La Inteligencia Artificial puede transformar todo nuestro sector. Abordamos algunas de las preguntas que deberían plantearse los inversores y gestores de activos.
La inteligencia artificial (IA) crece a pasos agigantados, al parecer, con la misma velocidad con la que ChatGPT responde a la consulta de un usuario. Con su rápida penetración en todos los ámbitos del mundo empresarial, la IA está ayudando a simplificar las operaciones, mejorar la experiencia de los clientes y fortalecer las decisiones basadas en datos.
Para el sector de la inversión, esta capacidad alberga el potencial de transformar nuestras funciones al facilitar decisiones de inversión mejor fundamentadas, un diseño más óptimo de las carteras, una mejor gestión del riesgo y la modernización de las operaciones. En un contexto en el que la IA sigue redefiniendo el futuro, Andrew Chin, director del área de Investment Solutions and Sciences, responde a cinco preguntas de interés para los gestores y propietarios de activos.
P: La IA es una tecnología transformadora, pero seguirá evolucionando con el tiempo y surgirán nuevas aplicaciones y usos. Es decir, no será algo inmediato. ¿Cuáles son actualmente las oportunidades más factibles en el ámbito de la IA?
Andrew Chin, director del área de Investment Solutions and Sciences de AB: En estos momentos, la mayor oportunidad está en el procesamiento del lenguaje natural (PLN), una rama de la IA centrada en entender e interpretar datos orales y de texto. Nuestro sector tiene que lidiar con un inmenso volumen de datos, ya sea en forma de texto o en formatos convertibles a texto. Un ejemplo de estos últimos serían los materiales de audio y vídeo. Muchas de nuestras funciones —ya sea analizar valores individuales, redefinir una asignación táctica de activos o tratar de averiguar con mayor precisión lo que necesitan los clientes— se basan en sintetizar estos datos y extraer conclusiones que permitan tomar decisiones mejor fundamentadas.
El PLN es perfecto para estas tareas, ya que es capaz de asimilar enormes cantidades de datos y sintetizarlos para sugerir acciones.
Los profesionales de la inversión recopilan y analizan datos procedentes de fuentes muy diversas para tratar de obtener pistas. Por ejemplo, las reseñas de productos y de los consumidores en los sitios de internet pueden arrojar luz sobre oportunidades y retos emergentes para las empresas. Sin embargo, no solo es imposible que los humanos puedan leer millones de reseñas, sino que también resulta extraordinariamente difícil reconocer temas y extraer ideas viables de todos esos datos. Las herramientas basadas en el PLN pueden ser tremendamente poderosas para esas tareas. Pueden ser entrenadas para analizar datos con mayor eficiencia y eficacia, abarcar un volumen de datos muy superior y cometer muchos menos errores de computación ¡sin la necesidad de tomarse descansos!
P: Como decían en una película: «Un gran poder conlleva una gran responsabilidad». ¿Puedes indicar dos retos de la IA que podrían no estar recibiendo suficiente atención por parte de los inversores?
Andrew Chin: Se ha debatido bastante sobre varios retos. Uno de ellos tiene que ver con las alucinaciones: aquellos casos en los que un modelo de IA produce información incorrecta que se presenta como un hecho cierto. También hay numerosos problemas de seguridad de los que deben ocuparse las empresas. No obstante, me gustaría centrarme en algunos otros retos que tienen importancia para la aplicación de la IA en el sector financiero, pero que podrían no haber recibido tanta atención.
Creo que el principal problema es la baja relación señal-ruido que se da generalmente en el ámbito de las finanzas. Las herramientas de aprendizaje automático son extraordinariamente eficaces en situaciones donde los problemas están bien definidos, y existen funcionalidades y modelos conocidos que se pueden entrenar para conseguir un grado de precisión muy elevado. He aquí un ejemplo. Cuando se realizan previsiones de los movimientos de las acciones, entre el 40% y el 50% de la volatilidad global es idiosincrática, por lo que generalmente no hay particularidades que expliquen dichos movimientos. Esta circunstancia dificulta enormemente que los modelos de aprendizaje automático logren una elevada precisión en los problemas de predicción.
Otra dificultad que requiere mayor atención tiene que ver con el ajuste. En nuestro trabajo con la IA hemos descubierto que es necesario ajustar los modelos para que resulten eficaces en determinados ámbitos. Ya se trate de inversión, distribución u operaciones, cada área tiene sus propios parámetros, relaciones y matices. Si comparamos las áreas de relaciones con el cliente y cumplimiento del cliente, las preguntas y la precisión requerida para los modelos son muy diferentes. En el caso de las tareas de cumplimiento, los fallos y errores pueden acarrear unos importantes costes económicos y reputacionales, por lo que posiblemente se necesite más tiempo para ajustar los modelos en esos casos de uso.
Incluso en el ámbito de la inversión, la manera en que evaluamos cada acción, bono o fondo de inversión inmobiliaria varía enormemente. Por eso es importante redefinir el modelo para cada tipo de inversión en concreto, con sus atributos y comportamientos inherentes. Este ajuste puede suponer la diferencia entre un modelo de inversión eficaz y otro que genere resultados o recomendaciones de decisiones ineficaces. Dado que tanto los propietarios como los gestores de activos procuran obtener los mejores resultados, es necesario resolver este problema.
P: Evidentemente, la IA puede utilizarse en numerosos ámbitos del mundo de la inversión. Más allá de las propias funciones de inversión, ¿cómo podría aplicarse la IA en otras áreas del negocio?
Andrew Chin: Puedo citar algunos ejemplos basados en nuestras propias experiencias. Por ejemplo, hemos implementado la IA en las funciones de distribución y operaciones. En el ámbito de la distribución, la utilizamos para predecir los flujos del sector, y esto nos sirve de ayuda para priorizar nuestras iniciativas comerciales. Estos modelos distan de ser perfectos, pero hemos visto que, en la práctica, aportan perspectivas útiles que mejoran el proceso de toma de decisiones para nuestros equipos comerciales.
En cuanto a las funciones de operaciones, como cumplimiento y gestión del riesgo, las herramientas de IA pueden examinar documentos internos y externos de gran tamaño, como memorandos de oferta, documentos de marketing y folletos de fondos. Esto permite detectar riesgos potenciales y recomendar acciones. Teniendo en cuenta la multitud de documentos de texto que manejan las empresas de gestión de activos, el PLN puede ser una potente herramienta que permita a los empleados ser más eficaces y eficientes en funciones muy diversas.
P: ¿Qué deben tener en cuenta las empresas de inversión a la hora de implantar soluciones de ciencia de datos e IA en sus estructuras organizativas?
Andrew Chin: Lo más importante es que, a la hora de utilizar soluciones de ciencia de datos, las empresas se rijan por controversias de inversión, ineficiencias operativas o preguntas. Para sintetizar, nos gusta decir que la «ciencia de datos siempre debería comenzar por una pregunta». Aunque las prometedoras herramientas de IA, aprendizaje automático y PLN son poderosas, puede que no sean adecuadas para resolver todos los problemas: es importante asegurarse de que preguntas o proyectos subyacentes requieren técnicas sofisticadas. Este enfoque también ayudaría a las empresas a encontrar soluciones prácticas mientras aprenden cómo implantar y utilizar las nuevas herramientas.
Asimismo, es necesario tener conocimientos especializados, ya que adaptar la amplia variedad de herramientas de IA para aplicarlas a todas las áreas de inversión exige conocer perfectamente los retos de negocio y disponer de las competencias técnicas necesarias. Es fundamental contar con personas que dispongan de conocimientos avanzados en el área en cuestión —ya sea inversión, operaciones o distribución— para entrenar modelos de forma que puedan aplicarse en casos de uso concretos, para la ingeniería de prompts y para realizar los ajustes oportunos. Las organizaciones y los modelos pueden fracasar estrepitosamente a la hora de implantar la IA si no identifican y aplican los conocimientos financieros y específicos en cada una de estas tres actividades cruciales.
P: Para terminar, veamos el mundo de la IA desde una perspectiva a largo plazo. Cuando piensas en el futuro, ¿cómo crees que evolucionará la relación entre la IA y las organizaciones?
Andrew Chin: Las empresas enseñarán a los empleados a utilizar las nuevas herramientas de manera que puedan aplicarse en el conjunto de la organización, no solo en los departamentos donde trabajan los equipos de ciencia de datos y tecnología de inversión. A medida que los empleados apliquen estas herramientas para mejorar sus respectivas funciones, tendrán que aprender a utilizarlas correctamente.
Eso significa entender cómo tomar mejores decisiones de forma más rápida, pero también cómo invalidar los algoritmos automatizados aplicando los conocimientos y el razonamiento humano. Las herramientas de IA y aprendizaje automático no son perfectas: es importante comprender sus vulnerabilidades y de qué manera los empleados puede utilizarlas con mayor eficacia. Colectivamente, nos daremos cuenta de no podemos limitarnos a confiar en las nuevas herramientas porque sí: debemos saber cómo toman sus decisiones y cuándo es necesario intervenir.
Esta dinámica también irá acompañada de mejoras en la interpretabilidad. Los humanos conseguirán entender mejor cómo estas herramientas toman sus decisiones. Todo el concepto de interpretabilidad se convertirá en un área mucho más desarrollada. Se conocerán mejor sus entresijos y se reducirá su opacidad. Esta curva de desarrollo deberá inclinarse hacia arriba para que la IA se acepte de forma más amplia, por lo que prevemos que nuestro sector siga muy atento a esta cuestión.
El personaje de Iron Man puede servir de inspiración. Se trataría, por tanto, de integrar con éxito un experto humano dotado de grandes conocimientos tecnológicos en un campo específico, como el análisis financiero, con un asistente dotado de IA capaz de asimilar grandes cantidades de datos, analizarlos y sugerir acciones. Como ocurre en las películas, los humanos pueden anular esas recomendaciones según las circunstancias y basándose en sus propios conocimientos expertos e intuiciones. Creemos que este «Iron Man», con inteligencia aumentada capaz de resumir mejor y con mayor rapidez, será en el futuro la combinación ganadora para la IA.
