Detrás de las cifras: Cómo la IA se convirtió en el “empleado” más rentable de las finanzas

En los medios de comunicación, los bancos y, en general, las finanzas a menudo se presentan como personas con trajes elegantes que toman decisiones comerciales desde los pisos superiores de los rascacielos, o como traders dotados que pueden entender el estado del mercado a partir de pocos datos. Dado que es una de las imágenes más poderosas de las finanzas, muchas discusiones sobre las nuevas características técnicas en este campo se centran en cómo cambiarán este trabajo de escritorio.

La IA no es una excepción aquí, y una gran parte de los debates sobre su adopción en las finanzas se centran en si los agentes reemplazarán a los traders o si pueden asignar capital de manera más efectiva que los asesores. Sin embargo, la aplicación más eficiente de la IA resultó estar muy lejos de la imagen glamorosa que muchos imaginan. De hecho, la inteligencia artificial está generando más dinero desde lo que se puede llamar el “lado aburrido” de las finanzas, las operaciones diarias.

Donde la IA realmente crea valor

El principal beneficio de la IA es que puede manejar tareas mucho más baratas y varias veces más rápido que los humanos. Y al hacerlo, literalmente genera beneficios a través de una mayor eficiencia operativa.

Por ejemplo, con la ayuda de herramientas de IA, Citigroup redujo el tiempo de revisión de documentos antes de la apertura de cuentas de más de una hora a solo 15 minutos. Naturalmente, una toma de decisiones más rápida complacerá a los clientes y puede incluso hacer que sean más leales. Pero al mismo tiempo, esos 45 minutos se traducen en cientos de miles de dólares en ahorros de costos para el banco, porque estas herramientas liberan horas y horas de trabajo humano para tareas más importantes.

La IA ayuda a optimizar la vasta capa de burocracia financiera y marcos internos en los que confían las empresas. Es por eso que los casos de uso más valiosos a menudo resultan estar muy lejos de los más espectaculares. Los traders autónomos o un chatbot que sugiere las mejores ofertas a un cliente pueden sonar impresionantes, pero los procedimientos de verificación de identidad y cumplimiento automatizados son probablemente los que aportarán mucho más valor económico a un banco o empresa financiera.

Eso dicho, al igual que con el proceso de revisión de documentos de Citigroup, nada impide que estas mejoras también beneficien a los clientes. Los usuarios pueden apreciar un asistente personal de IA en una aplicación, pero lo apreciarán aún más si las decisiones de préstamos se pueden reducir de días a minutos, o si sus transacciones no se marcan incorrectamente como fraude, ya que es probable que se reduzcan en decenas de puntos porcentuales.

¿Cómo se convirtió la IA en el “empleado” más rentable?

Por lo general, cuando la base de clientes de un banco crece, su personal debe crecer casi proporcionalmente. Solía ser imposible revisar un número creciente de transacciones y documentos de clientes con el mismo tamaño del equipo. Varias soluciones tecnológicas modernas ayudaron en cierta medida, pero el crecimiento empresarial todavía llevaba inevitablemente a un crecimiento en la cantidad de empleados. Y cuanto más empleados tenga una empresa, más gerentes necesita y más caro es supervisar toda la estructura.

Ahora que ha surgido la IA, este problema comienza a desaparecer, ya que pocos empleados pueden servir eficazmente a un número creciente de clientes con la ayuda de herramientas de IA. Algunas empresas ya están utilizando esta lógica: Klarna, por ejemplo, ha afirmado que un asistente de IA puede hacer el trabajo de 700 personas. Cualquiera que sea el costo de aplicar tales herramientas, es poco probable que se acerque a los salarios regulares de varios cientos de empleados.

Sin embargo, para que realmente funcione, una empresa debe integrar la IA adecuadamente en sus flujos de trabajo, más allá de simples experimentos. En las finanzas, muchos proyectos todavía permanecen en la etapa de prueba, lo que obviamente no puede generar mucho valor. Mientras que una empresa puede debatir si adoptar nuevos instrumentos o cómo ampliar los agentes de IA, sus competidores no se quedarán quietos, construyendo sus propias capacidades de IA en su lugar.

Perder terreno en esta carrera conduciría a importantes pérdidas financieras. Para ser precisos, las empresas que no logren trasladar sus operaciones a los raíles de la IA pronto podrían perder hasta el 9% de sus ganancias. Recuperar ese retraso no sería fácil y exigiría que las empresas financieras construyeran una sólida estrategia de IA.

Cómo gobernar las decisiones de la IA

Aquí viene el mayor desafío, porque incorporar agentes de IA en las operaciones financieras inevitablemente significaría delegar alguna autoridad de toma de decisiones a ellos. En las finanzas, donde la IA se ha convertido en una especie de fuente inagotable de “empleados junior” al optimizar las operaciones básicas de back-office, esto plantea un riesgo significativo. El problema es que los errores en este tipo de trabajo suelen ser los más costosos.

En general, los reguladores están evitando que las organizaciones financieras hagan algo arriesgado y están estableciendo reglas para minimizar el daño posible. Sin embargo, cuando se trata de la IA, la industria se está moviendo mucho más rápido que la supervisión, ya que solo una cuarta parte de las autoridades recopilan datos sobre el uso de la IA de las entidades reguladas. Esto claramente no es suficiente para mantenerse al día con el creciente número de empresas que están agregando agentes a sus operaciones.

Como resultado, las empresas financieras deben encontrar formas de regular los instrumentos impulsados por la IA ellas mismas. Esto es comprensible, dado que cualquier error aquí puede llevar a pérdidas de millones de dólares. Por ejemplo, en los bancos modernos, los agentes tienen permisos limitados, al igual que los empleados reales. Si la IA trabaja con documentos de clientes, claramente no necesita el derecho de cambiar la calificación de riesgo de un cliente. El agente se le asigna un papel operativo estricto y no se le permite excederlo.

Otro mecanismo posible y ciertamente necesario es mantener registros detallados de todas las acciones de la IA, para que si ocurre un error, cada paso que el agente ha tomado pueda ser rastreado. En áreas como la verificación de identidad y la detección de fraude, pueden surgir preguntas sobre un cliente meses después, por lo que los bancos necesitan absolutamente conservar un registro completo de la lógica del asistente de IA.

El comportamiento de la IA también se puede probar en un entorno de prueba. El Banco de Inglaterra, por ejemplo, ha comenzado a simular sesiones de comercio de IA para comprender cómo los agentes interactuarían entre sí y con el mercado real. Esta prueba ayuda a identificar exactamente dónde un agente comete errores y a solucionar el problema antes de que se haga público.

En última instancia, es importante recordar que cualquier decisión de la IA debe ser confirmada por un ser humano, que sigue siendo responsable de ella. En caso de pérdidas, nadie aceptará la respuesta “porque el modelo decidió así”, y un gerente senior todavía debe aprobar las acciones de la IA y asumir la responsabilidad de ellas.

De “Bancos vs Fintech” a “Rápido vs Lento”

La regulación de la IA también da forma a la competencia en el mercado financiero. Los clientes pueden estar complacidos cuando su documento se procesa 30 minutos más rápido, pero ciertamente no estarán felices si un bot de IA daña su historial crediticio o les cuesta dinero. Para evitar estos problemas, es más probable que confíen su dinero a empresas que expliquen su estrategia de IA de manera transparente y honesta. Y, por supuesto, que tengan menos problemas para gestionarla.

Las empresas de fintech tienen una ventaja obvia aquí, simplemente porque no están cargadas con la carga de los sistemas heredados. Las fintech modernas pueden construir sus servicios alrededor de la IA desde el principio y automatizar todos los procesos de inmediato. Construir algo nuevo puede ser mucho más fácil que intentar integrar agentes de IA en organizaciones que todavía confían en máquinas de fax y sistemas COBOL de décadas de antigüedad. No es de extrañar que casi la mitad de las empresas de fintech ya hayan alcanzado un estado avanzado de adopción de IA, en comparación con menos de un tercio entre las instituciones financieras tradicionales.

Los bancos no están condenados a la extinción. Después de todo, han sobrevivido a la Gran Depresión, los años 70, la Gran Recesión, y más. Saben cómo adaptarse a los cambios. Debido a su legado, han acumulado enormes cantidades de datos de clientes, capital y reputación. Sin embargo, para utilizar estos beneficios de manera significativa, deben integrar completamente la IA en todos sus procesos, ya que simplemente agregarla a un producto lateral no ayudaría mucho.