Al ser un sector basado en datos, los servicios financieros siempre han adoptado con rapidez las tecnologías de inteligencia artificial (IA). En una encuesta reciente del sector, el 46 % de los participantes afirmaba que la IA ha mejorado la experiencia del cliente, el 35 % decía que ha generado eficiencias operativas y el 20 % declaraba que ha reducido el coste total de la propiedad. Ahora, la IA generativa es mucho más importante y las organizaciones empiezan a invertir considerablemente en esta tecnología. IDC estima que el gasto global en IA generativa pasará de 16 000 millones USD en 2023 a 143 000 millones USD en 2027, a una tasa de crecimiento anual compuesto (compound annual growth rate, CAGR) del 73,8 %. Se espera que el sector de los servicios financieros sea de los principales en adoptar la IA, con un gasto previsto de 24 600 millones USD en 2027, lo que supone un 17,2 % del mercado total de IA generativa.

Aunque las posibilidades de esta tecnología y los large language models (LLM) son ilimitadas, los datos plantean varios retos y riesgos que los responsables financieros tienen que tener en cuenta al implementar una IA que genere contenido original. Es fundamental tener acceso a datos de origen de alta calidad, así como unos estrictos controles de gobernanza y una sólida seguridad. Según IDC, “En definitiva, la IA generativa solo se adoptará a gran escala si los clientes y los usuarios finales confían en los datos, los modelos y las aplicaciones que los usan”.

Te explicamos cómo una estrategia de datos sólida puede hacer que tu organización de servicios financieros supere las barreras y dificultades para ganar una ventaja competitiva gracias a la IA generativa.

Antes de nada, veamos los casos de uso actuales de la IA generativa. Las inversiones del sector se han centrado hasta la fecha en tres áreas: 

• Experiencia del cliente: la IA generativa permite a las empresas de servicios financieros diferenciarse entre sí ofreciendo una experiencia del cliente más eficiente y eficaz en un sector conocido por unos procesos lentos y tediosos. Por ejemplo, las instituciones pueden utilizar chatbots y asesores robóticos para responder a cuestiones específicas sobre inversiones y ofrecer asesoramiento financiero basado en comportamientos en tan solo unos segundos. Los agentes de seguros pueden usar los LLM para analizar datos administrativos y acelerar el procesamiento de reclamaciones. 

• Elaboración de informes de riesgo y cumplimiento: el cumplimiento normativo es una tarea operativa cada vez más compleja. Según Thomson Reuters, el 73 % de los equipos de riesgo y cumplimiento prevé un aumento de la cantidad de información normativa por parte de los organismos reguladores y las bolsas de valores en el próximo año. La IA generativa puede agilizar el proceso de resumen, síntesis e implementación de estas nuevas normas. Además, el uso de datos sintéticos generados por IA puede acelerar el proceso de pruebas de estrés, así como el de evaluación y predicción de riesgos de exposición, incluidos los relacionados con la fluctuación de los tipos de interés y potenciales impagos.

• Inteligencia de mercado y gestión de carteras: la IA generativa permite deducir los sentimientos de los mercados y las tendencias financieras mediante el análisis de datos no estructurados, como documentos, informes o artículos de prensa. Así, los bancos y gestores de activos pueden prepararse frente a cambios inesperados en el mercado y volver a evaluar y modificar sus estrategias. Unas simulaciones algorítmicas mejoradas, alimentadas con ingentes datos de previsiones, proporcionan unas recomendaciones de modelos de riesgo más fiables y precisas. La IA generativa también puede sintetizar los datos financieros para que los inversores desarrollen unas estrategias bursátiles más flexibles.

Los datos que entrenan los modelos de IA generativa, junto con la tecnología y la infraestructura la sustentan, son muy importantes para el éxito de estos casos de uso. A medida que los responsables financieros integran los modelos de IA generativa en sus analíticas y hojas de ruta de IA, tienen que ser conscientes de los problemas asociados con la recopilación, el almacenamiento y el procesamiento de los datos que alimentan los modelos. 

• Acceso y calidad de los datos: la IA generativa depende de un acceso rápido y sencillo a datos de primera mano de la organización, datos directos de partners, así como de terceros, procedentes de proveedores de datos externos. Sin embargo, muchos de estos datos no están estructurados, lo que representa un reto para su búsqueda, catalogación y análisis. Si pensamos que se estima que un 90 % de los datos son no estructurados, los que puedan aprovechar esta nueva fuente de información tendrán ventaja frente a sus rivales.

• Seguridad y gobernanza de datos: es fundamental una cuidadosa gobernanza del entrenamiento de los modelos para reducir el riesgo de exposición de datos confidenciales, como información personal, secretos comerciales y propiedad intelectual (PI). Hay que apuntar que los derechos de PI de los contenidos generados por IA serán objeto continuo de debate legal, normativo y político. Por eso, las organizaciones de servicios financieros deben crear un marco de gobernanza adaptativo para la IA generativa que garantice la calidad, fiabilidad y seguridad de los datos y modelos empleados, al tiempo que protege la privacidad.

• Recursos de cómputo: una correcta implementación de la IA generativa se fundamenta en una adecuada selección del modelo de lenguaje, entrenado y optimizado mediante datos específicos para el sector y caso de uso concreto. Este proceso puede implicar entrenar modelos con billones de parámetros, lo que requiere un almacenamiento escalable, así como una gran cantidad de memoria y potencia de computación. Es esencial contar con una plataforma tecnológica con una alta capacidad y flexibilidad. Sin embargo, la demanda de capacidad de procesamiento y almacenamiento necesaria para gestionar estas ingentes cantidades de datos, estructurados o no, supone un reto muy importante, ya que estos recursos tienen un alto coste de adquisición y gestión. Además, la contratación de personal relacionado con la IA es muy complicada, ya se trate de científicos o ingenieros de datos, o de responsables de productos de IA.

• Cumplimiento normativo: el código generado por la IA generativa debe seguir los estándares y las leyes del sector, sobre todo si usa datos de empresas. La Comisión de Bolsa y Valores de los Estados Unidos (Securities and Exchange Commission, SEC) ha propuesto nuevas normas de IA para los operadores por cuenta ajena/propia y asesores de inversiones con el objetivo de solucionar posibles sesgos y conflictos de interés derivados del uso de la IA generativa. Para las organizaciones que operan en la UE, la Ley de Inteligencia Artificial de la UE entra en vigor en 2024 y posiblemente afectará a determinados casos de uso de la IA de cara al consumidor. Además de una correcta formación y concienciación sobre la IA en toda la organización, es importante disponer de una plataforma segura y gobernada que proteja la privacidad de los datos y que cumpla con las leyes y normativas relevantes. 

Para aplicar las ventajas de la IA generativa y evitar sus obstáculos, las empresas de servicios financieros necesitan una estrategia de datos clara y completa que incluya tres elementos principales: 

• La eliminación de las barreras de datos: la democratización de los modelos de datos permite a los responsables financieros acceder a los datos y analizarlos sin depender de científicos de datos, lo que supone una gran oportunidad. Liberar este potencial requiere eliminar silos de datos en toda la organización, así como respecto a los partners y las entidades externas. También requiere otorgar acceso directo a datos curados y sin procesar, en formatos abiertos o de terceros. Sin embargo, las organizaciones de servicios financieros que usen soluciones on-premise y heredadas lo tendrán difícil para poder recopilar, unificar y compartir los datos.

• Una infraestructura de datos moderna: la IA generativa necesita que converjan ingentes cantidades de datos, procedentes de diferentes nubes o sistemas, así como un correcto aprovisionamiento de importantes recursos de computación y capacidad de almacenamiento. Una plataforma de datos moderna puede proporcionar la potencia que necesitan estas operaciones. También puede ofrecer la infraestructura de LLM necesaria para asignar recursos de forma dinámica, y para ejecutar, optimizar y generar los LLM con modelos de código abierto y de terceros. Así, se garantiza que los modelos se pueden crear y usar de un modo eficiente; y ampliarse conforme aumente el volumen de datos. Una plataforma moderna también puede facilitar los componentes básicos de IA y aprendizaje automático (machine learning, ML) integrados que ponen estas tecnologías a disposición de toda la empresa, y no solo de los expertos en IA.

• Seguridad y gobernanza de datos sólidas: las organizaciones financieras necesitan un entorno unificado, gobernado y seguro que sea compatible con el desarrollo integral de la IA generativa. En 2022, las filtraciones de datos costaron de media a las empresas de servicios financieros casi 6 millones USD. Implementar la IA generativa sin contar con unas medidas de seguridad firmes puede exponer a las empresas a unos mayores riesgos de seguridad. Sin unos controles de gobernanza apropiados, las empresas corren el riesgo de que se vulnere su privacidad, así como de ver dañada su reputación y de no cumplir las normativas. Unos correctos controles de gobernanza también son necesarios para garantizar que las decisiones que toman los sistemas de IA generativa son éticas, justas y acordes con los valores y requisitos normativos de la empresa. 

La IA generativa ofrece a las organizaciones de servicios financieros muchas ventajas competitivas. Para aprovechar la coyuntura favorable actual, estas empresas deben conocer los retos relativos a los datos y adoptar una estrategia integral en toda la organización. 
Para descubrir cómo puede ayudar Snowflake a tu compañía de servicios financieros en el uso de la IA generativa para mejorar los resultados, visita Snowflake Financial Services Data Cloud. Si quieres más información sobre cómo planificar y ejecutar una estrategia de IA para tu empresa, descarga nuestro documento técnico Introducción de la IA generativa en empresas de servicios financieros.