La IA en los servicios financieros: configurando el futuro de las finanzas

Los servicios financieros aprovechan la IA para detectar y detener los delitos financieros, mejorar la experiencia del cliente mediante asistentes virtuales y personalización, mejorar la gestión de riesgos, impulsar el comercio algorítmico y la optimización comercial, reforzar la ciberseguridad y aumentar la productividad de los empleados. Las principales ventajas de la IA en las finanzas incluyen nuevas eficiencias operativas, una mejor experiencia del cliente, una mejor mitigación de riesgos, nuevas fuentes de ingresos y oportunidades de negocio, una toma de decisiones más rápida y nuevas ventajas competitivas. La adopción de la IA en las finanzas requiere abordar los riesgos de cumplimiento normativo, los posibles errores y sesgos, los retos relacionados con los datos, la falta de talento en IA y las cargas heredadas.

Sin embargo, mantener una posición de liderazgo en la revolución de la IA dentro de la banca y los servicios financieros (/services) es todo un reto. La adopción de la IA en las finanzas requiere una cuidadosa evaluación de los riesgos y la selección del caso de uso empresarial adecuado para empezar.

El aprendizaje automático (ML) y la inteligencia artificial analítica (IA) no son fenómenos nuevos en las finanzas. Ya se utilizan para impulsar la clasificación de datos, la automatización de procesos, la detección de patrones y la predicción de eventos. La banca, los servicios financieros y los seguros representan el 18 % del mercado mundial del aprendizaje automático, lo que los sitúa como uno de los mayores usuarios de tecnología, solo por detrás de las tecnologías de la información y las telecomunicaciones (19 %).

Formularios de IA utilizados por instituciones financieras

• Análisis de datos (69 %)
• Procesamiento de datos (57 %)
• Procesamiento del lenguaje natural (47 %)
• Modelos lingüísticos de gran tamaño (46 %)
• IA generativa (43 %)

La estrategia de adopción de IA y ML más frecuente entre las organizaciones de servicios financieros es el desarrollo de aplicaciones utilizando servicios de IA y ML basados en la nube. Según S&P Global, el 44 % de las empresas encuestadas identificaron este enfoque como su estrategia principal. Uso actual de soluciones de IA en el sector financiero:

• Operaciones (48 %)
• Riesgo y cumplimiento (45 %)
• Marketing (34 %)
• Ventas (27 %)

La IA genérica sigue en primera línea

La IA generativa es la tecnología clave que está dando forma al futuro de la IA en las finanzas. La penetración actual de la IA generativa y los grandes modelos de lenguaje en las organizaciones de servicios financieros alcanza casi el 43 % y el 46 %, respectivamente. La IA generativa en el sector bancario impulsa:

• Copilotos de codificación para acelerar la digitalización.
• Soluciones de chat-your-data para democratizar los datos empresariales.
• Generación de datos sintéticos para el entrenamiento de modelos de IA/ML.
• Generación de informes de riesgos y cumplimiento normativo.
• Asistentes virtuales personales de los clientes.
• Campañas de ventas y marketing hiperpersonalizadas.
• Creación automatizada de informes de reclamaciones de seguros.
• Notificación virtual de daños en reclamaciones de seguros.

Los analistas de McKinsey estiman que la IA generativa producirá un crecimiento del 2,8 % al 4,7 % en la banca mundial y del 1,8 % al 2,8 % en los seguros. Es probable que el marketing, las ventas, las operaciones con clientes y la ingeniería de software sean los ámbitos más afectados.

Prevención de delitos financieros

Solo en 2023, los fraudes causaron pérdidas por valor de 485 600 millones de dólares. En 2011, más de 3,1 billones de dólares de dinero ilegal circularon por el sistema financiero mundial. Dado que el 90 % de las organizaciones financieras consideran que la prevención de delitos financieros es una prioridad, resulta fundamental aprovechar el análisis de datos para la detección y la prevención. Dos tercios de las organizaciones tienen previsto utilizar este enfoque, y la mitad invertirá en inteligencia artificial para ampliar su capacidad de detección de fraudes. La prevención del fraude mediante IA incluye:

• Análisis de macrodatos para el seguimiento del rendimiento de los gastos y las cuentas.
• Análisis predictivo para la evaluación del riesgo de delitos financieros.
• Marcar transacciones/cuentas para su revisión posterior.
• Lucha automatizada contra el blanqueo de capitales (AML) y conocimiento del cliente (KYC).

Ejemplo: Barclays introdujo una aplicación de IA que rastrea las transacciones de los comerciantes en línea utilizando análisis predictivos para determinar la posibilidad de fraude. PayPal aplicó la IA para reducir los casos de fraude no detectados en 30 veces, al tiempo que redujo los costos de hardware en tres veces.

Asistentes virtuales

Los chatbots con tecnología de inteligencia artificial mejorados con Gen AI ofrecen servicios de asesoramiento financiero personalizado las 24 horas del día, los 7 días de la semana. A diferencia de las versiones anteriores basadas en reglas, Gen AI permite crear chatbots más sofisticados que adaptan las respuestas a las solicitudes directas e indirectas de los clientes con interacciones similares a las humanas. Capacidades del chatbot con IA:

• Recomendaciones sobre opciones de inversión.
• Gestión de cuentas bancarias.
• Asesoramiento sobre gestión financiera personal.
• Atención al cliente autoservicio.
• Cobro automatizado de deudas.

Hiperpersonalización a gran escala

Casi el 73 % de los clientes de servicios financieros quieren que los proveedores comprendan sus necesidades y expectativas personales. Además, el 62 % cambiará de proveedor si se siente tratado de forma impersonal. La personalización basada en IA permite:

• Microsegmentación de clientes según sus necesidades y preferencias.
• Marketing personalizado y recomendaciones de productos.
• Prevención de la pérdida de clientes mediante análisis predictivos.
• Asesoramiento sobre inversiones personales y gestión financiera.

Gestión de riesgos

Las decisiones tradicionales sobre préstamos y seguros se basan en conjuntos de datos limitados, como la ocupación y el historial crediticio. Los dispositivos de IA pueden recopilar y evaluar grandes cantidades de datos para obtener calificaciones crediticias y evaluaciones de riesgo más precisas, incluyendo fuentes no tradicionales como la actividad en las redes sociales. Aplicaciones de gestión de riesgos de IA:

• Gestión de riesgos corporativos con identificación de riesgos novedosos.
• Sugerencias de estrategias de mitigación.
• Herramientas de evaluación de riesgos para clientes para decisiones de inversión y préstamo.

Ejemplo: Banco Santander ofrece la herramienta Kairos a sus clientes corporativos para mejorar la toma de decisiones.

Optimización comercial y comercio algorítmico

Los algoritmos han dominado el comercio durante años. J.P. Morgan utilizó redes neuronales profundas en 2019 para permitir que los programas de comercio automático detectaran las rutas de ejecución comercial más rentables. Capacidades de negociación de IA:

• Procesamiento de cientos de puntos de datos de mercado.
• Identificación de tendencias históricas y actuales.
• Análisis de datos no estructurados (noticias) mediante el procesamiento del lenguaje natural.
• Valoración de activos utilizando información histórica y en tiempo real.
• Asignación óptima de activos para maximizar el retorno de la inversión.
• Evaluación del riesgo de liquidez.
• Detección de manipulación del mercado.
• Automatización del comercio de alta frecuencia.

Ciberseguridad

Las violaciones de datos tienen un coste medio de 4,88 millones de dólares, lo que supone un aumento del 10 % con respecto a 2023. Las organizaciones de servicios financieros dan prioridad a mantenerse por delante de los atacantes, al tiempo que mejoran la seguridad de terceros, las métricas y la presentación de informes, y la gestión del acceso. Aplicaciones de ciberseguridad con IA:

• Gestión de identidades y accesos con detección de comportamientos sospechosos.
• Seguridad de los puntos finales e identificación de malware.
• Información sobre vulnerabilidades de seguridad en la nube.
• Detección de amenazas y respuesta automatizada.
• Seguridad de la información y prevención del robo de datos.
• Investigación de incidentes y optimización de la respuesta.

Las herramientas modernas de ciberseguridad de Gen AI también:

• Procesa la información para obtener sugerencias de investigación.
• Redacta la documentación del incidente.
• Analiza las vulnerabilidades de seguridad del código base.
• Proporciona orientación sobre ciberseguridad en lenguaje natural.

Herramientas de productividad para empleados

La IA ayuda a los empleados a ser más productivos en todas las funciones, desde el riesgo y el cumplimiento normativo hasta el servicio al cliente, el marketing y las ventas. Aplicaciones de productividad de IA genérica:

• Resumen de documentos (normativas, informes, investigaciones).
• Sugerencias de respuesta de atención al cliente en tiempo real.
• Generación de fragmentos de código y asistencia en la revisión.
• Procesamiento y clasificación de datos no estructurados.

Ventajas adicionales en cuanto a la eficiencia de la IA:

• Procesamiento visual de datos para la evaluación de daños y la verificación de identidad.
• Procesamiento inteligente de documentos para datos estructurados/no estructurados.
• Reconocimiento de voz para la clasificación del servicio de atención al cliente.
• Análisis predictivo para recomendaciones sobre la mejor acción siguiente.

Mejora de la eficacia operativa

Los modelos de IA automatizan procesos que antes eran manuales, como la verificación de datos para la apertura de cuentas y la generación de informes de riesgo/cumplimiento, lo que proporciona nuevas eficiencias operativas.

Mejores experiencias de cliente

La personalización basada en inteligencia artificial, los asistentes virtuales y la automatización inteligente crean experiencias fluidas al tiempo que agilizan las operaciones administrativas. Esto mejora el valor del ciclo de vida del cliente y reduce la rotación y los costes de adquisición.

Riesgos mitigados

La IA protege a las organizaciones de pérdidas reputacionales y financieras mediante la detección precisa de fraudes y sólidos marcos AML/KYC. Sin embargo, la implementación de la IA en sí misma requiere la mitigación de riesgos.

Nuevas fuentes de ingresos

La IA impulsa modelos operativos, productos y servicios cualitativamente nuevos. El seguro de automóvil basado en el uso, con primas determinadas por la IA en función del comportamiento del conductor, es un ejemplo de esta innovación.

Toma de decisiones más rápida

Las soluciones Chat-your-data y los potentes análisis permiten una toma de decisiones más rápida en todas las funciones empresariales. Los modelos predictivos respaldan específicamente la estrategia de mitigación de riesgos y las decisiones de suscripción.

Ventaja competitiva

La IA proporciona mejores experiencias al cliente, menores gastos operativos gracias al ahorro en eficiencia y productos y servicios innovadores impulsados por la IA, lo que crea ventajas competitivas para los primeros en adoptarla.

Generación aumentada de recuperación de documentos de seguros (RAG)

Una compañía de seguros simplificó la extracción de datos de miles de documentos que databan de 2005. La solución RAG integró la recuperación de información con la IA generativa, lo que permitió a los analistas de negocios acceder a los datos a través de interfaces de preguntas y respuestas en lenguaje natural. Resultados: los empleados localizan las secciones de documentación adecuadas en 38,3 ms mientras buscan entre más de un millón de vectores, respondiendo fácilmente a consultas complejas como comparaciones de precios de perfiles de asegurados.

Detección y prevención del fraude en las transacciones comerciales

MasterCard se ha asociado con Amazon Web Services (AWS) para mejorar la capacidad de IA/ML para la prevención del fraude en las transacciones comerciales, yendo más allá de los sistemas basados en reglas para hacer frente a técnicas de fraude sofisticadas. Resultados: Triplicación de las tasas de detección de fraudes y reducción de diez veces de los falsos positivos, lo que mejora la experiencia de los comerciantes con los servicios de MasterCard.

Mejora de la experiencia del cliente y ofertas predictivas

Scotia Bank utilizó Google Cloud para mejorar la experiencia de los clientes con los servicios bancarios de IA, trasladando los datos de los clientes a la infraestructura en la nube con tres iniciativas principales:

• Recomendaciones de productos individuales utilizando modelos de aprendizaje automático.
• Automatización de la experiencia del cliente con procesamiento del lenguaje natural, reconocimiento de voz y visión artificial.
• Unificación de datos para obtener información más detallada y asesoramiento financiero.

Optimización de la cartera

HSBC colaboró con EquBot para mejorar el rendimiento de la cartera utilizando big data. El índice bursátil estadounidense impulsado por IA (AiPEX) utiliza la IA de EquBot para seleccionar acciones con alto potencial de crecimiento del índice Russell 1000. Resultados: AiPEX superó al índice S&P 500 en un 123 % durante la última década gracias a su capacidad superior para identificar acciones de alto crecimiento utilizando lenguaje natural y datos no estructurados.

Productividad del desarrollador

Westfield Insurance adoptó la IA generativa a través de IBM para lograr una mayor productividad de los desarrolladores y flexibilidad empresarial, ayudando en el desarrollo de aplicaciones y la incorporación de desarrolladores en COBOL, soluciones Assembler y JCL. Resultados: reducción del 80 % en el tiempo de familiarización con la aplicación y del 30 % en el tiempo de descripción y documentación del código, al tiempo que se acelera la modernización de la aplicación y se reducen los costes de gestión del cambio.

Riesgos de cumplimiento normativo

Los reguladores de todo el mundo se centran en el uso de la IA en las finanzas. La Ley de Inteligencia Artificial de la UE representa el amanecer de una nueva legislación sobre IA, mientras que los reguladores estatales de EE. UU. evitan los daños a los consumidores causados por la IA. Estrategias de mitigación:

• Examina todos los aspectos normativos que afectan al desarrollo y la implementación de modelos de IA.
• Garantiza una gobernanza sólida de la IA.
• Adopta principios de IA responsables e interpretables.
• Establece comités de ética en materia de IA que realicen revisiones periódicas.

Posibles errores y sesgos

Si bien las preocupaciones sobre las alucinaciones dominan los debates sobre la IA generativa, otros modelos de IA/ML se enfrentan a retos relacionados con los errores y los sesgos. Dado que la IA en la banca maneja datos sensibles que afectan a la vida de los clientes, es fundamental prevenir estos problemas. Estrategias de mitigación:

• Crea conjuntos de datos de entrenamiento diversos y representativos.
• Examina periódicamente los modelos en busca de sesgos y errores, y corrige los problemas identificados.
• Utiliza métodos de entrenamiento anti-sesgos (reponderación, entrenamiento adversarial).
• Forma a los usuarios finales sobre las limitaciones de las herramientas de IA.
• Mantén la supervisión humana en el proceso.

Retos relacionados con los datos

El éxito de los modelos de IA y ML depende de la calidad de los datos de entrenamiento. Sin embargo, los silos de datos, las preocupaciones por la privacidad y los volúmenes de datos insuficientes crean obstáculos importantes. Los problemas con los datos representan el mayor desafío para el 38 % de las instituciones financieras. Estrategias de mitigación:

• Implementa una ciberseguridad sólida para proteger la información confidencial.
• Considera la generación de datos sintéticos utilizando Gen AI para el entrenamiento de modelos.
• Consolida los silos de datos antes de aplicar la IA.
• Aborda las cuestiones relacionadas con la privacidad de forma proactiva.

Falta de talento

La contratación y retención de especialistas en IA encabezó los retos de los servicios financieros en 2022, cayendo al segundo lugar en 2023, con un 32 % de las organizaciones que siguen teniendo dificultades. Estrategias de mitigación:

• Desarrolla propuestas de valor atractivas para los empleadores.
• Evalúa el potencial de los candidatos y sus habilidades técnicas actuales.
• Haz coincidir adecuadamente los requisitos empresariales con los requisitos de habilidades.
• Busca talentos en lugares lejanos e internacionales.
• Considera la posibilidad de adquirir talento en IA mediante la contratación de proveedores de servicios.

Cargas heredadas

Los bancos y las compañías de seguros tradicionales operan con sistemas informáticos obsoletos cuya antigüedad media supera los 10 años. La implementación de herramientas de IA resulta difícil o imposible sin abordar primero la deuda técnica y modernizar la infraestructura heredada. Estrategias de mitigación:

• Realiza un análisis exhaustivo de la madurez digital.
• Reducir sistemáticamente la complejidad del parque informático.
• Determina con precisión el alcance, el tiempo y el presupuesto de los esfuerzos de modernización heredados.
• Rompe los silos organizativos junto con los silos de software y datos.

Las tendencias clave que definen el futuro de la IA en los servicios bancarios y financieros incluyen el impulso hacia una IA explicable y responsable, las posibilidades de la biometría física y conductual, y el desarrollo de la computación cuántica.

IA explicable y responsable

La confianza de los consumidores es un factor importante para el éxito de la adopción de la IA. Sin embargo, solo el 21 % de los clientes de servicios financieros confían en los chatbots de IA genérica. Con la creciente importancia de las cuestiones éticas, aumenta la presión para que la IA sea explicable y responsable. Según un estudio de NVIDIA, el 84 % de las instituciones financieras han implementado medidas para garantizar la fiabilidad de los modelos de IA. Sin embargo, la IA explicable sigue siendo una tecnología inmadura que requiere soluciones para reducir la velocidad computacional y las compensaciones de precisión a cambio de una mayor interpretabilidad.

Biometría

El robo de identidad sintética se perfila como un delito financiero en rápida expansión en Estados Unidos, y la IA generativa se está convirtiendo en un arma eficaz para los delincuentes. Las pérdidas previstas, que ascenderán a casi 23 000 millones de dólares en 2030, pueden evitarse mediante el uso de la biometría física y conductual. Estos sistemas utilizan inteligencia artificial para supervisar continuamente el comportamiento de los clientes y realizar exhaustivos controles KYC y AML. La biometría conductual crea perfiles de clientes únicos basados en la velocidad de introducción de contraseñas y los patrones de navegación en aplicaciones móviles. El reconocimiento facial proporciona una autenticación y autorización fáciles y seguras. Organizaciones como MasterCard y BNP Paribas ya utilizan la biometría para garantizar una seguridad avanzada a los titulares de tarjetas.

Inteligencia artificial y fusión cuántica (AQ)

Las tecnologías cuánticas representan el futuro del desarrollo tecnológico con inversiones industriales sin precedentes. Aunque los ordenadores cuánticos no se harán realidad en la próxima década, la computación cuántica podría romper los procedimientos de cifrado asimétrico. Las empresas financieras como HSBC ya están mejorando la gestión de la criptografía para prepararse para la era de la criptografía cuántica. En combinación con la IA, los algoritmos inspirados en la cuántica pueden impulsar entornos de mercado más avanzados y análisis de riesgo de carteras más allá de las simulaciones de Monte Carlo. La mejora de la calidad del aprendizaje de la IA puede mejorar significativamente las capacidades de detección de fraudes.