Seguimiento de los puntos problemáticos de los asesores AI en corretaje, ¿cuáles son las restricciones ineludibles?

¿Preguntar a la IA · Cómo las políticas regulatorias limitan el desarrollo diferenciado de los asesores financieros automatizados (AI)?

3 de marzo de 2025 de Caixin/Cailian (13:25) (por el reportero Lin Jian) El asesor financiero automatizado por IA (AI投顾) se ha convertido en una dirección de exploración estándar en la gestión patrimonial de las casas de valores, pero bajo la forma generalizada de “asesor financiero humano + producto automatizado por IA”, las restricciones de cumplimiento, los cuellos de botella técnicos y el problema de la homogeneización siguen siendo cuestiones que deben resolverse con urgencia.

“Los clientes no sienten los cambios tecnológicos; solo se preocupan por si las acciones recomendadas son mejores y si el rendimiento del valor liquidativo ha mejorado.” Algunos responsables de negocios de asesoramiento inteligente por IA en casas de valores lo dijeron con franqueza en entrevistas. Después del incidente de “langosta” (“OpenClaw”), las expectativas de aceleración en la industria de AI投顾 de las casas de valores se han fortalecido. Sin embargo, tras el bullicio, la industria todavía se encuentra en una etapa inicial de exploración de funciones; los verdaderos avances a escala aún dependen de la prueba de las políticas regulatorias y de la madurez técnica.

En el artículo de Caixin/Cailian titulado “¿Cómo se conecta el asesor financiero por IA con el último kilómetro del servicio al cliente? ¿Hasta qué punto han llegado las casas de valores? Encuesta más reciente”, se reportó el enfoque y las tendencias actuales de AI投顾 en las casas de valores, y también, en el proceso real de avance, sigue enfrentando numerosos problemas y desafíos.

Límites, necesidades y lógica comercial

Al abrir varias apps de casas de valores, la función de AI投顾 es altamente similar: preguntas y respuestas sobre datos financieros, diagnósticos de posiciones estandarizados, recomendaciones de estrategias fijas; es difícil encontrar puntos destacados diferenciadores. Esta homogeneización no significa que las casas de valores carezcan de voluntad de innovar, sino que es un resultado inevitable derivado de la acción conjunta de múltiples factores.

“La demanda central del inversionista es ganar dinero: por ejemplo, seleccionar acciones superiores, salir de pérdidas (“解套”), elegir el momento de compra y venta; el escenario es vertical y la necesidad es única.” Un responsable del área de patrimonio de una casa de valores afirmó que, al sumarse a los requisitos regulatorios para el servicio de asesoramiento financiero, el espacio de innovación que las casas de valores pueden aprovechar se ve reducido de manera significativa. Más importante aún, el costo de inversión inicial del AI投顾 es muy alto: solo los puntos de compra (buy points) relacionados con el modelo grande (“大模型”) y la conformación de un equipo requieren decenas de millones de yuanes; la mayoría de las casas de valores optan por comenzar con las funciones básicas que están a su alcance, lo que agrava aún más la homogeneización.

La exploración de las casas de valores líderes tampoco ha logrado salir del atolladero. En algunos casos, el núcleo de los productos de AI投顾 sigue estando orientado a preguntas y respuestas sobre datos financieros; la característica de recomendar acciones no es fuerte, además de existir problemas de inconsistencia en los datos de múltiples rondas de preguntas y respuestas, lo que conduce a una retención del usuario no alta y a un desempeño mensual promedio mediocre. Parte del AI投顾 de algunas casas de valores es, en esencia, un asesoramiento financiero tradicional “con una carcasa” (“加壳”): mediante la selección de salida de contenido con plantillas bajo condiciones fijas, no impulsado realmente por un “modelo grande”; solo destaca porque es compatible, controlable y en cumplimiento.

“Ahora, hay pocas instituciones en la industria que de verdad puedan crear diferenciación.” Un responsable del departamento de TI de una casa de valores reveló que la mayoría de los productos todavía se encuentran en la etapa de “cambiar la carcasa sin cambiar el núcleo”; las tecnologías subyacentes, las fuentes de datos y las estrategias de inversión son altamente convergentes, y la lógica de selección de acciones y los servicios de información difícilmente pueden formar ventajas únicas.

La “cadena de hierro” que no se puede evitar

El cumplimiento normativo es la “cadena de hierro” que el AI投顾 no puede evitar. En la actualidad, la regulación no ha dejado claro aún la apertura de la aplicación de modelos grandes en el servicio de asesoramiento financiero; todos los servicios deben seguir las medidas de gestión del asesoramiento financiero, que exigen que la lógica pueda descomponerse como “caja blanca” (white-box). Sin embargo, la característica de caja negra del modelo grande choca precisamente con este requisito.

“Nos hemos ajustado con el departamento de cumplimiento en muchas rondas; al final, solo podemos intentar dentro de un rango pequeño.” Un representante de una casa de valores explicó que, mediante el modelo grande, la empresa hace una整理 (organización) de datos de agentes inteligentes y una revisión de cumplimiento; pero todas las recomendaciones de asesoramiento deben pasar por una revisión manual con registro de trazabilidad, y en el acuerdo también debe quedar claramente escrito el rol del “profesor de asesoramiento” (“投顾老师”). Este modelo de doble verificación de “máquina + humano”, aunque cumple con los requisitos de cumplimiento, también reduce la eficiencia del servicio y genera cierta contradicción con la intención original de habilitar con IA.

Los cuellos de botella técnicos también limitan el desarrollo de la industria. En materia de seguridad de datos, para cumplir con los requisitos de cumplimiento, las casas de valores suelen adoptar soluciones de procesamiento de datos completamente locales; sin embargo, el problema de que la capacidad de cómputo local es insuficiente es突出 (destacado), y además, una vez que los datos se desensibilizan, pierden su sentido práctico, haciendo que el cómputo en la nube sea difícil de aplicar. Las alucinaciones del modelo (“模型幻觉”) son otro problema delicado: en las tres etapas clave de reconocimiento de intención, extracción de datos y recuperación por vectores (“向量召回”), los errores se acumulan capa tras capa. El reconocimiento de intención no puede alcanzar 100% de precisión; la precisión de extracción de datos no supera 90%; y cuando el repositorio de conocimiento es enorme, la tasa de acierto del “vector recall” incluso baja de 95%.

“Cuando se consulta por tablas, la precisión con la que el modelo grande genera SQL automáticamente será aún más baja; estos errores, al final, afectarán la experiencia del cliente.” Agregó el responsable del departamento de TI. La práctica de algunas casas de valores también lo confirma: han adoptado directamente una tecnología subyacente de modelo grande similar a ChatGPT, lo que provoca que, ante el mismo problema, los datos de salida en dos ocasiones sean inconsistentes, afectando el nivel de confianza del usuario.

La presión de costos hace que las casas de valores medianas y pequeñas se queden atrás. Aunque el costo de construir un solo producto de asesoramiento inteligente no es alto, y se concentra principalmente en la construcción inicial de agentes inteligentes y en una pequeña cantidad de personal, la inversión total relacionada con modelos grandes se considera realmente como “quemar dinero” (“烧钱”). “Para las casas de valores medianas y pequeñas, ni siquiera tienen la calificación para instalar Llama, y mucho menos para una inversión a gran escala en AI投顾.” Un actor de la industria reveló que algunas casas de valores pequeñas incluso aún no han iniciado el negocio de AI投顾, y la industria muestra una diferenciación: un despliegue integral en las casas líderes, mientras que las demás se enfocan en aterrizar escenarios de forma más puntual.

El cumplimiento y la colaboración humano-máquina son la lógica central del desarrollo a largo plazo

Ante el atolladero, las casas de valores ya han empezado a explorar direcciones para abrirse paso. En el trabajo de profundización técnica, las casas de valores están pasando de la simple acumulación de funciones a la habilitación de extremo a extremo (“全链条赋能”). Por ejemplo, CITIC Securities Construction (中信建投) lanzó un modelo de Beidou (“北斗大模型”), especializado para habilitar al profesor de asesoramiento y producir contenido de manera eficiente; aunque las recomendaciones finales aún requieren revisión manual, ya se ha mejorado notablemente la eficiencia del servicio. Su primer producto de asesoramiento por IA con “agentes inteligentes totalmente inteligentes” (“全智能体智能投顾”) lanzado el año pasado aumentó el valor liquidativo (“净值”) en 78% frente al periodo anterior, frenó la caída en la captación, y la cantidad de firmas se recuperó; el interés de las sucursales en la promoción también aumentó de manera clara.

La demanda en el lado del asesoramiento también marca la dirección para la iteración técnica. “Lo que más necesita el asesoramiento es que la IA pueda extraer automáticamente materiales, organizar el contenido, generar planes de diagnóstico personalizados e informes de inversión, para lograr un servicio de un solo clic.” El responsable mencionado dijo que, con base en esta demanda, el AI投顾 de las casas de valores se está extendiendo desde la interacción en el frente hacia la habilitación en el backend de investigación y análisis (投研). Al alimentar al modelo grande la lógica de selección de acciones del asesoramiento y los modelos de estrategias clásicas, se va formando gradualmente un “repositorio de modelos de expertos” (“专家模型库”).

La industria considera ampliamente que la forma definitiva del AI投顾 es un circuito cerrado de colaboración humano-máquina de “un usuario, un rostro” (“千人千面”). El modelo grande aprende la lógica de selección de acciones y las características de comportamiento del asesor; cuando los inversionistas plantean sus necesidades, el sistema hace coincidir con el modelo de experto correspondiente y ofrece una solución. Pero la realización de esta forma ideal depende en esencia del grado de apertura regulatoria.

Actualmente, las “Medidas de Gestión de la Inteligencia Artificial Generativa” no ajustan el negocio de asesoramiento financiero por IA por separado; se siguen aplicando las disposiciones originales de gestión del asesoramiento. “Las políticas regulatorias suelen ir por detrás del nivel de madurez de la tecnología. Una vez que se detectan vacíos o lagunas, entonces se legisla para regular, con el fin de evitar que políticas demasiado adelantadas detengan a la industria.” Analizó un actor de la industria. Este estilo regulatorio ofrece espacio para que las casas de valores exploren, pero también hace que la industria carezca de una guía clara para el desarrollo.

Las “réplicas digitales” se han convertido en el siguiente punto de avance que espera la industria. Algunas casas de valores ya han iniciado pruebas internas en modo gris (“内部灰度测试”), pero no se han implementado a gran escala debido a problemas de cumplimiento. “Las réplicas digitales son una dirección clave para el futuro de la industria; pero la adopción a gran escala requiere la madurez de tecnologías multimodales, agentes inteligentes y computación de privacidad, además de una combinación múltiple de cobertura de costos, adaptación regulatoria y validación del mercado.” señaló un profesional de TI.

“La IA siempre será un asistente del asesoramiento, no un sustituto.” Varios actores de la industria llegaron a un consenso: el cumplimiento y la colaboración humano-máquina son la lógica central para el desarrollo saludable del AI投顾 a largo plazo. En la medida en que las políticas regulatorias se completen progresivamente y la tecnología continúe iterando, el AI投顾 de las casas de valores está buscando una ruta para abrirse paso desde el dilema de la homogeneización; y el logro real de valor, en última instancia, volverá a la esencia de generar ganancias sólidas y confiables para los clientes.

(Reportero de Caixin/Cailian: Lin Jian)