La IA generativa encumbra las expectativas infladas en el campo de las finanzas

Si bien la inteligencia artificial (IA) generativa ha generado un interés significativo por parte de los directores financieros que buscan maximizar los recursos y mejorar la eficiencia y la toma de decisiones, es probable que la gran expectación en el mercado conduzca a un período de desilusión con varias tecnologías en este espacio. Así lo avanza la firma de análisis e investigación Gartner a través de su informe Hype Cycle para la IA y la analítica avanzada en el ámbito financiero. Un estudio que brinda a los directores financieros una panorámica del estado actual de las técnicas clave de IA y analítica avanzada relevantes para las finanzas, ayudándolos a alinear las hojas de ruta tecnológicas con la estrategia empresarial.

En este sentido cabe destacar que, aunque muchas de las innovaciones presentadas están disponibles y se utilizan ampliamente en la actualidad, otras son de vanguardia y presentan una mayor promesa para el futuro. Los directores financieros pueden utilizar este informe por tanto para definir una hoja de ruta de transformación financiera que ofrezca valor a corto plazo y, al mismo tiempo, los prepare para el futuro.

“En el punto más alto de las expectativas infladas en el ámbito financiero se encuentra la IA generativa”, asegura Mark D. McDonald, analista sénior del área de Finanzas de Gartner. “Una serie de herramientas de IA generativa disponibles públicamente han generado una enorme publicidad para la tecnología en los últimos dos años, pero a medida que las funciones financieras adopten esta tecnología, es posible que no la consideren tan transformadora como se esperaba”.

Moderar la expectación

Aunque los expertos de Gartner prevén que en el futuro las herramientas de IA generativa en el ámbito financiero generen desilusión, esto no quiere decir que la tecnología no vaya a ser útil en este terreno. Por el contrario, la IA generativa tiene varias aplicaciones para los profesionales financieros, pero puede que no sean tan transformadoras como muchos líderes financieros piensan en este momento. La IA generativa utiliza texto como fuente, por lo que para tareas que requieren análisis de texto, como el análisis de contratos, es excelente.

“Las funciones financieras también podrían usar IA generativa para hacer cosas que actualmente no hacen”, dijo McDonald. “Por ejemplo, comparar una factura entrante de un proveedor con el precio negociado para asegurarse de que los cargos se alineen con los precios acordados”.

“Las principales ventajas de la IA generativa en el ámbito financiero son su facilidad de acceso y su uso sencillo. Dado que muchos proveedores ofrecen soluciones de IA generativa privadas para empresas, aprovechar estas herramientas consiste en gran medida en enseñar a los empleados cómo utilizarlas y en qué circunstancias es una solución fiable”.

Sin embargo, cuando se trata de tareas que se basan en datos numéricos, las funciones financieras necesitarán recurrir a otras técnicas de IA, en particular a diversas aplicaciones del aprendizaje automático. El aprendizaje automático puede ayudar a los profesionales financieros con tareas como la previsión de ingresos o la detección de errores en grandes volúmenes de datos.

“El aprendizaje automático también puede ayudar con nuevos métodos más sofisticados de análisis de nuestros resultados financieros, detectando tendencias que de otro modo podrían pasar desapercibidas”, sostiene McDonald. “Uno de los principales beneficios del aprendizaje automático es que los responsables financieros pueden cuantificar la calidad del resultado del algoritmo, lo que puede servir como evidencia para transacciones auditables”.

Sin embargo, el uso del aprendizaje automático requerirá algunas habilidades nuevas. Las organizaciones financieras están comenzando a emplear el modelo de ciencia de datos ciudadana, que enseña a los profesionales financieros un subconjunto de la capacidad de la ciencia de datos y las habilidades para emplear técnicas fundamentales de la ciencia de datos.

IA compuesta

La IA compuesta se encuentra en la fase de activación de la innovación del Hype Cycle, y se refiere a la aplicación combinada de diferentes técnicas de IA para mejorar la eficiencia del aprendizaje y ampliar el nivel de las representaciones del conocimiento.

“A medida que madure la adopción de la IA en las funciones financieras, quedará claro que ninguna técnica de IA por sí sola es la panacea”, defiende McDonald. “Combinar técnicas de IA es mucho más eficaz que confiar solo en la heurística o en un enfoque totalmente basado en datos”.

La creciente dependencia de la IA para la toma de decisiones está impulsando a las organizaciones hacia la IA compuesta porque las acciones más apropiadas pueden determinarse mejor combinando modelos basados en reglas y de optimización, una combinación a menudo denominada análisis prescriptivo. Los conjuntos de datos pequeños, o la disponibilidad limitada de datos, también han empujado a las organizaciones a combinar múltiples técnicas de IA.

El modelado basado en agentes es la próxima oleada de IA compuesta. Una solución de IA compuesta se compone de varios agentes, cada uno de los cuales representa a un actor del ecosistema. La combinación de estos agentes en un ‘enjambre’ permite crear un conocimiento común de la situación, una optimización más global de la planificación, una programación con capacidad de respuesta y la resistencia de los procesos.