La inteligencia artificial (IA) ha evolucionado de una promesa futurista a un catalizador de valor fundamental en el sector financiero. Esta tecnología ha comenzado a redefinir el retorno sobre la inversión (ROI), la eficiencia operativa y la gestión de riesgos en una industria tradicionalmente anclada en procesos manuales y datos estructurados. Un nuevo estudio de KPMG, basado en una encuesta a 2.900 empresas de 23 países, subraya que las organizaciones que adoptan la IA están cosechando beneficios tangibles, destacando el retorno de la inversión, la eficiencia en el uso de datos, la reducción de costos y una mayor eficacia operativa.
“Nuestra investigación confirma que la IA es realmente un fenómeno global que adoptan los equipos financieros de todos los mercados y sectores”, afirma David Rowlands, director global de Inteligencia Artificial de KPMG International.
“Las ventajas que puede aportar y el retorno de las inversiones que puede garantizar la convierten en un objetivo estratégico fundamental. El viaje se acelerará con la llegada de nuevas habilidades. Las empresas deben tomar medidas para seguir siendo competitivas. Lo mismo ocurre con los auditores, y es por eso que nosotros mismos estamos invirtiendo significativamente en las capacidades de inteligencia artificial para transformar la calidad, la eficacia y los conocimientos de la auditoría“, agrega Rowlands.
Sin embargo, a pesar de estos beneficios declarados, el panorama de la adopción de la IA presenta una contradicción notable. Mientras el 57 % de las empresas líderes en el sector financiero afirman que el uso de la IA les genera un ROI que supera las expectativas , un reporte del MIT y PwC revela que un 95 % de los proyectos piloto de IA generativa no logran resultados financieros significativos.
Este aparente “paradigma de la adopción” sugiere que la promesa de la IA no se materializa por sí sola. Para que la tecnología cumpla con su potencial, requiere una estrategia de implementación rigurosa que aborde desafíos fundamentales relacionados con la gobernanza de datos, la alineación con los objetivos de negocio y la gestión de riesgos inherentes. Este informe busca desentrañar esta dicotomía, explorando el estado actual de la IA en finanzas, los casos de uso que realmente generan valor, las barreras regulatorias y los costos ocultos, y las tecnologías emergentes que están redefiniendo el futuro de la industria.
El informe Artificial Intelligence in Finance del Centre for Economic Policy Research (CEPR), elaborado por Thierry Foucault, Leonardo Gambacorta, Wei Jiang y el profesor del IESE Xavier Vives, destaca que la IA, aunque ofrece una mayor eficiencia, también puede introducir nuevas vulnerabilidades en el sistema financiero, especialmente en cuanto a la estabilidad, la equidad y la gobernanza. La opacidad de muchos modelos de IA dificulta la rendición de cuentas, y la capacidad de unas pocas empresas dominantes para desplegar estas tecnologías a gran escala amenaza la competencia y la inclusión financiera. La homogeneidad en el diseño de los modelos algorítmicos podría amplificar los shocks sistémicos al sincronizar comportamientos de mercado.
A pesar de estos riesgos, la IA es vista como un activo estratégico. De hecho, el Foro Económico Mundial (FEM) considera que la IA es una oportunidad y un desafío para las empresas, ya que está remodelando el rol de los directores financieros (CFOs) al ofrecer nuevas oportunidades para la automatización, el análisis de datos y la gestión de riesgos. Varios CFOs, consultados por el FEM, consideran que invertir en IA es un imperativo estratégico que refuerza la confianza de los interesados e inversores, impulsa la innovación, la productividad y desbloquea nuevas fuentes de ingresos
Índice de temas
¿Cuál es el estado actual de la adopción de la IA en finanzas?
La adopción de la inteligencia artificial en el sector financiero ya no es una opción, sino una necesidad estratégica. Según el informe de KPMG, la industria ha alcanzado un punto de inflexión donde los beneficios son demasiado significativos como para ignorarlos. El estudio clasifica a las organizaciones en tres grupos de madurez: un 24 % son líderes en la implementación de IA, un 58 % se encuentran en un nivel intermedio de adopción, y el 18 % restante está en las etapas iniciales de su viaje.
El crecimiento de la IA en finanzas es acelerado y evidencia una rápida masificación. Los datos muestran un incremento notable en la aplicación de la IA tradicional, con el porcentaje de organizaciones que reportan un uso moderado o alto pasando del 40 % en abril de 2024 al 45 % en octubre del mismo año, en una muestra de 10 países. Esta evolución temporal es un indicador clave de que el mercado está en una fase de inercia, donde las empresas que anteriormente dudaban están ahora invirtiendo para no quedarse atrás de sus competidores. Las previsiones del estudio de KPMG sugieren que este crecimiento continuará, y que la cifra de adopción se duplicará hasta el 83 % en los próximos tres años.
El liderazgo en la adopción de la IA no es uniforme a nivel global. El informe identifica a Estados Unidos, Alemania y Japón como los principales líderes mundiales en el uso de la IA en el sector financiero. En contraste, aunque Europa cuenta con países líderes como Alemania, en su conjunto “sigue a la zaga“. En las economías emergentes, China e India lideran la adopción de la tecnología. Por sector, las empresas de telecomunicaciones y tecnología están a la cabeza con un 41 % de adopción en procesos de reporting financiero, seguidas de cerca por las de energía, recursos naturales y productos químicos con un 35 %. Por otro lado, los sectores de consumo y minorista muestran un avance más lento, con solo un 26 % de adopción.
Esta brecha entre sectores no es arbitraria. Los sectores con mayor adopción, como la tecnología y la energía, manejan de forma inherente vastos volúmenes de datos complejos y tienen una cultura organizacional más orientada a la IA, lo que reduce la fricción en la implementación. Las industrias más tradicionales enfrentan desafíos de digitalización de sus sistemas y procesos preexistentes. El rezago en estos sectores no se debe necesariamente a la falta de interés, sino a barreras infraestructurales y de talento que hacen que el despliegue de la IA sea más complejo y costoso. La adopción, por lo tanto, no es solo una cuestión de tecnología, sino de la madurez de los datos y de la cultura organizativa.
¿Qué casos de uso impulsan el retorno de inversión en el sector financiero?
Las instituciones financieras están aplicando la IA en diversas áreas para generar un retorno de inversión positivo. El estudio de KPMG revela que el 71% de las empresas encuestadas ya utiliza la IA en sus operaciones financieras, y el 41% tiene un uso moderado o alto. Los beneficios son tangibles, con un 57 % de la muestra reportando un retorno de la inversión que supera las expectativas.
Las áreas de finanzas corporativas que más se benefician de esta adopción son la información financiera, la contabilidad y la planificación, donde casi dos tercios de las organizaciones ya emplean estas herramientas. Además, la IA se ha vuelto indispensable en la gestión de tesorería y riesgos, impulsando mejoras significativas en la previsión del flujo de caja, la detección y prevención de fraudes, la evaluación del riesgo crediticio y el análisis de escenarios. Las empresas clasificadas como “líderes” han desarrollado, en promedio, seis casos de uso, casi el doble que el resto. Estos casos se centran en la investigación y el análisis de datos, la prevención de fraudes, el análisis predictivo y el desarrollo de documentos.
A pesar de los casos de éxito, el gran desafío es escalar los proyectos piloto para que generen un retorno real. Un informe del MIT y la firma PwC señala que un 95% de los proyectos piloto de IA no logran generar ganancias medibles para las empresas. Esta paradoja se explica por una desconexión fundamental entre el
piloto y la producción. Las empresas a menudo fallan porque abordan la IA como una prueba tecnológica en lugar de una transformación integral del flujo de trabajo. Los principales obstáculos identificados incluyen:
- El desafío de los datos “sucios”: Las empresas tienen inmensos volúmenes de datos internos, pero estos a menudo son inconsistentes, desorganizados o desactualizados. Un piloto puede funcionar en un entorno controlado con datos limpios, pero el 95% de las organizaciones se quedan atascadas cuando intentan escalar a los datos caóticos del mundo real.
- Falta de alineación con el valor de negocio: Muchos proyectos se lanzan como “novedades superficiales”, como chatbots genéricos o herramientas de resumen, sin integrarlos en los flujos de trabajo principales de la empresa ni vincularlos a indicadores clave de rendimiento (KPIs).
- Dependencia excesiva de herramientas genéricas: El uso de herramientas de IA genéricas que no están diseñadas para manejar datos propietarios o sensibles a la industria a menudo conduce a respuestas inexactas que minan la confianza de los usuarios.
La causalidad detrás de esta alta tasa de fracaso no reside en un defecto de la tecnología en sí, sino en una falta de estrategia integral. El retorno de inversión de la IA no es un resultado tecnológico garantizado, sino un subproducto de una implementación responsable y sistémica que considera la gobernanza de datos, la integración de procesos y la gestión del cambio cultural.
El 57 % de la muestra afirma que el uso de la Inteligencia Artificial es una inversión que genera una rentabilidad positiva que supera las expectativas, mientras que incluso entre los que se han quedado un paso por detrás, las consecuencias son positivas para uno de cada tres entrevistados.
“Es difícil pensar en otra capacidad empresarial en la que los niveles de rendimiento declarados sean tan altos. Hay barreras y desafíos que superar, y es por eso que las empresas deben proceder con una gobernanza sólida y un enfoque claro en los resultados que desean obtener, pero los beneficios potenciales se multiplican a medida que entramos en una nueva era impulsada por la IA“, concluye Rowlands.
¿Cómo impactan los marcos regulatorios en el despliegue de la IA?
La regulación de la inteligencia artificial emerge como un factor determinante en su despliegue, especialmente en el sector financiero. A nivel global, se observan enfoques regulatorios divergentes que tienen implicaciones significativas para las instituciones que operan en múltiples mercados.
La Unión Europea ha adoptado un enfoque proactivo y prescriptivo con la Ley de IA (EU AI Act), que entró en vigor el 1 de agosto de 2024. Esta ley utiliza un marco basado en el riesgo, clasificando los sistemas de IA en categorías que van desde “inaceptables” hasta “mínimos”. Muchos de los casos de uso más comunes en el sector financiero, como los sistemas de calificación crediticia, detección de fraude y lavado de dinero (AML), robo-advisors, y la gestión de activos, se consideran de “alto riesgo”.
Este modelo de alto riesgo impone responsabilidades rigurosas tanto a los proveedores de sistemas de IA como a las instituciones financieras que los implementan (los “desplegadores”). Las instituciones están obligadas a garantizar la calidad y representatividad de los datos, asegurar la supervisión humana y mantener una documentación técnica completa para demostrar el cumplimiento. El incumplimiento puede resultar en multas de hasta el 7 % del volumen de negocio global o 35 millones de euros, lo que sea mayor. La Ley de IA de la UE también tiene aplicación extraterritorial, lo que significa que las instituciones financieras de Estados Unidos, Japón o cualquier otro país que ofrezcan servicios o productos de IA a ciudadanos de la UE están obligadas a cumplir con estas normativas. Esto puede forzar la estandarización de las prácticas de gobernanza de la IA a nivel global, ya que las empresas multinacionales necesitan un marco unificado.
En contraste, el enfoque en Latinoamérica ha sido de “gobernanza flexible”. Si bien no existe una legislación de IA específica y unificada a nivel regional, las iniciativas se centran en la ética, la inclusión y la colaboración. Países como México han enfatizado la creación de una Estrategia Digital Nacional para fomentar la inclusión y el uso ético de la tecnología. Sin embargo, la falta de regulaciones claras y la carencia de datos diversos para el entrenamiento de modelos de IA representan desafíos que podrían exacerbar las desigualdades.
Este contraste regulatorio refleja un debate central: ¿la regulación debe ir por delante de la tecnología para mitigar los riesgos inherentes (como hace Europa), o debe priorizar la innovación y la flexibilidad para no ahogar el crecimiento (como se observa en Latinoamérica)? La adopción del modelo de alto riesgo en la UE implica que las instituciones financieras deben reevaluar sus sistemas existentes, lo que no es un simple ejercicio de cumplimiento, sino una transformación operativa profunda y costosa que requiere un mapeo de riesgos, capacitación del personal y una revisión de la documentación.
¿Qué tecnologías emergentes definen la próxima ola de innovación?
A medida que el sector financiero avanza, tres tecnologías emergentes están redefiniendo las capacidades de la IA: RAG, agentes autónomos y la IA explicable (XAI).
- RAG (Generación Aumentada por Recuperación): La solución a la “alucinación”
La tecnología RAG mejora la precisión y fiabilidad de los grandes modelos de lenguaje (LLM) al permitirles acceder a un repositorio de conocimiento externo y verificable. A diferencia de los LLM tradicionales, que pueden “alucinar” o inventar información, un sistema RAG busca datos en fuentes autorizadas (como informes internos, manuales o bases de datos) para generar respuestas precisas y con atribución de fuente. Este enfoque es particularmente valioso en finanzas, donde la precisión es crítica. Sus beneficios clave son:
* Precisión: Reduce las “alucinaciones” y permite que el modelo cite fuentes, aumentando la confianza del usuario.
* Rentabilidad: Evita el costoso y lento reentrenamiento de los LLM para incorporar nuevos datos. En su lugar, simplemente se actualiza el repositorio de conocimiento.
* Seguridad de los datos: La información sensible y propietaria puede permanecer en las instalaciones, garantizando que no se divulgue a través del modelo público.
Los casos de uso de RAG en el sector financiero incluyen el análisis de informes financieros en tiempo real, la revisión de transcripciones de interacciones con clientes, y la búsqueda de documentos internos para la diligencia debida y el cumplimiento.
- Agentes Autónomos Financieros: La automatización del razonamiento
Los agentes autónomos son un paso más allá de la automatización simple. Son sistemas de IA capaces de planificar, priorizar y ejecutar tareas complejas con mínima o nula intervención humana una vez que se les ha dado una misión. En el sector financiero, su potencial es inmenso. Un agente autónomo podría, por ejemplo, identificar una oportunidad de inversión, analizar el mercado en tiempo real, ejecutar transacciones y monitorear el rendimiento de la cartera, todo a una velocidad y escala que superan la capacidad humana. Los
robo-advisors ya han demostrado una forma de este concepto en la gestión de inversiones.
- IA Explicable (XAI): La Clave para la confianza y la auditoría
El problema de la “caja negra” es uno de los mayores desafíos en la adopción de la IA en finanzas. Muchos modelos de machine learning y redes neuronales son tan complejos que es imposible para un humano entender por qué llegaron a una decisión específica. Esto representa un riesgo significativo en auditoría y cumplimiento normativo. La IA explicable (XAI) surge como la respuesta a este problema, proporcionando un conjunto de procesos y métodos para interpretar, comprender y confiar en las decisiones de los algoritmos.
La XAI es fundamental para la auditoría interna , ya que permite la
trazabilidad, la mitigación de sesgos y el cumplimiento normativo. El auditor no necesita entender cada cálculo, pero sí la lógica y las variables principales que llevaron a un resultado. Entre las técnicas más populares se encuentran:
- LIME (Explicaciones Locales Interpretables Agnosticas al Modelo): Esta técnica genera explicaciones para predicciones individuales. Por ejemplo, en la detección de fraudes, LIME podría explicar por qué una transacción específica fue marcada como sospechosa, destacando las variables que más influyeron en esa decisión.
- SHAP (Explicaciones Aditivas de Shapley): A diferencia de LIME, SHAP ofrece una visión más global. Se basa en la teoría de juegos para asignar un valor a cada característica, indicando su contribución al resultado final del modelo. Un auditor podría usar SHAP para entender, por ejemplo, qué factores influyen más en el riesgo crediticio en una cartera de préstamos completa.
La distinción entre LIME y SHAP es crucial: uno proporciona una visión granular y el otro una sistémica. Ambas técnicas demuestran cómo la XAI se convierte en un puente indispensable entre la innovación tecnológica y la necesidad de gobernanza y responsabilidad.