Aumento mundial de los análisis de gestión patrimonial basados en la inteligencia artificial
La inteligencia artificial se está convirtiendo en parte de la infraestructura analítica de la gestión patrimonial. Las empresas la están utilizando para procesar más información, supervisar carteras y adaptar las recomendaciones a cada cliente. PwC prevé que la adopción de la IA en los servicios financieros crezca un 30% anual. Sin embargo, el éxito de la tecnología dependerá menos de la potencia de procesamiento que de la calidad de los datos, los controles y el criterio profesional que la rodeen.
La gestión patrimonial ha combinado tradicionalmente los datos históricos del mercado con la experiencia de los asesores y los gestores de carteras. Ese modelo sigue siendo válido, pero se ve desbordado por la cantidad y la velocidad de la información de la que se dispone actualmente.
Los equipos de inversión deben estar al tanto de los indicadores económicos, la información publicada por las empresas, los precios de mercado, la evolución de la situación política y los cambios en las carteras de los clientes. Ningún analista por sí solo puede analizar todas las señales relevantes en tiempo real.
Los sistemas de inteligencia artificial prometen reducir esa brecha. Los modelos de aprendizaje automático pueden procesar grandes conjuntos de datos, identificar patrones inusuales y actualizar las evaluaciones a medida que se recibe nueva información. Las herramientas de lenguaje natural pueden examinar informes empresariales, cobertura informativa e investigaciones que antes habrían requerido un exhaustivo análisis manual.
El resultado no es la certeza. Es una base más amplia y ágil para la toma de decisiones.
Del análisis histórico al seguimiento continuo
El análisis tradicional de carteras suele ser retrospectivo. Los gestores examinan los rendimientos, las correlaciones y la volatilidad del pasado para comprender cómo pueden comportarse las inversiones en diferentes condiciones.
La inteligencia artificial puede ampliar este proceso combinando la información histórica con los datos actuales del mercado. Las carteras pueden supervisarse de forma continua, en lugar de evaluarse únicamente durante las revisiones programadas.
Esto permite a las empresas detectar concentraciones emergentes o cambios en el riesgo. Las inversiones que parecen diversificadas por clase de activo pueden, por ejemplo, depender del mismo entorno de tipos de interés, del precio de las materias primas o de un mercado geográfico concreto.
Los modelos de aprendizaje automático pueden detectar este tipo de relaciones en miles de posiciones. También pueden ayudar a los gestores a evaluar cómo podrían reaccionar las carteras ante la inflación, las fluctuaciones monetarias o un deterioro de la liquidez del mercado.
Estas capacidades son valiosas, pero no deben confundirse con una predicción fiable. Los mercados financieros se ven influidos por el comportamiento humano, las decisiones políticas y los acontecimientos imprevistos. Los modelos entrenados en condiciones anteriores pueden dar malos resultados cuando esas condiciones cambian.
La IA puede calcular los posibles resultados con mayor rapidez. Sin embargo, no puede eliminar la incertidumbre que los rodea.
BlackRock demuestra el valor de la integración
A menudo se cita a BlackRock como ejemplo de gestión de inversiones impulsada por la tecnología. Su plataforma Aladdin integra datos de carteras, análisis de riesgos, operaciones bursátiles y funciones operativas.
La importancia de la plataforma no radica en un único algoritmo predictivo, sino en su capacidad para ofrecer una visión global de las exposiciones de inversión. Los gestores de carteras pueden analizar el riesgo en todas las clases de activos, simular diferentes escenarios y supervisar cómo los movimientos del mercado afectan a las distintas posiciones.
El aprendizaje automático puede reforzar estas funciones al identificar patrones o anomalías que el análisis convencional podría pasar por alto.
El sistema también pone de manifiesto la ventaja de que gozan las grandes instituciones. BlackRock puede recurrir a una amplia base de datos, equipos especializados y una importante inversión en tecnología. Es poco probable que las gestoras de patrimonios más pequeñas puedan crear internamente una infraestructura comparable.
En su lugar, pueden recurrir a plataformas externas que ofrecen análisis de carteras basados en inteligencia artificial, herramientas de cumplimiento normativo e informes para clientes. Esto permite a las empresas más pequeñas acceder a funciones más sofisticadas, pero también aumenta su dependencia de proveedores externos.
Por lo tanto, la cuestión estratégica no es solo si una empresa utiliza la inteligencia artificial, sino quién controla la tecnología y los datos de los que depende.
Los asesores robóticos ampliaron el mercado
Los asesores robóticos fueron una de las primeras aplicaciones visibles del análisis automatizado en la gestión patrimonial.
Empresas como Betterment y Wealthfront utilizaban cuestionarios digitales y modelos algorítmicos para crear carteras diversificadas, reequilibrar las inversiones y gestionar las operaciones fiscales. Sus servicios podían prestarse a un coste inferior al de las relaciones de asesoramiento tradicionales.
Este modelo permitió que la gestión de carteras estuviera al alcance de los clientes con menos capital para invertir. Además, sentó las bases para una apertura rápida de cuentas, unas comisiones transparentes y un acceso digital permanente.
Es probable que la próxima generación de asesoramiento basado en la inteligencia artificial sea más compleja. En lugar de clasificar a los clientes en categorías generales de riesgo, los sistemas podrían tener en cuenta los ingresos, los gastos, las necesidades de liquidez, la situación fiscal y los compromisos financieros a largo plazo.
Esto abre la posibilidad de aplicar estrategias más personalizadas. Además, exige disponer de más datos personales y ejercer un criterio más sofisticado.
Una cartera diseñada específicamente en función de información incompleta o inexacta no es realmente personalizada. Simplemente se equivoca con mayor seguridad.
El ahorro de costes atrae a las instituciones
Deloitte calcula que los análisis basados en la inteligencia artificial han reducido los costes operativos hasta en un 301 % en algunas empresas.
El ahorro proviene de varias fuentes. Los sistemas pueden automatizar la recopilación de datos, la elaboración de informes sobre carteras y la revisión de documentos. Los equipos de inversión pueden analizar una gama más amplia de activos sin tener que aumentar la plantilla al mismo ritmo. Los asesores pueden dedicar menos tiempo a preparar análisis rutinarios.
Esto no significa que la implementación de la IA sea barata.
Las entidades financieras deben invertir en infraestructura de datos, integración de sistemas, ciberseguridad y formación del personal. Los modelos requieren pruebas y una supervisión continua. Los proveedores de tecnología externos conllevan costes de licencia y dependencias operativas.
El argumento comercial es más sólido cuando la IA sustituye el trabajo repetitivo o mejora un proceso que ya cuenta con datos fiables. Resulta menos convincente cuando las empresas intentan aplicar análisis avanzados a sistemas fragmentados y registros incoherentes.
El hecho de estar conectado a la tecnología no elimina por sí solo la complejidad operativa.
El mercado crece rápidamente
Se preveía que el mercado mundial de la inteligencia artificial en los servicios financieros alcanzara los 1,426,670 millones de dólares en 2024. Alrededor del 70 % de las instituciones financieras habían implementado soluciones de inteligencia artificial o tenían previsto hacerlo.
Estas cifras reflejan un gran interés, pero la adopción puede significar muchas cosas diferentes.
Una institución puede utilizar la inteligencia artificial para clasificar documentos. Otra puede aplicarla a la detección de fraudes, la segmentación de clientes o la construcción de carteras. Tanto un proyecto piloto como un sistema analítico totalmente integrado se consideran casos de adopción, aunque su impacto en el negocio sea muy diferente.
La distinción más útil es la que se establece entre la experimentación y el uso operativo.
La IA solo adquiere importancia estratégica cuando se integra en las decisiones cotidianas, se basa en datos fiables y es comprendida por los empleados que deben utilizarla.
Muchas empresas financieras se encuentran aún en una fase intermedia. Han adquirido las herramientas necesarias, pero aún no han rediseñado sus procesos en función de ellas.
La detección del fraude ofrece una visión más clara del caso
La inteligencia artificial ya ha demostrado su utilidad a la hora de identificar actividades sospechosas. Los sistemas pueden analizar un gran número de transacciones, detectar patrones inusuales y comparar el comportamiento entre cuentas.
Algunas empresas de gestión patrimonial informan de mejoras de hasta un 501 % en las tasas de detección de fraudes.
Esta tecnología puede ayudar a las instituciones a detectar cambios que las reglas convencionales podrían pasar por alto. Una transacción puede parecer legítima si se analiza de forma aislada, pero resultar sospechosa si se compara con la actividad previa del cliente o con el contexto más amplio de la red.
Los falsos positivos siguen siendo un reto. Una transacción inusual no tiene por qué ser fraudulenta, sobre todo en el ámbito del patrimonio privado, donde los clientes pueden mover grandes cantidades de dinero entre empresas, fideicomisos y jurisdicciones.
Por lo tanto, los sistemas automatizados deben distinguir entre las actividades que pueden resolverse rápidamente y los casos que requieren una investigación por parte de una persona.
El objetivo no debería ser eliminar la revisión humana, sino gestionarla de forma más inteligente.
La personalización pone a prueba los límites de los datos
Las recomendaciones basadas en inteligencia artificial se han relacionado con mejoras en la satisfacción de los clientes de hasta un 401 %.
Un asesoramiento más adecuado puede fortalecer la relación con el cliente. Un asesor que comprenda las necesidades de liquidez, la exposición al riesgo y los objetivos financieros del cliente puede ofrecer un servicio que resulte más adaptado a sus necesidades que una cartera modelo estándar.
La IA puede contribuir a ello consolidando la información e identificando cambios que, de otro modo, podrían pasar desapercibidos.
Un sistema puede señalar que las reservas de efectivo de un cliente han caído por debajo de un nivel acordado, que una cartera se ha vuelto demasiado concentrada o que un compromiso financiero inminente requiere un cambio en la distribución de activos.
El análisis gana en sensibilidad a medida que se vuelve más personal.
Las empresas necesitan normas claras que regulen qué datos pueden recopilarse y cómo pueden utilizarse. Los clientes deben saber si las recomendaciones se basan en información que ellos mismos han facilitado directamente, en su comportamiento observado o en hipótesis generadas por un modelo.
La personalización sin transparencia puede parecer más una forma de vigilancia que un servicio.
Los asesores necesitan un tipo diferente de conocimientos especializados
La inteligencia artificial está transformando las funciones que se esperan de los profesionales de la gestión patrimonial.
Los analistas deberán comprender cómo llegan los modelos a sus conclusiones y cuáles son sus limitaciones. Los asesores deben ser capaces de traducir los resultados generados automáticamente en recomendaciones que los clientes puedan entender.
Esto no implica que todos los asesores deban convertirse en científicos de datos. Lo que sí se requiere es tener los conocimientos técnicos suficientes para cuestionar un resultado, en lugar de limitarse a aceptarlo sin más.
El papel del ser humano cobra especial importancia cuando los objetivos financieros entran en conflicto. Un cliente puede desear, al mismo tiempo, una alta rentabilidad, un riesgo bajo, liquidez inmediata y un horizonte de inversión a largo plazo. Ningún modelo puede conciliar esas preferencias sin establecer prioridades.
Los asesores también deben gestionar el comportamiento de los clientes en momentos de volatilidad en los mercados. Es posible que un algoritmo determine que una cartera sigue siendo adecuada, pero un cliente nervioso puede necesitar una conversación antes de decidirse a mantener su inversión.
El valor del asesoramiento humano reside, en parte, en la interpretación de las cifras y, en parte, en la comprensión de la persona que hay detrás de ellas.
Los modelos pueden acentuar las debilidades existentes
Los sistemas de IA aprenden a partir de los datos generados por decisiones anteriores. Si esas decisiones contienen sesgos, supuestos incompletos o clasificaciones erróneas, el modelo puede reproducirlos a mayor escala.
Esto es relevante para la segmentación de clientes, las evaluaciones de idoneidad y la selección de inversiones.
Un sistema puede deducir que los clientes con características demográficas o financieras similares desean productos similares. Estos patrones pueden ser estadísticamente plausibles sin por ello ser adecuados para una persona concreta.
Los modelos de inversión se enfrentan a un problema similar. Los datos históricos pueden favorecer estrategias que obtuvieron buenos resultados bajo un régimen monetario o regulatorio concreto. Cuando ese régimen cambia, es posible que las conclusiones ya no sean válidas.
Las instituciones financieras deben probar sus modelos en distintos escenarios y analizar si los resultados son explicables. Además, deben supervisar el rendimiento de los sistemas tras su implementación, en lugar de dar por sentado que la precisión mejorará automáticamente.
El aprendizaje continuo solo resulta útil cuando el sistema aprende a partir de información relevante.
La gobernanza determina si el crecimiento se convierte en un riesgo
A medida que la inteligencia artificial gana influencia, las instituciones deben asumir una responsabilidad clara en cuanto a su uso.
Los comités de inversión deben saber qué decisiones cuentan con el respaldo de la inteligencia artificial y cuáles están automatizadas. Los equipos de cumplimiento normativo necesitan tener acceso a la lógica que subyace a las clasificaciones de clientes y a las alertas de riesgo. La alta dirección debe saber en qué casos intervienen proveedores externos.
Las directrices éticas por sí solas no son suficientes. La gobernanza requiere controles prácticos.
Las empresas deben contar con procedimientos para aprobar modelos, comprobar datos, registrar cambios e intervenir cuando un sistema se comporte de forma inesperada. Los empleados deben saber cuándo se puede anular un resultado automatizado y cómo se debe documentar esa decisión.
Los clientes también deben disponer de un mecanismo para impugnar las decisiones que les afecten.
Una institución no puede transferir su responsabilidad fiduciaria o reglamentaria a un algoritmo. La empresa sigue siendo responsable, incluso cuando la tecnología la suministra un tercero.
Los datos se convierten en el principal activo competitivo
Las instituciones financieras suelen describir los modelos de inteligencia artificial como una fuente de ventaja competitiva. En la práctica, muchas empresas tendrán acceso a tecnologías similares.
Es probable que la ventaja más duradera provenga de los datos.
Un gestor patrimonial que disponga de información completa, precisa y bien estructurada puede utilizar la inteligencia artificial para generar análisis más pertinentes. Un competidor con registros fragmentados obtendrá resultados menos sólidos del mismo modelo.
La calidad de los datos es especialmente complicada en el ámbito del patrimonio privado. Los activos pueden estar distribuidos entre varios bancos, empresas y estructuras jurídicas. Las inversiones privadas no se valoran con frecuencia. La información puede llegar en distintos formatos y divisas.
Antes de que las empresas puedan ofrecer análisis avanzados, deben resolver el problema básico de crear una visión coherente del patrimonio de los clientes.
Este trabajo pasa más desapercibido que el lanzamiento de un asistente de IA. Pero también es más importante.
El valor puede ser elevado, pero está distribuido de forma desigual
McKinsey calcula que la inteligencia artificial podría generar hasta 1 billón de dólares en valor añadido para el sector bancario mundial de aquí a 2028.
Ese valor no se distribuirá de manera uniforme. Las grandes instituciones pueden realizar importantes inversiones en sistemas propios, datos y personal especializado. Las empresas más pequeñas pueden beneficiarse de plataformas externas de menor coste, pero tendrán menos control sobre su infraestructura tecnológica.
Algunas de las ventajas se traducirán en una reducción de los costes operativos. Otras pueden derivarse de una mejor gestión de riesgos, una detección más eficaz del fraude o la capacidad de atender a clientes que antes no resultaban rentables.
También habrá inversiones fallidas. Las empresas pueden adquirir herramientas que los empleados no utilizan, sistemas que no se pueden integrar o modelos cuyos resultados resultan demasiado poco fiables para tomar decisiones importantes.
Por lo tanto, el gasto en IA debe evaluarse como cualquier otra inversión. Las instituciones necesitan un problema bien definido, resultados cuantificables y un plan de implementación creíble.
La mera presencia de la inteligencia artificial no es sinónimo de innovación.
Un mejor análisis exige, a su vez, mejores decisiones
La inteligencia artificial seguirá extendiéndose por el sector de la gestión patrimonial a nivel mundial. El aprendizaje automático, el procesamiento del lenguaje natural y el análisis de datos en tiempo real se convertirán en características habituales de las plataformas de inversión.
A medida que esto ocurra, la tecnología en sí misma perderá su carácter distintivo.
Las empresas más sólidas serán aquellas que combinen la rapidez analítica con una gestión disciplinada y un criterio basado en la experiencia. Utilizarán la inteligencia artificial para detectar riesgos, organizar la información y cuestionar las hipótesis, en lugar de considerar sus resultados como instrucciones.
Es poco probable que a los clientes les importe qué algoritmo se esconde detrás de su cartera. Lo que les importará es que su asesor comprenda su situación, proteja sus datos y tome decisiones que se puedan explicar.
La inteligencia artificial puede hacer que la gestión patrimonial sea más eficiente y ágil. Puede ampliar el acceso a análisis avanzados y ofrecer a los profesionales de la inversión una visión más clara de carteras complejas.
No puede determinar para qué sirve la riqueza, qué riesgos debe asumir una familia ni cómo deben resolverse las prioridades financieras contrapuestas.
Esas preguntas siguen siendo humanas. Una tecnología mejor solo tiene importancia cuando ayuda a responderlas de forma más inteligente.
