investigación y desarrollo tecnológico, acumulación de datos y reserva de talento, además de enfrentar múltiples riesgos como revisiones de cumplimiento y adaptación tecnológica; el proceso es largo y el umbral es alto, por lo que la viabilidad para instituciones financieras medianas y pequeñas con recursos limitados es baja. En la actualidad, empresas como Alibaba Cloud, Baidu Intelligent Cloud, Baifeng Cloud Chuang, Ant Group (Ant Financial) Kechu, Qifu Technology, Zhongguancun Kejin, Zhongke Wen Ge, etc., ya han lanzado productos de modelos de lenguaje para la industria financiera; estos pueden conectarse directamente con las necesidades del negocio, reducir significativamente los costos de I+D y acortar los ciclos de puesta en marcha, al mismo tiempo que evitan los riesgos de cumplimiento y tecnológicos de construirlos por cuenta propia, brindando capacidades de modelos de lenguaje eficientes y seguras para todo tipo de instituciones financieras.

De acuerdo con el estudio de IDC, las potentes herramientas de desarrollo de agentes inteligentes (nivel empresarial) orientadas a la industria financiera deberían contar con características como escalabilidad y personalización, escalamiento y flexibilidad de despliegue, orquestación de múltiples agentes, cumplimiento y seguridad, monitoreo continuo, mejora continua, un sistema rico de complementos/herramientas e integración. En este ámbito, empresas como Alibaba Cloud, Baidu Intelligent Cloud, Baifeng Cloud Chuang, Kemarred, Blue Software, Ant Group Kechu, Runhe Software, Shenzhou Information, Shidai Yintong, SimaiTe Software, Yicheng Interactive, Zhongguancun Kejin, etc., también ofrecen a las instituciones financieras herramientas de desarrollo de agentes inteligentes a nivel empresarial.

Incrustar agentes dentro de las aplicaciones es actualmente la forma principal de implementación de agentes en la industria financiera, y su origen radica en las características de los sistemas de negocio y en los requisitos de cumplimiento. Los sistemas de negocio de la industria financiera son complejos; los procesos de negocio centrales (como la aprobación de préstamos y la revisión de gestión de riesgos) han evolucionado durante mucho tiempo hasta formar un sistema fijo, lo que dificulta desvincularse de la reconstrucción de aplicaciones existentes. Los agentes incrustados pueden habilitar el negocio sin cambiar los procesos existentes, reduciendo la dificultad de implementación. Al mismo tiempo, los requisitos de cumplimiento y auditoría en la industria financiera son estrictos; las capacidades inteligentes deben lograr “integración en el flujo, controlable y trazable”. En el formato incrustado se puede registrar, de principio a fin, el historial de operaciones y la lógica de decisión de los agentes inteligentes, garantizando que el proceso de negocio sea auditable y el riesgo sea gestionable. Esto no solo cumple con los requisitos de cumplimiento, sino que también permite aprovechar de manera eficiente el papel de los agentes como apoyo inteligente, por lo que se ha convertido en la forma de implementación predominante en la actualidad.

No existe un estándar unificado para la división de aplicaciones de agentes inteligentes en la industria financiera; se puede dividir de manera flexible según los procesos de negocio, responsabilidades de puestos o tipos de tareas. IDC observa que, debido a las diferencias en los modelos de negocio y la estructura organizativa entre distintas instituciones financieras, la división de aplicaciones de agentes no necesita seguir normas fijas, sino ajustarse a las necesidades reales de cada entidad. Dividir según el proceso de negocio puede habilitar inteligencia de extremo a extremo; por ejemplo, en el negocio de préstamos, se pueden separar agentes de “revisión previa al préstamo”, “monitoreo durante el préstamo” y “gestión posterior al préstamo”. Dividir según responsabilidades de puesto puede adaptarse a las necesidades de diferentes puestos, como agentes exclusivos para “gerentes de clientes” y “especialistas en gestión de riesgos”. Dividir según el tipo de tarea puede centrarse en la reutilización de capacidades: por ejemplo, en escenarios del negocio de préstamos, el agente para “redacción de informes”, el agente para “extracción de información” y el agente para “cálculo matemático” pueden reutilizarse en múltiples tareas, como antes, durante y después del préstamo. Los métodos flexibles de división pueden mejorar la pertinencia y la eficiencia en la implementación de agentes.

Los modelos de lenguaje están impulsando la transformación de los distintos ámbitos de las finanzas hacia un modelo RaaS (Results-as-a-Service, RaaS), pero durante la implementación enfrentan múltiples desafíos como cuantificación de resultados y cumplimiento. Las capacidades de procesamiento de datos multimodales y de análisis predictivo de los modelos de lenguaje pueden hacer coincidir con precisión las necesidades del negocio en áreas como crédito, gestión de riesgos y marketing, haciendo posible el modelo RaaS de “pago por resultados”. Es decir, las instituciones financieras pagan el costo según el efecto real del servicio inteligente, reduciendo el riesgo de inversión inicial. Sin embargo, la implementación de este modelo tiene dificultades evidentes: la cuantificación del efecto carece de un estándar unificado, lo que dificulta medir con precisión el valor real del servicio inteligente; los resultados del negocio están influenciados por múltiples factores, lo que complica la atribución; la delimitación de responsabilidades es ambigua; si surge un riesgo, es difícil asignar responsabilidades entre el proveedor del modelo y la institución financiera. Además, problemas como la seguridad de los datos y las revisiones de cumplimiento también limitan el despliegue a escala del modelo RaaS.