La inteligencia artificial (IA) dejó de ser una promesa para convertirse en una herramienta concreta dentro del sistema financiero. Desde la gestión de riesgos hasta la optimización de carteras y la automatización del reporting, su impacto ya se percibe en la operatoria diaria de empresas, mercados y áreas contables. Sin embargo, el avance no está exento de tensiones: apenas una minoría de los proyectos logró generar valor medible y los desafíos de implementación, gobernanza y calidad de datos siguieron marcando el ritmo de adopción.
En el corazón del cambio hay una transformación profunda, el pasaje de sistemas determinísticos –basados en reglas fijas– hacia modelos capaces de interpretar contexto, procesar información no estructurada y asistir en decisiones complejas en tiempo real.
En el trading, la investigación financiera (research) y la gestión de riesgos, la IA no reemplaza a los profesionales, sino que potencia su capacidad. “Más que en una automatización total donde la máquina reemplaza al humano, el impacto lo estamos viendo en la asistencia aumentada en todas las áreas”, explicó Diego Viruega, CEO de Primary, en diálogo con Punto biz.
En ese sentido, destacó que las herramientas permitían a los operadores “priorizar señales y filtrar oportunidades en tiempo real que antes eran imposibles de capturar por el puro volumen de información”.
La lógica fue similar en el armado de carteras y la evaluación de instrumentos. Joaquín Tarallo, de Tarallo S.A., sostuvo que “el impacto más fuerte está en el screening inteligente. La tecnología procesa miles de noticias, informes y balances, detectando oportunidades en un tiempo incomparable con el de una persona”.
Esa capacidad de análisis masivo, combinada con monitoreo en tiempo real, redefinió la escala a la que pueden operar tanto empresas como inversores.
Sin embargo, el consenso es claro: la IA no toma decisiones por sí sola. “La tecnología es el motor, no el piloto”, resumió Tarallo. El valor aparece cuando esa potencia analítica se combina con criterio humano, capaz de interpretar contextos y definir estrategias.
Aunque los mercados financieros ya convivían con algoritmos desde hacía décadas, la irrupción de modelos generativos marcó un punto de inflexión.
Sebastián Ferro, CIO de A3, lo explicó en términos de arquitectura: “El algoritmo tradicional opera en un espacio cerrado y determinístico. Si ocurre A, se ejecuta B. Lo que cambia con la IA generativa es que ahora podemos procesar información no estructurada y conectar sistemas de forma mucho más fluida”.
Ese salto implicó que ya no se tratara sólo de ejecutar órdenes con eficiencia, sino de interpretar señales complejas –como noticias o eventos geopolíticos– e incorporarlas en tiempo real al proceso de decisión. Como ejemplificó Viruega, un sistema tradicional “es ciego al contexto”, mientras que la IA podría advertir cambios en el escenario y sugerir ajustes en la estrategia.
El impacto también se hizo visible en áreas críticas como la infraestructura de mercado. Ferro subrayó que el mayor efecto tangible se da en la gestión de riesgos, la vigilancia y la
ciberseguridad: “Hoy usamos IA para detectar anomalías de comportamiento o intentos de fraude con una velocidad que antes era impensable”. En ese sentido, la tecnología permite pasar de un enfoque reactivo a uno predictivo frente a incidentes operativos.
Implementación, datos y riesgos
Más allá del mercado de capitales, la IA también avanzó en las áreas financieras de las empresas, especialmente en reporting, control y automatización de procesos. Según relató Lisandro Nasini, director ejecutivo de Nasini S.A., uno de los principales beneficios es la eficiencia operativa: “Todo lo que es control, automatizar procesos y validar datos es eficiente”.
En la práctica, esto se tradujo en reducción de costos y tiempos. “El CFO tenía todo un sistema de reporting hecho con Power BI, y ahora se automatizaron un montón de consultas y visualizaciones que se hacen con IA”, detalló. Este tipo de aplicaciones agiliza la generación de información y mejora la disponibilidad de datos para la toma de decisiones.
Sin embargo, Nasini advirtió que el impacto en la predictividad no fue automático. “No sé si la IA impacta directamente en la predictibilidad. Lo que hace es darte herramientas para hacer mucho más eficiente el flujo de captura, análisis y resultados”, afirmó. La mejora, entonces, está en la calidad y velocidad del proceso más que en la capacidad de anticipación.
A pesar del entusiasmo, los resultados son dispares. Apenas una pequeña porción de los proyectos logró un impacto concreto. Para Ferro, la explicación está en la implementación: “El éxito no depende del modelo, sino de la implementación y la integración”. Muchos desarrollos quedaron aislados, sin conexión con los sistemas críticos.
“Si el proyecto no resuelve desde el primer día temas de interoperabilidad, latencia y escalabilidad, termina siendo una anécdota técnica”, alertó.
Viruega coincidió y agregó que en muchos casos se prioriza la sofisticación técnica por sobre la resolución de problemas de negocio. “Muchos proyectos no llegan a puerto porque se prioriza la sofisticación técnica sobre la resolución de un problema específico”, sostuvo.
El otro gran desafío es la calidad de los datos. Como explicó Ferro, “tener datos no es lo mismo que tener datos gobernados y accionables”. Sin acceso a información confiable y segura, la IA pierde efectividad. Tarallo lo sintetizó con claridad: “La IA es un amplificador. Si le cargás malos datos, te devuelve un resultado malo, pero más rápido”. En ese marco, el riesgo del “ruido sofisticado” –modelos que detectan patrones inexistentes– se volvió una preocupación concreta.
El avance de la IA también abrió interrogantes sobre la estabilidad del sistema financiero. Si
múltiples actores utilizaron modelos similares, alimentados por los mismos datos, existe el riesgo de reacciones simultáneas que amplifican movimientos de mercado. “Si muchos participantes utilizan modelos alimentados por los mismos datos, el riesgo de reacciones en cadena es real”, aseguró. Viruega, por su parte, coincidió en que podía generarse “comportamiento de manada”, lo que obliga a reforzar la prudencia.
En ese escenario, la gobernanza aparece como un factor clave. Segmentación de permisos,
monitoreo continuo y trazabilidad fueron algunos de los elementos necesarios para mitigar riesgos.
“El enfoque no debe ser ‘IA sí o no’, sino IA con controles”, resumió Ferro.
Estrategia, roles y lo que viene
Otro factor determinante en el éxito de la adopción es la estrategia interna de las empresas. Nasini observa que muchas implementaciones surgen de manera informal, impulsadas por empleados. Sin embargo, los casos que escalaron respondieron a decisiones de la dirección. “Los casos que escalan son donde desde la dirección dicen: vamos a utilizar estas herramientas”, explicó. En esos casos, la IA se integró como parte de la estrategia, con objetivos concretos y recursos asignados.
La automatización también reconfiguró los perfiles dentro de las áreas financieras. Algunos roles tradicionales tendieron a reconvertirse. “Antes uno quería hacer un reporte ad hoc y había un analista que tenía que hacerlo. Ese tipo de roles pueden reconvertirse”, sostuvo Nasini.
Sin embargo, la necesidad de profesionales no desapareció: “Siempre va a haber alguien que interprete la problemática y sepa utilizar la IA como herramienta”.
En términos de acceso, la IA mostró un potencial democratizador, aunque con matices. Tarallo señaló que quienes contaron con datos propios y experiencia mantuvieron ventajas competitivas.
“El que posee mayor cantidad de información propietaria y un track record sólido sigue teniendo una ventaja”, señaló.
De cara al corto plazo, el consenso es que la tecnología tendería a masificarse. “La tecnología se va a comoditizar rápidamente”, anticipó Ferro. En ese contexto, el diferencial competitivo no está en la herramienta en sí, sino en su uso. “No va a ganar el que tenga el sistema más complejo, sino el que tenga la sensibilidad para entender qué necesitan los usuarios y la prudencia para aplicar la inteligencia artificial”, concluyó Viruega.
Así, en un mercado donde la velocidad y la información resultaron determinantes, la IA se consolida como una herramienta clave. Pero el verdadero valor sigue dependiendo de cómo y para qué se la utiliza.
Ya impacta en trading, riesgos, reporting y auditoría. Avance en casos concretos, pero desafíos de integración, calidad de datos y gobernanza.
NUEVO PARADIGMA
Redefiniendo mercados
y la gestión financiera
INTELIGENCIA ARTIFICIAL
Por PATRICIO DE GAETANO
Lisandro Nasini (Nasini S.A.) y Diego Viruega (Primary).
Sebastián Ferro (A3) y Joaquín Tarallo (Tarallo S.A.)