IA y LLMs en Finanzas: Oportunidades, Desafíos y el Camino a Seguir

17 de agosto de 2023

La semana pasada vimos qué es la IA y los LLMs y cómo afecta a la toma estratégica de decisiones en los negocios. Si te perdiste nuestro artículo anterior sobre la IA y los LLMs en la toma de decisiones estratégicas, puedes encontrarlo aquí.

Esta semana vamos a ver un caso específico del uso de IA y LLMs en la industria financiera y cómo podría impactar en el futuro.

En un mundo donde la velocidad de la innovación tecnológica parece aumentar cada día, la industria financiera se encuentra en la cúspide de una transformación sin precedentes. Desde la mejora en la atención al cliente hasta la detección de fraudes sofisticada y la personalización de asesoramiento financiero, la Inteligencia Artificial (IA) y los Modelos de Grandes Lenguajes (LLMs) están redefiniendo las reglas del juego.

¿Qué significa esto para los inversionistas, las instituciones financieras, y la economía en su conjunto? ¿Cuáles son los riesgos y las oportunidades que emergen de esta fusión de tecnología y finanzas? En este artículo, exploraremos un caso específico del uso de IA y LLMs en la industria financiera, arrojando luz sobre cómo estos avances están siendo utilizados hoy en día y cómo podrían remodelar el futuro del dinero, la inversión, y el comercio.

Desde BloombergGPT hasta los asesores financieros automatizados, la revolución tecnológica ya ha comenzado. Pero no es solo una cuestión de nuevas herramientas y capacidades; también se trata de los desafíos éticos y prácticos que surgen de su aplicación. Vamos a analizar cómo la intersección de la IA y los LLMs está transformando el mundo financiero y qué puedes esperar en los años por venir.

Inteligencia artificial (IA) y machine learning han sido utilizados por los servicios financieros por más de una década, desde análisis de fraude, predicciones de gastos, hasta recomendaciones de productos y servicios basados en comportamiento.

En 2018, Morgan Stanley lanzó una herramienta para asesores financieros llamada Next Best Action, que utiliza IA para ayudar a personalizar recomendaciones a clientes.

https://emerj.com/ai-sector-overviews/ai-morgan-stanley/

Pero con los recientes avances de LLM (Modelos de grandes lenguajes) y IA generativo, estamos frente a un gran salto en capacidades. La posibilidad de tomar grandes cantidades de datos sin estructura con las décadas de datos que tiene el sistema financiero abre una gran cantidad de nuevas posibilidades y oportunidades.

Por ejemplo Bloomberg ha creado BloombergGPT, un modelo de IA entrenado con millones de datos internos de Bloomberg, integrado dentro de su terminal que es capaz de responder preguntas financieras en simples conversaciones, donde podemos obtener respuesta desde la información del CEO de una empresa hasta analizar si los encabezados de ciertas noticias son positivos o negativos desde el punto de vista financiero.

https://www.cnbc.com/2023/04/13/bloomberg-plans-to-integrate-gpt-style-ai-into-its-terminal.html. https://www.bloomberg.com/company/press/bloomberggpt-50-billion-parameter-llm-tuned-finance/

"Por todas las razones por las que los LLMs generativos son atractivos, como el aprendizaje con pocos ejemplos, la generación de texto, los sistemas conversacionales, etc., vemos un valor tremendo en haber desarrollado el primer LLM enfocado en el dominio financiero", dijo Shawn Edwards, Director de Tecnología de Bloomberg.

Pero esto es sólo el principio, se espera que en muy poco tiempo tanto empresas establecidas como nuevos actores saquen el máximo provecho de LLM y IA Generativo. Ya sea inyectando su data a modelos de LLMs ya establecidos o creando su propio modelo de IA (como en el caso de BloombergGPT) se pueden crear muchos tipos de aplicaciones, desde chatbots de servicio al cliente capaz de responder con información detallada hasta recomendaciones personalizadas a los clientes basados en su historial.

Claro, las empresas establecidas tendrán al principio una ventaja competitiva sobre las Startups que lleguen a competir. Con la década de datos disponibles pueden posicionarse rápidamente con mejores productos y servicios. Pero si no son rápidos en actuar las Startups pueden tomar ventaja, utilizando al principio datos financieros públicos, y luego utilizando sus propios datos a medida que van ganando tracción.

"La Inteligencia Artificial Generativa puede ser un ingrediente crítico en la forma en que se ofrecen los servicios financieros y hacer que los humanos sean 10 veces más productivos. De hecho, hay muchas aplicaciones perfectas para ello." - Sarah Hinkfuss, socia de BCV.

Este es el escenario actual pero ¿cómo van impactar el IA Generativo en el futuro?

Vamos a explorar las innovaciones, desafíos y oportunidades que estos avances tecnológicos están llevando a la industria financiera, tanto hoy como en el futuro cercano.

Tu asesor financiero a una fracción del costo.

Imagina un asesor financiero disponible 24/7 que está actualizado en tiempo real en las últimas noticias y tendencias del mercado financiero. Además conoce todo tu portafolio, preferencias, estado financiero y nivel de riesgo.

En primera instancia te puede dar recomendaciones para tomar decisiones en el mejor de los momentos. Ante una acción, cambio la tasa de interés, tu portafolio necesita diversificarse más, recibirás notificaciones con análisis detallados y pros y contras para que puedas tomar una decisión informada. Además podrás pedir aclaraciones de ciertos puntos. Aquí no estamos ya muy lejos de lograr esto, aún falta que los modelos actuales sean más precisos en la información y procesar información en tiempo real aún consume muchos recursos, pero está avanzando y en un par de años será algo del día a día.

Cuando nos acostumbremos a esta modalidad, vendrán los agentes autónomos, capaces de tomar decisiones sin la intervención humana. Su principal objetivo será maximizar tus ganancias y minimizar el riesgo. Claro podrás configurarlo para que tome riesgos más grandes o sea más conservador, y tomará en cuenta tu situación actual y tus planes futuros.

Muchos dirán que ya existen los robo advisors, pero en unos años estos serán el equivalente a la primera generación de teléfonos celulares frente a los smartphones de hoy en día.

Eso sí, esto no viene sin sus consecuencias. Veamos algunos puntos que pueden afectar:

• Primero tenemos el problema de la privacidad de los datos. La información financiera es una de las áreas más reguladas y delicadas, vendrán regulaciones por parte de los gobiernos y actores para controlar dónde y cómo se usa la información. La pregunta es ¿qué tan lentos serán los reguladores en actuar y será muy tarde?
• Sesgo, los modelos son tan buenos como la data con que son entrenados. Y normalmente los datos que alimentamos hoy en día a los modelos de IA son generados o procesados por personas y las personas tienen sesgos. Esto ya se ha visto reflejado en varios modelos de LLM y es una de las mayores preocupaciones del futuro de esta tecnología. Por ejemplo, si eres una persona que viene de un estrato social bajo, el agente podría sólo elegir acciones para ser conservador o ahorrar y evitará riesgos minimizando las oportunidades de ganar más.

"Las discusiones recientes han hecho que parezca como si la IA hubiera inventado el sesgo en los préstamos", dijo. "Pero todo lo que ha hecho la modelación computacional es cuantificar el sesgo y hacernos más conscientes de ello." Sian Townson, directora en la práctica digital de Oliver Wyman.

• Desbalance en el acceso de información. Si el acceso a un asesor financiero o la experiencia en finanzas ya no son obstáculos principales para invertir, ¿dónde residirá la ventaja competitiva?. En la información con que alimentamos a los modelos, en la actualidad obtener información financiera de calidad ya tiene un costo y a medida que los modelos de IA y LLM financiero vayan creciendo este costo seguirá aumentando, ya que entre mejor información mejor son las decisiones que podrán tomar los modelos.
• Desestabilización de los mercados. Imaginen el caso de GameStop multiplicado por varios órdenes de magnitud y velocidad. Con el acceso a estas tecnologías no todo el mundo jugará con las reglas y esto puede hacer que el mercado se desestabilice mucho más rápido. Por eso es importante que los reguladores vayan al mismo paso o adelante que estas tecnologías.

Mejor compliance y detección de fraudes

La detección de fraudes ha sido una de las aplicaciones más exitosas de IA en el mundo financiero. Sin embargo, hasta ahora requería que la información fuera procesada y formateada para su uso por los modelos actuales. Ahora con IA y LLM los datos no necesitan estar estructurados lo que hace más rápido el proceso.

Además estos modelos se pueden conectar con múltiples sistemas con datos dispares y hacer relaciones entre ellos sin la necesidad de la intervención humana.

En el futuro los sistemas de IA Generativo serán capaces mucho más capaces ofreciendo:

• Hacer mejores detecciones de fraudes y riesgos en menor tiempo, permitiendo al personal de compliance dar respuestas más rápidas y mejor informadas.
• Hacer procesos de documentación de KYC (Know your customer) de forma eficiente y automatizada, obteniendo los datos y validando contra distintas base de datos sin la acción de una persona.
• Mejor entrenamiento a personal de compliance, simulando distintos escenarios y presentando distintos casos adaptados a los requerimientos de cada empresa.

Claro como siempre esto no viene sin riesgos. Los malos actores también tendrán acceso a esta tecnología y podrán entrenar modelos para engañar o pasar sin detección, será una competencia constante entre las empresas y los malos actores para ver quien se mantiene adelante.

Un dato importante es que durante las últimas dos décadas, el volumen de presentación de reportes de actividad sospechosa (SAR) ha aumentado dramáticamente. Los datos de FinCEN (https://www.fincen.gov/reports/sar-stats) muestran que los volúmenes de SAR en Empresas de Servicios Monetarios (MSBs, como compañías Fintech y comerciantes de comercio electrónico) han aumentado de 700,000 por año en 2014 a 1.2 millones en 2022. Con el enfoque intensificado en las sanciones tras la invasión de Rusia a Ucrania, se espera que estos números aumenten aún más. Este tipo de casos es perfecto para la aplicación de IA Generativo y modelos de detección de fraudes.

Por ejemplo Stripe ya está usando la tecnología para detectar actores maliciosos en sus comunidades. "Solo mediante el análisis de la sintaxis de las publicaciones en Discord, GPT-4 ha estado marcando cuentas donde el equipo de fraude de Stripe debe hacer un seguimiento y asegurarse de que no sea, de hecho, un estafador actuando de forma amigable. GPT-4 puede ayudar a escanear las comunicaciones entrantes, identificando la actividad coordinada de actores maliciosos.". Eugene Mann, Product Lead, Stripe Applied Machine Learning.

Mejora en la atención y respuestas valiosas.

¿Has intentado obtener información de una transacción o el estado de un crédito a través de un call center o peor aún un Chatbot? Creo que todos podemos estar de acuerdo que no es la mejor experiencia y que muchas veces tienes que intentarlo por varios métodos y juntar la información para tener una respuesta clara.

Esto debería cambiar en el corto plazo con la aplicación de la LLMs y IA en la atención al cliente especialmente en la industria financiera.

Como hemos visto estos modelos son capaces de obtener información de varias fuentes y procesar información no estructurada lo cual es ideal para estos casos. Ya no escucharemos más la frase, lo comunicó con el departamento de créditos…; toda la información estará disponible al agente de inteligencia artificial que nos atenderá o que asistirá al operador y podrá hacer un análisis rápido y obtener realmente la respuesta que buscamos. Aunque pueda parecer poco, el costo de atención al cliente es elevado y normalmente una de las principales causas de malos comentarios en redes sociales de cualquier empresa.

Tener clientes mejor informados también puede influir en la elección de una empresa sobre otra lo que dará a las empresas que puedan implementar estos sistemas de manera rápida y eficiente una ventaja competitiva importante.

Como todo podría tener sus desventajas:

• Muchas personas podrían ponerle más peso a una atención personalizada y por un humano. En este caso los modelos podrían servir como copilotos de los agentes de atención al cliente.
• Una vez más el sesgo, si el modelo no es correctamente entrenado con data balanceada podría ofrecer peor atención digamos a un cliente con un bajo saldo en la cuenta, o que tiene historial de llamar mucho al centro de atención y es evitado.
• Lo que no está en el sistema no puede ser entrenado. Sin una completa documentación de todos los procesos y disponibilidad de los datos, los modelos no podrán dar una respuesta óptima. Por eso las empresas deben preocuparse en generar toda la documentación necesaria desde ahora para estar preparados por el cambio.

Conclusión

Estos son algunos de los ejemplos de lo que vendrá en los próximos años. Como siempre no todo es bueno, siempre existirán retos y problemas que resolver. Pero creo que si se hace de manera correcta y responsable podrá tener enormes impactos tanto a nivel de industria como en la sociedad. Que las personas tengan mayor acceso a oportunidades económicas y bajar las barreras siempre tendrá un efecto positivo en general.

Para esto las empresas del sector financiero y los reguladores tienen que tomar acciones desde ahora. Las principales que podemos destacar son:

1. Mejorar la documentación de todos los procesos e interacciones.
2. Tener la capacidad de obtener datos de forma fácil de los sistemas que están actualmente.
3. Trabajar para disminuir el sesgo y prejuicios en la data.
4. Avanzar y trabajar en regulaciones desde ahora preparándose para lo que viene en los próximos años.
5. Educar a todos en la empresa en estas tecnologías, es algo que impactará a todos los niveles.
6. Invertir en pruebas de concepto para poder evaluar de manera constante la evolución de la tecnología.
7. Tener en cuenta los límites y problemas actuales de la tecnología. Por ejemplo, muchos de estos modelos pueden inventar información, no hay formas simples de tener información en tiempo real. Hay que implementar técnicas para disminuir estos problemas y estar al tanto de las limitaciones.
8. Tomar en cuenta regulaciones y privacidad de datos. Ser consciente de cómo se usan los datos en cada parte del proceso es vital para cumplir con las regulaciones y mantener la privacidad.
9. Tener un equipo dedicado a probar estas tecnología y a dar recomendaciones de los próximos pasos a tomar.

Para aquellos en la industria financiera, ahora es el momento de abrazar la tecnología y prepararse para el futuro. No esperes a que la ola de innovación te supere. Comienza hoy a invertir, educarte, y planificar para el futuro.

Para el consumidor común, estos avances significan más que simples mejoras tecnológicas; son una puerta hacia una experiencia financiera más empoderada y segura. Imagina un mundo donde tus preguntas financieras son respondidas en segundos con precisión y donde tienes el control y la claridad que siempre has deseado.

La infancia de estas tecnologías está dando paso rápidamente a una era de innovación y transformación aceleradas. Este futuro está en el horizonte, listo o no, y quienes se preparen y actúen con responsabilidad y visión tendrán las mejores oportunidades. En un mundo en constante cambio, la adaptación no es una opción; es una necesidad.

Algunos de los concepto que utilizamos en este artículo:

Generative AI (Inteligencia Artificial Generativa): Es una rama de la inteligencia artificial que utiliza modelos como las Redes Generativas Antagónicas (GANs) para crear contenido nuevo y original, como imágenes, música o texto, basándose en datos existentes.

LLM (Modelos de Lenguaje a Gran Escala): Los LLMs son modelos de IA que han sido entrenados en grandes cantidades de texto para entender y generar lenguaje humano. Pueden realizar tareas como traducción, generación de texto, y responder preguntas en lenguaje natural.

AI (Inteligencia Artificial): Es la simulación de la inteligencia humana en máquinas. Utiliza algoritmos y modelos complejos para realizar tareas que normalmente requieren de la inteligencia humana, como la toma de decisiones, reconocimiento de patrones y aprendizaje.

Artículos para seguir la conversación:

How Fintech Can Jump on the Generative AI Bandwagon.

https://baincapitalventures.com/insight/how-fintech-can-jump-on-the-generative-ai-bandwagon/

Financial Services Will Embrace Generative AI Faster Than You Think.

https://a16z.com/2023/04/19/financial-services-will-embrace-generative-ai-faster-than-you-think/

The financial sector is adopting AI to reduce bias and make smarter, more equitable loan decisions. But the sector needs to be aware of the pitfalls for it to work.

https://www.businessinsider.com/how-the-finance-sector-uses-ai-to-make-loan-decisions-2022-8

AI in finance: How tools like ChatGPT can help with banking and even give personalized financial advice.

https://www.businessinsider.com/ai-in-finance-fintech-chatgpt-generative-tools-credit-suisse-2023-3