Las empresas de servicios financieros están obteniendo ganancias tempranas de la inteligencia artificial (IA), lo cual no es sorprendente dado que la financiación es históricamente una industria que abarca las nuevas tecnologías agresivamente.
Un resultado sorprendente es que la IA podría terminar haciendo las funciones más críticas de la banca, el seguro y el comercio, o las funciones creativas que requieren ideas humanas, aún más valiosas.
«Lo que sucede es que habrá una prima sobre la creatividad y el juicio que entra en el proceso», dijo John Kain, quien es Jefe de Esfuerzos de Desarrollo del Mercado en Servicios Financieros para AWS, en una entrevista con ZDNet a través de Zoom.
Por proceso, se refería a aquellas áreas más avanzadas, y presumiblemente más difíciles de automatizar, como los cálculos de riesgo de un banco.
«Gran parte de lo indiferenciado será automatizado», dijo Kaine. «Pero lo que eso significa es lo que realmente diferencia al negocio y la capacidad de servir mejor a los clientes, ya sea que sea mejor comprensión de productos o riesgos, o con nuevos productos, desde una perspectiva financiera, el ritmo de eso simplemente irá mucho más rápido en el futuro».
Amazon formó su unidad de servicios financieros hace 10 años, la primera vez que el gigante de la nube adoptó un enfoque de la industria primero.
Durante ocho años, Kaine ha ayudado a llevar las herramientas del gigante de la nube a bancos, aseguradoras y fondos de cobertura. Ese enfoque incluye tanto las cargas de trabajo en movimiento como la IA de implementación, incluidos los grandes modelos de idiomas (LLM) de IA generativa (Gen AI), en los procesos de sus clientes.
«Si observa lo que estamos tratando de hacer, estamos tratando de proporcionar a nuestros clientes un entorno donde, desde una perspectiva de seguridad, cumplimiento y gobernanza, les damos una plataforma que marca las casillas para todo lo que está en juego para los servicios financieros», dijo Kaine, «pero también les da acceso a las últimas tecnologías y la elección para poder llevar los mejores patrones a la industria».
Kaine, quien comenzó su carrera en operaciones en el piso comercial y trabajó en empresas como JP Morgan Chase y Nasdaq, tuvo muchos ejemplos de ganancias a través de la automatización de funciones financieras, como el servicio al cliente y la investigación de capital.
El uso temprano de AWS por finanzas incluyó cosas como las carteras de las inversiones de prueba posterior para predecir el rendimiento, el tipo de carga de trabajo que es «adecuado para la nube» porque requiere simulaciones de computadora «para que realmente funcionen bien en paralelo», dijo Kaine.
«Esa capacidad de poder investigar mucho más rápidamente en AWS significaba que las empresas de investigación de inversiones podrían ver rápidamente esos beneficios», dijo. «Has visto eso repetido en toda la industria independientemente de la empresa».
Aprovechando la tecnología
Las implementaciones tempranas de Gen AI muestran muchos puntos en común entre las empresas. «Serán patrones repetibles, ya sea un procesamiento de documentos que podría aparecer como automatización de hipotecas con PennyMac o procesamiento de reclamos con las empresas de viajeros».
Dichos procesos vienen con un grado extra de sensibilidad, dijo Kain, dado el estado regulado de las finanzas. «No solo tienen una prioridad sobre la resiliencia y la seguridad, sino que también tienen evidencia que es mucho mayor que cualquier otra industria porque las regulaciones sobre servicios financieros son típicamente muy prescriptivos», explicó. «Hay una barra mucho más alta en la industria».
Finance ha sido uno de los primeros en adoptar una tecnología basada en IA inventada en AWS, originalmente llamada Zelkovay eso ahora se conoce más generalmente como «razonamiento automatizado». La tecnología combina IA de aprendizaje automático con pruebas matemáticas para validar formalmente las medidas de seguridad, como quién tiene acceso a recursos en un banco.
«Fue un esfuerzo para permitir que los clientes demostraran que los controles de seguridad que establecieron eran conocedores», dijo Kain. «Eso fue importante para nuestros clientes de servicios financieros», incluidos los fondos de cobertura Bridgewater y otros primeros usuarios.
Ahora, el razonamiento automatizado también se está empleando para arreglar Gen AI.
«Estás viendo el mismo enfoque que ahora se toma para mejorar el rendimiento de los modelos de idiomas grandes, particularmente con la reducción de la alucinación», dijo.
Para mitigar las alucinaciones, o «confabulaciones», ya que los errores en Gen AI son más conocidos, la plataforma de roca madre de AWS para ejecutar programas de aprendizaje automático utiliza una generación acuática (RAG) de recuperación.
El enfoque RAG implica conectar una LLM a una fuente de información validada, como una base de datos. La fuente sirve como un estándar de oro para «anclar» los modelos para limitar el error.
Una vez anclado, el razonamiento automatizado se aplica a «realmente permitirle crear sus propias políticas que luego le brinden un nivel adicional de seguridad y detalle para asegurarse de que las respuestas que está proporcionando (del modelo AI) sean precisas».
El enfoque RAG, y el razonamiento automatizado, son cada vez más clientes en servicios financieros para implementar «tareas más pequeñas y específicas de dominio» en la IA que se pueden conectar a un conjunto de datos específicos, dijo.
Las empresas financieras comienzan con los casos de uso de Gen AI en encuestas de uso empresarial, incluida la automatización de los centros de llamadas. «Desde una gran perspectiva del modelo de idioma, en realidad hay una serie de casos de uso que hemos visto a la industria lograr un ROI casi inmediato (retorno de la inversión)», dijo Kain. «El principal es la interacción del cliente, particularmente en el centro de llamadas».
Los clientes de AWS, incluidos los principales financieros, aliados financieros, hipotecarios de cohetes y la coinbase de intercambio de criptomonedas, han explotado todos los llamados de la Generación de la Generación para «llevar esas (clientes), transcribirlas en tiempo real y luego proporcionar información a los agentes que proporcionan el contexto de por qué los clientes llaman, además de su historial y luego los guían (los agentes de las llamadas humanas)».
Coinbase utilizó ese enfoque para automatizar el 64% de las llamadas de soporte, en comparación con el 19% hace dos años, con el objetivo de alcanzar el 90% en el futuro.
Encontrar nuevas oportunidades
Otra área donde se está utilizando la automatización es monitorear alertas, como advertencias de fraude. Es un poco como la IA en la ciberseguridad, donde la IA maneja una avalancha de señales que abrumarían a un analista o investigador humano.
Las alertas de fraude y otras advertencias «generan una gran cantidad de falsos positivos», dijo Kain, lo que significa mucho trabajo adicional para los equipos de fraude y otro personal financiero para «gastar una buena parte de su día mirando cosas que en realidad no son fraude».
En su lugar, «los clientes pueden usar modelos de idiomas grandes para ayudar a acelerar el proceso de investigación» al resumir las alertas y luego crear un informe resumido que se le dará al investigador humano.
Verafin se especializa en esfuerzos contra el lavado de dinero y es un cliente de AWS que utiliza este enfoque.
«Han demostrado que pueden ahorrar del 80% al 90% del tiempo que lleva investigar una alerta», dijo.
Otra área de automatización es el «procesamiento de la oficina media», incluidas las consultas de los clientes sobre un corretaje de confirmación comercial.
Un cliente de AWS, Brokerage Jefferies & Co., ha establecido «AI AGENIC» donde el modelo de IA «realmente pasaría por su bandeja de entrada, diciendo que esta es una solicitud para confirmar un precio» de un comercio de valores.
Ese agente pasa la solicitud a otro agente que «salga y consulte una base de datos para obtener el precio comercial real para el cliente, y luego genere el correo electrónico» que se envía al cliente.
«No es un proceso enorme, se necesita un humano, tal vez, diez, quince minutos para hacerlo ellos mismos», dijo Kain, «pero pasas de algo que fue de minutos hasta segundos a través de los agentes».
Se han observado los mismos tipos de solicitudes en el negocio de hipotecas y seguros, dijo, y en energía, con los servicios energéticos totales de Canadá que confirman los contratos.
Una de las áreas «más interesantes» en las finanzas para la Generación de la Generación AI, dijo Kain, es en investigación de inversiones.
El fondo de cobertura Bridgewater utiliza LLM para «básicamente tomar un texto de forma libre (resumen) sobre una idea de inversión, desglosar eso en nueve pasos individuales y, para cada paso, iniciar un agente (IA) que iría a comprender qué datos eran necesarios para responder la pregunta, crear un mapa de dependencia entre las diversas compensaciones dentro de un modelo de inversión y luego escribir el código para extraer datos de tiempo real del almacén de datos de inversión, y luego generar un mapa de dependencia como un informe de inversión de primer año como el profesional de la inversión de primer año.
El gigante de calificación crediticia Moody’s está utilizando agentes para automatizar notas en las calificaciones crediticias. Sin embargo, las calificaciones crediticias suelen ser para empresas públicas porque solo estas empresas deben informar sus datos financieros por ley. Ahora, Moody’s Peer, S&P Global, ha podido extender las calificaciones a empresas privadas acumulando fragmentos de datos aquí y allá.
«Existe la oportunidad de aprovechar los grandes modelos de idiomas para filtrar lo que está disponible públicamente para hacer información de crédito sobre empresas privadas», dijo Kain. «Eso permite que el mercado de crédito privado tenga información mejor anclada para tomar decisiones de crédito privado».
Estos representan «simplemente capacidades sorprendentes», dijo Kain de los casos de uso de AI.
Mudarse a nuevas áreas
La IA aún no está automatizando muchas funciones centrales de los bancos y otras empresas financieras, como calcular los perfiles de riesgo más complejos para los valores. Pero, «Creo que está más cerca de lo que piensas», dijo Kain.
«No es donde nos hemos movido por completo a confiar en la máquina para generar, digamos, estrategias comerciales o enfoques de gestión de riesgos», dijo Kain.
Sin embargo, los comienzos de pronóstico y análisis están presentes. Considere el problema de calcular el impacto de los nuevos aranceles estadounidenses en los flujos de efectivo de las empresas. Eso está «sucediendo hoy como parcialmente una función de IA», dijo.
Las empresas financieras «definitivamente están analizando los datos a escala, reaccionando a los movimientos del mercado y luego viendo cómo deberían actualizar sus posiciones en consecuencia», explicó.
«Esa capacidad de ingerir datos a escala global es algo que creo que es mucho más fácil de lo que era hace un año», debido a la generación AI.
AWS Customer Crypto.com, una plataforma de negociación para criptomonedas, puede ver noticias en 25 idiomas diferentes utilizando una combinación de múltiples LLM.
«Son capaces de identificar qué historias son sobre monedas, y decir si esa es una señal positiva o negativa, y luego agregar eso como aportes a sus clientes», con fines comerciales. Mientras dos de los tres modelos que monitorean los feeds estuvieron de acuerdo, «tenían convicción de que había una señal allí» de valor.
«Entonces, estamos viendo el uso de la IA generativa para verificar la IA generativa, si lo desea, para proporcionar confianza a escala».
Esas tareas centradas en el ser humano que permanecen en el núcleo de la banca, el seguro y el comercio son probablemente las más valiosas en la industria, incluidas las funciones más complejas, como crear nuevos productos derivados o suscribir ofertas públicas iniciales.
Esas son áreas que disfrutarán de la «prima» para la creatividad, en opinión de Kain. Sin embargo, cuánto más se centran estas tareas en la creación humana es una pregunta abierta.
«Desearía tener una bola de cristal para decir cuánto de eso es realmente automatizable en los próximos años», dijo Kain.
«Pero dada la tremenda adopción (de la IA), y la capacidad de procesar datos con mucho más efectivo que incluso solo dos, hace tres años, es un momento emocionante para ver dónde terminará todo esto».
