Las repercuscusiones de la inteligencia artificial en las finanzas

Source details

Canonical URL

Las repercuscusiones de la inteligencia artificial en las finanzas

Other formats

• Markdown version
• Structured JSON version
• Bundle manifest

Bibliographic details

• Authors: Jeff Kearns
• Published: December 14, 2023

Resumen y contexto

• Publicación: FINANZAS & DESARROLLO — JEFF KEARNS — Diciembre de 2023.
• Observación central: Las herramientas de inteligencia artificial (IA) y quienes las utilizan son elementos imprescindibles para instituciones financieras y bancos centrales.
• Hitos temporales:
  • Debut de ChatGPT en noviembre de 2022.
  • Datos de contratación: en junio de 2023 JPMorgan Chase & Co. registraba 3.600 anuncios de empleo relacionados con la IA.
  • Advertencia de alcance macro: la IA puede aumentar la fragilidad financiera y requerir “intervenciones a nivel de todo el sistema o de política macroprudencial”.

Adopción y gasto en IA (estadísticas clave)

• Ventas globales de software, hardware y servicios para sistemas de IA:
  • Subirán 29% este año, hasta USD 166.000 millones.
  • Llegarán a USD 400.000 millones en 2027.
• Gasto del sector financiero en IA:
  • Aumentará más del doble, hasta USD 97.000 millones en 2027.
  • Tasa de crecimiento anual compuesta de 29%.
• Uso empresarial y de mercado:
  • ChatGPT llegó a 100 millones de usuarios con rapidez tras su lanzamiento.
  • Encuesta de BNP Paribas sobre fondos con USD 250.000 millones en activos combinados: casi la mitad de los fondos utiliza ChatGPT de forma profesional; más de dos tercios lo utiliza para escribir textos de marketing o resumir informes.
• Datos institucionales:
  • Amundi SA gestiona EUR 2 billones (USD 2,1 billones) y atiende a más de 100 millones de clientes.
  • JPMorgan dedica más de USD 15.000 millones al año a la tecnología; aproximadamente 300.000 empleados en total; un grupo de investigación sobre IA cuenta con 200 empleados.
  • Mercado bursátil supervisado por la SEC de EE. UU.: USD 46 billones en acciones.

Aplicaciones prácticas en instituciones financieras

• Banca comercial y gestión de inversiones:
  • Personalización de carteras a partir de preferencias de riesgo de clientes (ej.: Amundi).
  • Asesores robóticos y herramientas para investigación macroeconómica y de mercados.
  • Prospectiva, marketing, gestión del riesgo, prevención del fraude y procesamiento de pagos.
• Fondos de cobertura:
  • Adopción de IA generativa para tareas profesionales y de producción de contenidos.
• Detección de fraude y lavado de dinero:
  • Proyecto Aurora (BPI): redes neuronales para detectar patrones y anomalías que los métodos tradicionales no identifican.
  • Herramientas de aprendizaje automático para detectar anomalías en presentaciones regulatorias (Banco de Canadá).

Bancos centrales y supervisión

• Casos de uso:
  • Prototipos de robots para clasificar quejas de consumidores (Banco Central de Brasil).
  • Contratación de consultoras para implantar IA en supervisión (Banco de la Reserva de India).
  • Clasificación automática de datos de 10 millones de entidades y extracción automática de datos de sitios web (BCE).
  • Exploración de modelos grandes de lenguaje para escribir código, probar software y clarificar comunicaciones públicas (BCE).
• Beneficios mencionados:
  • Mejora de la eficiencia en concesión de préstamos, decisiones de crédito y prevención del lavado de dinero (Comité de Supervisión Bancaria de Basilea).
  • Liberación de personal para seguimiento analítico cuando la IA realiza tareas automatizadas y tediosas.
• Riesgos regulatorios y de gobernanza:
  • Modelos opacos, potencial de sesgos y aumento de ciberriesgos (Comité de Supervisión Bancaria de Basilea).
  • Necesidad de distinguir innovación responsable de irresponsable y de adaptar procesos de supervisión.

Riesgos para la estabilidad financiera

• Riesgos sistémicos y de concentración:
  • La IA podría fomentar la concentración de posiciones si actores siguen la misma señal de un modelo base, aumentando fragilidad financiera.
  • Advertencia de que el uso extendido del aprendizaje profundo puede generar riesgos sistémicos que las regulaciones existentes no contemplan por completo.
• Riesgo de amplificación de crisis:
  • Herramientas entrenadas con datos pasados pueden fallar en situaciones sin precedentes y exacerbar interacciones negativas en una “policrisis”.
• Limitaciones en la toma de decisiones:
  • En situaciones inesperadas y de alto impacto, la IA puede ser menos capaz que los humanos para integrar conocimientos económicos, históricos, éticos y filosóficos en la toma de decisiones.
• Llamamientos de expertos:
  • Necesidad de una “nueva reflexión” sobre intervenciones macroprudenciales y sobre cómo los bancos centrales y supervisores deben responder conforme los beneficios y amenazas se clarifiquen.

Observaciones y recomendaciones implícitas

• Prioridades operativas:
  • Anticipar la “lucha por el talento” en IA y construir capacidad interna.
  • Implementar marcos seguros, éticos y normativos para el uso de IA.
  • Complementar la IA con interpretación humana: comprobación, comprensión e interpretación de resultados algorítmicos.
• Para la supervisión y política:
  • Evaluar y adaptar procesos de supervisión para juzgar qué es seguro y prudente.
  • Considerar instrumentos macroprudenciales y de alcance sistémico ante riesgos potenciales de amplificación y concentración.
• En investigación y desarrollo:
  • Probar aplicaciones específicas (detección de anomalías, clasificación masiva de datos, extracción de precios en tiempo real) y documentar limitaciones en datos no estructurados.
  • Mantener un enfoque gradual en la adopción por parte de bancos centrales: “Todavía no sabemos qué tiene sentido para los bancos centrales. Esto recién empieza”.

Fondo Monetario Internacional, FINANZAS & DESARROLLO — "Las repercusiones de la inteligencia artificial en las finanzas", JEFF KEARNS, Diciembre de 2023.