FinTech y IA impulsando la próxima ola de innovación

Anna Schoff – Graduada en Maestría en Comunicación y Procesamiento del Lenguaje Natural con experiencia en aprendizaje profundo, ciencia de datos y aprendizaje automático. Sus intereses de investigación incluyen la desciframiento neural de lenguas antiguas, traducción automática de recursos limitados y identificación de idiomas. Tiene amplia experiencia en lingüística computacional, IA e investigación en PLN en academia e industria.

Bhushan Joshi – Líder de competencia en Sistemas de Valor Agregado Bancarios, Mercados Financieros y Gestión de Patrimonio con amplia experiencia en banca digital, mercados de capital y transformación en la nube. Ha liderado estrategias comerciales, consultoría e implementaciones de tecnología financiera a gran escala para bancos globales, enfocándose en microservicios, optimización de procesos y sistemas de trading.

Kenneth Schoff – Especialista técnico distinguido del Grupo Abierto en Aplicaciones de IA en IBM con más de 20 años de experiencia en banca, mercados financieros y fintech. Se especializa en soluciones IBM Sterling, ventas técnicas y asesoramiento a ejecutivos de nivel C sobre transformaciones impulsadas por IA en la cadena de suministro y servicios financieros.

Raja Basu – Líder en gestión de productos e innovación con experiencia en IA, automatización y sostenibilidad en mercados financieros. Con sólida formación en transformación tecnológica bancaria, ha liderado proyectos de asesoría e implementación global en EE. UU., Canadá, Europa y Asia. Actualmente es becario doctoral en XLRI, centrado en el impacto de la IA en los sistemas financieros y la sostenibilidad.

¡Descubre las principales noticias y eventos fintech!

Suscríbete al boletín de FinTech Weekly

Leído por ejecutivos de JP Morgan, Coinbase, Blackrock, Klarna y más

El desarrollo de tecnología de IA para FinTech crece con gran potencial, pero el ritmo puede ser más lento que en otras aplicaciones debido a la complejidad del problema.

La IA puede captar patrones y anomalías que los humanos suelen pasar por alto debido a la capacidad de los sistemas de IA para consumir grandes cantidades de datos en muchas formas estructuradas y no estructuradas.

Sin embargo, el cerebro humano con más de 600 billones de conexiones sinápticas ha sido llamado el objeto más complejo que conocemos en cualquier lugar – tierra, sistema solar y más allá. La IA puede complementar el análisis humano mediante su capacidad para procesar muchos detalles en volumen, pero no puede pensar.

En clases de IA en Yale hace muchos años, definieron la IA como “el estudio de procesos cognitivos mediante modelos computacionales”. Esta definición aún aplica.

A menudo, los modelos computacionales resultantes son útiles por sí mismos, y estos han avanzado en capacidad desde sistemas expertos y pequeñas redes neuronales artificiales hasta las técnicas de aprendizaje profundo utilizadas para construir grandes modelos de lenguaje (LLMs) y los modelos base utilizados en IA generativa.

Los avances en hardware han hecho posible gran parte de esto, y estamos seguros de que hay más por venir.

En los años 90 sabíamos que la falta de conocimiento general en sistemas de IA era un factor limitante importante, y ahora podemos ofrecer eso en grandes modelos de IA.

La tecnología de IA temprana se limitaba a tareas muy específicas, algo así como savants idiotas – capaces de realizar muy bien una tarea muy concreta, pero inútiles para cualquier otra.

Dicho esto, sí proporcionaron y aún pueden ofrecer valor en sus tareas especiales con costos computacionales mucho menores.

Por razones de sostenibilidad, estas tecnologías aún pueden cumplir sus roles en el panorama de la IA.

Las capacidades de Procesamiento de Lenguaje Natural (NLP) y Procesamiento de Voz proporcionadas por los LLMs ahora son capaces de captar quizás el 90% del contenido de un intercambio en Lenguaje Natural con precisión, lo cual es de gran valor para la interacción humano-máquina.

En el estado actual de la técnica, los modelos utilizados para NLP se ejecutan a un costo computacional muy alto (leer factura eléctrica muy alta), lo cual va en contra de las consideraciones de sostenibilidad.

Recuerde que un bibliotecario experimentado o profesional similar puede proporcionar resultados 100% precisos y solo requiere almuerzo.

Debemos usar el recurso adecuado en el momento adecuado.

Más recientemente, con desarrollos como DeepSeek, vemos optimizaciones logradas mediante la construcción de aplicaciones específicas más pequeñas usando las mismas tecnologías que en los modelos integrales más grandes.

Esto es una situación en la que todos ganan, al ofrecer tecnología de IA robusta para abordar un dominio problemático mientras se reducen los costos computacionales.

Por ejemplo, un sistema de IA fintech que apoya la gestión de patrimonio no necesita un conocimiento profundo en literatura inglesa.

Asesoría de Gestión de Patrimonio Asistida por IA

Consideremos la gestión de patrimonio como ejemplo de aplicación.

Una entrevista con el cliente para crear un perfil puede ser impulsada por técnicas básicas de IA como un árbol de decisiones o un sistema experto.

Sin embargo, según nuestra experiencia previa con entrevistas impulsadas por sistemas expertos, un asesor bien calificado obtendrá mejores resultados solo mediante una conversación.

No hay sustituto para las personas que saben lo que hacen. La IA debe asistir, pero no conducir.

Análisis de Cartera

Si el cliente tiene una cartera actual, se necesita analizarla, y la IA puede ayudar aquí también.

¿Cómo han rendido las inversiones a lo largo del tiempo? ¿El cliente tiende a centrarse en industrias específicas? ¿Cuál es el pronóstico de cómo podrían rendir en el futuro?

¿Cuál es la historia de las operaciones del cliente?

Basándose en el perfil del cliente y el análisis de la cartera, el asesor puede introducir límites específicos sobre lo que debe considerar el análisis para la cartera propuesta.

Estos pueden incluir preferencias personales, límites de riesgo, límites de fondos disponibles y cualquier otra consideración que pueda restringir las decisiones.

Asesoría de Gestión de Patrimonio Asistida por IA

Varias empresas utilizan modelos de IA para ofrecer orientación sobre qué acciones o segmentos de mercado probablemente tengan buen rendimiento o mal rendimiento.

Esto se enmarca como un problema de predicción, donde se puede predecir el movimiento de la tendencia, o como un problema de clasificación, en el que la IA destaca.

Un asesor puede usar estos servicios existentes para proporcionar este tipo de información.

Las consideraciones de Medio Ambiente, Social y Gobernanza (ESG) también pueden influir en el resultado.

Estas pueden ya estar incluidas como entrada en el modelo de IA utilizado para el análisis.

El asesor y el cliente deberán discutir qué detalles incluir en el modelo de cartera.

Arquitectura de Esquema Tentativo

Una vista conceptual de esquema tentativo podría parecerse a la siguiente. Muchas variaciones son posibles.

Una implementación muy común sería basada en un único modelo de base GenAI que realice todo lo que describimos a continuación, pero creemos que dividir las tareas es un enfoque mejor.

Cada modelo abordaría una parte del dominio del problema y, por lo tanto, podría ser más pequeño que un modelo integral.

Algunos sistemas podrían ejecutarse continuamente, mientras que otros funcionarían bajo demanda.

En el diagrama, asumimos que habría modelos de IA generativa predictiva sirviendo como sistemas de asesoramiento a otros modelos de IA específicos para cada propósito.

Estos modelos GenAI harían la mayor parte del análisis de mercado y estarían entrenados para los diversos mercados e instrumentos financieros.

Consumirían feeds de datos y, combinados con otros datos del lago de datos, producirían predicciones de mercado para crecimiento y detección de anomalías que podrían mitigar riesgos.

No estamos convencidos de que tales sistemas hayan madurado aún hasta ser confiables, pero están avanzando en desarrollo.

Los resultados de cada modelo Predictivo GenAI se registrarían en el lago de datos.

Además, los modelos de análisis podrían enviar notificaciones a otros modelos para realizar tareas específicas.

Estos modelos podrían ejecutarse periódicamente o quizás continuamente durante el período en que el mercado de interés esté activo.

Los sistemas de trading autónomos podrían usar los feeds de estado del análisis de mercado para activar operaciones.

Los sistemas de clasificación evaluarían periódicamente los activos y mantendrían un historial en el lago de datos.

Finalmente, llegamos al Asistente de Cartera GenAI.

El Asistente de Cartera sería el sistema recomendador respaldado por IA que tiene acceso a datos de mercado actuales e históricos.

El asesor podría interactuar con el asistente para proporcionar el perfil del cliente y solicitar recomendaciones.

Esto se puede hacer mejor con la presencia del cliente.

La interacción del asesor con el cliente debe ser capturada y registrada en el lago de datos como entrada para el análisis.

El acceso del asesor a los sistemas de IA es a través de una interfaz de PLN que puede ser basada en texto o en voz.

El Asistente de Cartera respondería al asesor usando información del modelo, del lago de datos o consultas API a los modelos de Análisis de Mercado.

La interfaz de PLN proporciona un asistente potente, pero según la experiencia, el asesor debe saber cómo formular las preguntas para obtener resultados útiles.

Sin ese intermediario humano, la experiencia de interactuar con un sistema de PLN para un tema tan complejo puede ser frustrante para el novato.

Los Modelos de Lenguaje Grande son mucho más capaces que cualquier tecnología anterior en esta área, pero aún no es probable que pasen la Prueba de Turing.

Una Prueba de Turing requiere que un humano no pueda distinguir una máquina de otro humano mediante las respuestas a preguntas formuladas a ambos.

Estas máquinas no son humanas y no pueden responder exactamente como un humano.

Muchas empresas contratan personas cuya descripción de trabajo es simplemente interactuar con LLMs y sistemas GenAI mediante la creación de prompts para obtener mejores respuestas del modelo.

Según un informe de 2021 de Juniper Research, el 40% de los clientes bancarios globales usarán chatbots de PLN para transacciones en 2025.

Agregar PLN a cualquier aplicación de atención al cliente suele ser el primer paso de una empresa.

Otros sistemas de IA se enfocan en automatizar tareas comunes.

Este último ha sido muy exitoso en aplicaciones de cadena de suministro.

La automatización basada en IA puede eliminar muchos procesos manuales y hacer los flujos de trabajo más eficientes.

El PLN y la automatización de tareas pueden beneficiar casi cualquier industria.

El desarrollo de IA para análisis de mercados financieros es una tarea relativamente difícil.

La Universidad de Cornell desarrolló un Modelo GenAI StockGPT.

Ver “StockGPT: Un Modelo GenAI para Predicción y Trading de Acciones” en

Conclusión

El análisis de los mercados financieros es algo más complejo que aplicaciones como la cadena de suministro o incluso la banca.

Hay muchas más variables y comportamientos complejos impulsados en parte por los números del mercado, regulaciones y las respuestas emocionales de los participantes.

Algunas de estas variables pueden capturarse usando estadísticas para reducir riesgos, pero las predicciones para los mercados financieros caen en la categoría de problemas algebraicos donde hay demasiadas variables y pocas ecuaciones.

La IA puede buscar patrones y anomalías además de hacer los cálculos.

La computación cuántica es otra tecnología que sería buena explorar.

Ya muestra valor en ciertas aplicaciones en ciencias.

Se ha sugerido su uso en gestión de riesgos mediante simulaciones de Monte Carlo para un ejemplo financiero.

Veremos qué depara el futuro.