La inteligencia artificial y el aprendizaje automático se han utilizado en la industria de servicios financieros durante más de una década, lo que ha permitido mejoras que van desde una mejor suscripción hasta puntuaciones de fraude fundamentales mejoradas. IA generativa a través de modelos de lenguaje grande (LLM) representa un salto monumental y está transformando educación, juegos, comercio, y más. Si bien la IA/ML tradicional se enfoca en hacer predicciones o clasificaciones basadas en datos existentes, IA generativa crea contenido nuevo en la red.   

Esta capacidad de entrenar LLM en grandes cantidades de datos no estructurados, combinada con un poder computacional esencialmente ilimitado, podría producir la mayor transformación que ha visto el mercado de servicios financieros en décadas. A diferencia de otros cambios de plataforma (internet, móvil, nube) donde la industria de servicios financieros se retrasó en la adopción, aquí esperamos ver que las mejores nuevas empresas y los titulares adopten la IA generativa, ahora.   

Las empresas de servicios financieros tienen una gran cantidad de datos financieros históricos; si usan estos datos para afinar los LLM (o entrenarlos desde cero, como BloombergGPT), podrán producir rápidamente respuestas a casi cualquier pregunta financiera. Por ejemplo, un LLM capacitado en los chats de clientes de una empresa y algunos datos adicionales de especificaciones de productos debería poder responder instantáneamente todas las preguntas sobre los productos de la empresa, mientras que un LLM capacitado en 10 años de Informes de actividades sospechosas (SAR) de una empresa debería poder para identificar un conjunto de transacciones que indican un esquema de lavado de dinero. Creemos que el sector de los servicios financieros está preparado para utilizar la IA generativa para cinco goles: experiencias personalizadas del consumidor, operaciones rentables, mejor cumplimiento, mejor gestión de riesgos y pronósticos e informes dinámicos. 

In el batalla entre titulares y startups, los titulares tendrán una ventaja inicial cuando utilicen la IA para lanzar nuevos productos y mejorar las operaciones, dado su acceso a datos financieros patentados, pero en última instancia se verán obstaculizados por sus altos umbrales de precisión y privacidad. Los nuevos participantes, por otro lado, pueden tener que usar inicialmente datos financieros públicos para entrenar sus modelos, pero rápidamente comenzarán a generar sus propios datos y crecerán para usar la IA como una cuña para la distribución de nuevos productos. 

Profundicemos en los cinco objetivos para ver cómo los titulares y las nuevas empresas podrían aprovechar la IA generativa.

Mientras que el consumidor fLas empresas intech han logrado una enorme cantidad de éxito en los últimos 10 años, aún no han cumplido su promesa más ambiciosa: para optimizar el balance y el estado de resultados de un consumidor, sin un ser humano en el circuito. Esta promesa sigue siendo incumplidalleno porque las interfaces de usuario no pueden capturar completamente el contexto humano que influye en las decisiones financieras o proporcionar asesoramiento y venta cruzada de una manera que ayude a los humanos a hacer las compensaciones adecuadas.

Un gran ejemplo de dónde importa el contexto humano no obvio es cómo los consumidores priorizar el pago de facturas durante las dificultades. Los consumidores tienden a considerar tanto la utilidad como la marca cuando toman tales decisiones, y la interacción de estos dos factores hace que sea complicado crear una experiencia que pueda capturar completamente cómo optimizar esta decisión. Esto hace que sea difícil proporcionar el mejor entrenamiento crediticio de su clase, por ejemplo, sin la participación de un empleado humano. Si bien las experiencias como la de Credit Karma pueden atraer a los clientes durante el 80 % del viaje, el 20 % restante se convierte en un valle inquietante donde los intentos adicionales de capturar el contexto tienden a ser demasiado limitados o utilizan una precisión falsa, lo que rompe la confianza del consumidor.

Existen deficiencias similares en la gestión del patrimonio moderno y la preparación de impuestos. En la gestión patrimonial, los asesores humanos vencen a las soluciones fintech, incluso aquellas que se centran estrechamente en clases de activos y estrategias específicas, porque los humanos están fuertemente influenciados por esperanzas, sueños y miedos idiosincrásicos. Esta es la razón por la cual los asesores humanos históricamente han podido adaptar sus consejos a sus clientes mejor que la mayoría de los sistemas fintech. En el caso de los impuestos, incluso con la ayuda de software moderno, los estadounidenses gastan más de 6 mil millones de horas en sus impuestos, cometen 12 millones de errores y, a menudo, omiten ingresos o renuncian a un beneficio del que no estaban al tanto, como la posible deducción de gastos de viajes de trabajo. 

Los LLM brindan una solución ordenada a estos problemas con una mejor comprensión y, por lo tanto, una mejor navegación de las decisiones financieras de los consumidores. Estos sistemas pueden responder preguntas ("¿Por qué parte de mi cartera está en bonos municipales?"), evaluar compensaciones ("¿Cómo debo pensar sobre el riesgo de duración frente al rendimiento?") y, en última instancia, tener en cuenta el contexto humano en la toma de decisiones ("¿Puede construir un plan que sea lo suficientemente flexible para ayudar financieramente a mis padres ancianos en algún momento en el futuro?”). Estas capacidades deberían transformar la tecnología financiera de consumo de un conjunto de casos de uso de alto valor, pero con un enfoque limitado, a otro en el que las aplicaciones pueden ayudar a los consumidores a optimizar toda su vida financiera.

–Anish Acharya y Sumeet Singh

En un mundo donde las herramientas generativas de inteligencia artificial pueden penetrar en un banco, Sally debe estar suscrita continuamente para que, en el momento en que decida comprar una casa, tenga una hipoteca preaprobada. 

Desafortunadamente, este mundo aún no existe por tres razones principales: 

• Primero, la información del consumidor vive en múltiples bases de datos diferentes. Esto hace que la venta cruzada y la predicción de las necesidades de los consumidores sean un gran desafío. 
• En segundo lugar, los servicios financieros se consideran compras emocionales con árboles de decisión a menudo complejos y difíciles de automatizar. Esto significa que los bancos deben emplear grandes equipos de servicio al cliente para responder a las muchas preguntas de sus clientes sobre qué productos financieros son mejores para ellos, en función de sus situaciones individuales.
• Tercero, los servicios financieros están altamente regulados. Esto significa que los empleados humanos, como los oficiales de crédito y los procesadores, deben estar al tanto de todos los productos disponibles (p. ej., hipotecas) para garantizar el cumplimiento de leyes complejas pero no estructuradas.

La IA generativa hará que las funciones intensivas en mano de obra de extraer datos de múltiples ubicaciones y comprender situaciones personalizadas no estructuradas y leyes de cumplimiento no estructuradas sean 1000 veces más eficientes. Por ejemplo:

• Agentes de servicio al cliente: En cada banco, miles de agentes de servicio al cliente deben recibir una minuciosa capacitación sobre los productos del banco y los requisitos de cumplimiento relacionados para poder responder las preguntas de los clientes. Ahora imagine que comienza un nuevo representante de servicio al cliente y tiene la ventaja de tener acceso a un LLM que ha sido capacitado en los últimos 10 años de llamadas de servicio al cliente en todos los departamentos del banco. El representante podría usar el modelo para generar rápidamente la respuesta correcta a cualquier pregunta y ayudarlo a hablar de manera más inteligente sobre una gama más amplia de productos y, al mismo tiempo, reducir la cantidad de tiempo necesario para capacitarlo. Un titular querría asegurarse de que sus datos de propiedad y la PII específica del cliente no se usaran para mejorar un LLM general que otras empresas podrían usar. Los nuevos participantes tendrían que ser creativos sobre cómo iniciar un conjunto de datos.
• Oficiales de préstamos: Los oficiales de préstamo actualmente extraen datos de casi una docena de sistemas diferentes para generar un archivo de préstamo. Se podría entrenar un modelo generativo de IA con los datos de todos estos sistemas, de modo que un oficial de préstamos podría simplemente proporcionar un nombre de cliente y el archivo de préstamo se generaría instantáneamente para ellos. Es probable que aún se requiera un oficial de préstamo para garantizar el 100% de precisión, pero su proceso de recopilación de datos sería mucho más eficiente y preciso.
• Seguro de calidad: Gran parte del control de calidad en los bancos y las empresas fintech implica garantizar el pleno cumplimiento de numerosos organismos reguladores. La IA generativa podría acelerar drásticamente este proceso. Por ejemplo, Vesta podría incorporar un modelo de inteligencia artificial generativa entrenado con la guía de ventas de Fannie Mae para alertar instantáneamente a un oficial de préstamos hipotecarios sobre problemas de cumplimiento. Como muchas de las guías regulatorias están disponibles públicamente, esto puede proporcionar una cuña interesante para los nuevos participantes en el mercado. Sin embargo, el valor real seguirá recayendo en las empresas propietarias del motor de flujo de trabajo.

Todos estos son pasos que conducirán a un mundo en el que Sally puede tener acceso instantáneo a una posible hipoteca.

–Ángela Strange, Alex Rampell y Marc Andrusko

Los futuros departamentos de cumplimiento que adopten la IA generativa podrían potencialmente detener los $ 800 mil millones para $ 2 billones que se lava ilegalmente en todo el mundo cada año. Narcotráfico, crimen organizado y otras actividades ilícitas todos verían su reducción más dramática en décadas.

Hoy en día, los miles de millones de dólares que se gastan actualmente en cumplimiento son solo tiene una EFECTIVIDAD DEL 3%, para detener el lavado de dinero criminal. El software de cumplimiento se basa principalmente en reglas "codificados". Por ejemplo, los sistemas contra el lavado de dinero permiten a los oficiales de cumplimiento ejecutar reglas como "marcar cualquier transacción superior a $10K" o buscar otras actividades sospechosas predefinidas. La aplicación de tales reglas puede ser una ciencia imperfecta, lo que lleva a que la mayoría de las instituciones financieras se vean inundadas con falsos positivos que están legalmente obligados a investigar. Los empleados de cumplimiento dedican gran parte de su tiempo a recopilar información de los clientes de diferentes sistemas y departamentos para investigar cada transacción marcada. A evitar fuertes multas, emplean a miles, que a menudo representan más del 10% de la fuerza laboral de un banco. 

Un futuro con IA generativa podría permitir:

• Cribado eficiente: Un modelo generativo de IA podría traer un resumen de la información clave a través de sistemas dispares sobre cualquier individuo rápidamente al alcance de un oficial de cumplimiento, lo que permite que los oficiales de cumplimiento respondan más rápidamente si una transacción fue un problema. 
• Mejor predicción de lavadores: Ahora imagine un modelo entrenado en los últimos 10 años de Informes de actividad sospechosa (SAR). Sin necesidad de decirle al modelo específicamente qué es un lavador de dinero, la IA podría usarse para detectar nuevos patrones en los informes y crear sus propias definiciones de lo que constituye un lavador de dinero. 
• Análisis de documentos más rápido: Los departamentos de cumplimiento son responsables de garantizar que se sigan las políticas y los procedimientos internos de una empresa, así como de cumplir con los requisitos reglamentarios. La IA generativa puede analizar grandes volúmenes de documentos, como contratos, informes y correos electrónicos, y señalar posibles problemas o áreas de preocupación que requieren una mayor investigación.
• Entrenamiento y educación: La IA generativa se puede utilizar para desarrollar materiales de capacitación y simular escenarios del mundo real para educar a los oficiales de cumplimiento sobre las mejores prácticas y cómo identificar riesgos potenciales y comportamientos de incumplimiento.

Los nuevos participantes pueden arrancar con datos de cumplimiento disponibles públicamente de docenas de agencias y hacer que la búsqueda y la síntesis sean más rápidas y accesibles. Las empresas más grandes se benefician de años de datos recopilados, pero deberán diseñar las funciones de privacidad adecuadas. El cumplimiento se ha considerado durante mucho tiempo un centro de costos en crecimiento respaldado por tecnología anticuada. La IA generativa cambiará esto.

–Angela Strange y Joe Schmidt

Archegos y London Whale pueden sonar como criaturas de la mitología griega, pero ambos representan fallas muy reales en la gestión de riesgos que costaron miles de millones en pérdidas a varios de los bancos más grandes del mundo. Agregue el ejemplo mucho más reciente de Silicon Valley Bank y queda claro que la gestión de riesgos sigue siendo un desafío para muchas de nuestras principales instituciones financieras. 

Si bien los avances en IA son incapaces de eliminar por completo los riesgos crediticios, de mercado, de liquidez y operativos, creemos que esta tecnología puede desempeñar un papel importante para ayudar a las instituciones financieras a identificar, planificar y responder más rápidamente cuando estos riesgos inevitablemente surgen. Tácticamente, aquí hay algunas áreas en las que creemos que la IA puede ayudar a impulsar una gestión de riesgos más eficiente:

• Procesamiento natural del lenguaje: Los modelos LLM como ChatGPT podrían ayudar a procesar grandes cantidades de datos no estructurados, como artículos de noticias, informes de mercado e investigaciones de analistas, proporcionando una visión más completa del mercado y los riesgos de contraparte.
• Información en tiempo real: La visibilidad inmediata de las condiciones del mercado, los eventos geopolíticos y otros factores de riesgo podrían permitir que las empresas se adapten a las condiciones cambiantes con mayor rapidez.
• Análisis predictivo: La capacidad de ejecutar escenarios significativamente más complejos y proporcionar alertas tempranas podría ayudar a las empresas a gestionar las exposiciones de manera más proactiva.
• Integración: La integración de sistemas dispares y el uso de IA para sintetizar información podría ayudar a brindar una visión más completa de la exposición al riesgo y agilizar los procesos de gestión de riesgos.

–David Haber y Marc Andrusko

Además de poder ayudar a responder preguntas financieras, los LLM también pueden ayudar a los equipos de servicios financieros a mejorar sus propios procesos internos, simplificando el flujo de trabajo diario de sus equipos financieros. A pesar de los avances en prácticamente todos los demás aspectos de las finanzas, el flujo de trabajo diario de los equipos financieros modernos sigue siendo impulsado por procesos manuales como Excel, correo electrónico y herramientas de inteligencia comercial que requieren aportes humanos. Las tareas básicas aún no se han automatizado debido a la falta de recursos de ciencia de datos y, en consecuencia, los CFO y sus subordinados directos dedican demasiado tiempo a tareas de informes y mantenimiento de registros que consumen mucho tiempo, cuando deberían centrarse en cima de la piramide decisiones estratégicas. 

En términos generales, la IA generativa puede ayudar a estos equipos a obtener datos de más fuentes y automatizar el proceso de resaltar tendencias y generar pronósticos e informes. Algunos ejemplos incluyen:

• Pronóstico: La IA generativa puede ayudar a escribir fórmulas y consultas en Excel, SQL y herramientas de BI que pueden automatizar el análisis. Además, estas herramientas pueden ayudar a descubrir patrones y sugerir entradas para pronósticos de un conjunto más amplio de datos con escenarios más complejos (es decir, tener en cuenta la macroeconomía) y sugerir cómo adaptar esos modelos más fácilmente, para informar la toma de decisiones de la empresa. 
• Presentación de informes: En lugar de perder tiempo extrayendo manualmente datos y análisis en informes internos y externos (p. ej., tableros, informes de inversionistas, tableros semanales), la IA generativa puede ayudar a automatizar la creación de texto, tablas, gráficos y más, adaptando dichos informes en función de diferentes ejemplos.
• Contabilidad y fiscalidad: Tanto los equipos de contabilidad como los de impuestos dedican tiempo a consultar las reglas y comprender cómo aplicarlas. La IA generativa puede ayudar a sintetizar, resumir y sugerir posibles respuestas sobre el código fiscal y las posibles deducciones.
• Compras y cuentas por pagar: La IA generativa puede ayudar a generar y adaptar automáticamente contratos, órdenes de compra, facturas y recordatorios.

Dicho esto, es importante tener en cuenta las limitaciones actuales de la salida de la IA generativa aquí, específicamente en áreas que requieren juicio o una respuesta precisa, como a menudo se necesita para un equipo de finanzas. Los modelos de IA generativa continúan mejorando en el cálculo, pero aún no se puede confiar en ellos para una precisión completa, o al menos necesitan revisión humana. A medida que los modelos mejoran rápidamente, con datos de entrenamiento adicionales y con la capacidad de aumentar con módulos matemáticos, se abren nuevas posibilidades para su uso.

–Seema deambular

Desafios

En estas cinco tendencias, los nuevos participantes y los titulares enfrentan dos desafíos principales para hacer realidad este futuro generativo de IA.

1. Capacitación de LLM con datos financieros: Actualmente, los LLM están capacitados en Internet. Los casos de uso de servicios financieros requerirán ajustar estos modelos con datos financieros específicos del caso de uso. Los nuevos participantes probablemente comenzarán a refinar sus modelos con las finanzas de las empresas públicas, los documentos regulatorios y otras fuentes de datos financieros públicos de fácil acceso, antes de usar sus propios datos a medida que los recopilan con el tiempo. Los jugadores existentes, como bancos o grandes plataformas con operaciones de servicios financieros (p. ej., Lyft), pueden aprovechar sus datos existentes y propietarios, lo que podría darles una ventaja inicial. Sin embargo, las empresas de servicios financieros existentes tienden a ser demasiado conservadoras cuando se trata de adoptar grandes cambios de plataforma. Esto da, en nuestra opinión, la ventaja competitiva a los nuevos participantes libres de obstáculos.
2. Precisión de salida del modelo: Dado el impacto que la respuesta a una pregunta financiera puede tener en las personas, las empresas y la sociedad, estos nuevos modelos de IA deben ser lo más precisos posible. No pueden alucinar ni inventar respuestas incorrectas pero que suenen seguras a preguntas críticas sobre los impuestos o la salud financiera de uno, y deben ser mucho más precisas que las respuestas aproximadas para consultas sobre cultura popular o ensayos genéricos de secundaria. Para empezar, a menudo habrá un ser humano en el circuito como verificación final de una respuesta generada por IA.

El advenimiento de la IA generativa es un cambio de plataforma drástico para las empresas de servicios financieros con el potencial de dar lugar a soluciones personalizadas para el cliente, operaciones más rentables, mejor cumplimiento y mejor gestión de riesgos, así como pronósticos e informes más dinámicos. Los titulares y las nuevas empresas lucharán por el dominio de los dos desafíos críticos que hemos descrito anteriormente. Si bien aún no sabemos quién saldrá victorioso, sí sabemos que ya hay un ganador claro: los consumidores de los servicios financieros del futuro.

***

Las opiniones expresadas aquí son las del personal individual de AH Capital Management, LLC ("a16z") citado y no son las opiniones de a16z o sus afiliados. Cierta información contenida aquí se ha obtenido de fuentes de terceros, incluso de compañías de cartera de fondos administrados por a16z. Si bien se tomó de fuentes que se consideran confiables, a16z no ha verificado de forma independiente dicha información y no hace declaraciones sobre la precisión duradera de la información o su idoneidad para una situación determinada. Además, este contenido puede incluir anuncios de terceros; a16z no ha revisado dichos anuncios y no respalda ningún contenido publicitario incluido en ellos.

Este contenido se proporciona solo con fines informativos y no debe considerarse como asesoramiento legal, comercial, de inversión o fiscal. Debe consultar a sus propios asesores sobre estos asuntos. Las referencias a cualquier valor o activo digital son solo para fines ilustrativos y no constituyen una recomendación de inversión ni una oferta para proporcionar servicios de asesoramiento de inversión. Además, este contenido no está dirigido ni destinado a ser utilizado por ningún inversionista o posible inversionista, y bajo ninguna circunstancia se puede confiar en él al tomar una decisión de invertir en cualquier fondo administrado por a16z. (Una oferta para invertir en un fondo a16z se realizará solo mediante el memorando de colocación privada, el acuerdo de suscripción y otra documentación relevante de dicho fondo y debe leerse en su totalidad). Cualquier inversión o compañía de cartera mencionada, referida o descritos no son representativos de todas las inversiones en vehículos administrados por a16z, y no puede garantizarse que las inversiones serán rentables o que otras inversiones realizadas en el futuro tendrán características o resultados similares. Una lista de inversiones realizadas por fondos administrados por Andreessen Horowitz (excluyendo inversiones para las cuales el emisor no ha otorgado permiso para que a16z divulgue públicamente, así como inversiones no anunciadas en activos digitales que cotizan en bolsa) está disponible en https://a16z.com/investments /.

Los cuadros y gráficos proporcionados en el interior tienen únicamente fines informativos y no se debe confiar en ellos al tomar cualquier decisión de inversión. El rendimiento pasado no es indicativo de resultados futuros. El contenido habla sólo a partir de la fecha indicada. Todas las proyecciones, estimaciones, pronósticos, objetivos, perspectivas y/u opiniones expresadas en estos materiales están sujetas a cambios sin previo aviso y pueden diferir o ser contrarias a las opiniones expresadas por otros. Consulte https://a16z.com/disclosures para obtener información adicional importante.

• Distribución de relaciones públicas y contenido potenciado por SEO. Consiga amplificado hoy.
• Platoblockchain. Inteligencia del Metaverso Web3. Conocimiento amplificado. Accede Aquí.
• Acuñando el futuro con Adryenn Ashley. Accede Aquí.
• Fuente: https://a16z.com/2023/04/19/financial-services-will-embrace-generative-ai-faster-than-you-think/