IA en finanzas: qué existe y qué sigue siendo IAG hipotética

El 21 de noviembre de 2024, el Banco de Inglaterra y la Financial Conduct Authority publicaron una encuesta a 118 firmas reguladas: el 75% decía usar inteligencia artificial y otro 10% planeaba hacerlo en los tres años siguientes. Los modelos fundacionales representaban el 17% de los casos de uso declarados. Son cifras de adopción de IA, no pruebas de inteligencia artificial general (IAG). Esa diferencia parece terminológica, pero cambia por completo qué puede prometer una entidad financiera, qué debe medir y quién responde cuando el sistema falla.

La pregunta útil no es si un banco, una aseguradora o un fondo «usa IAG». Es más concreta: ¿qué tarea realiza el sistema, con qué fiabilidad, cuánta autonomía tiene y qué controles rodean su decisión? Aplicado así, el lenguaje deja de vender una capacidad futura como si ya estuviera desplegada.

IA actual e IAG no son dos versiones del mismo producto

Un sistema puede superar a cualquier persona en una tarea estrecha y seguir siendo IA especializada. El marco Levels of AGI, elaborado por investigadores de Google DeepMind, separa dos ejes: rendimiento —la profundidad de la capacidad— y generalidad —la amplitud de tareas en las que alcanza ese rendimiento—. En su tabla, AlphaZero aparece como «IA estrecha superhumana»: domina juegos concretos, no el conjunto de actividades cognitivas de un profesional financiero. El mismo trabajo indica que una IAG «competente», capaz de rendir al nivel de un adulto cualificado en la mayoría de las tareas cognitivas, no había sido alcanzada por ningún sistema público en el momento evaluado.

Esta distinción corrige dos atajos frecuentes. Primero, un modelo de lenguaje que redacta, resume o extrae información no se convierte en IAG porque participe en muchos procesos. Puede ser una herramienta generalista con rendimiento desigual. Segundo, el éxito de un sistema en ajedrez, Go o simulación no demuestra que pueda trasladar por sí solo esa destreza a crédito, cumplimiento normativo o gestión de carteras. La transferencia debe medirse; no se hereda por analogía.

Tampoco hay base pública suficiente para afirmar que Bridgewater o Renaissance Technologies «invierten en IAG». Pueden emplear estadística, aprendizaje automático u otras técnicas cuantitativas, pero eso no autoriza a ascenderlas de categoría. Cuando una compañía no publica el sistema, el dato o la prueba, la formulación honesta es «no verificable», no «IAG en secreto».

Qué sí está ocurriendo en las finanzas

La IA desplegada ya tiene valor sin necesidad de llamarla general. La encuesta del Banco de Inglaterra y la FCA sitúa los beneficios percibidos más altos en análisis de datos, prevención del blanqueo y fraude, y ciberseguridad. Operaciones y tecnología concentraban alrededor del 22% de los casos de uso declarados. El Consejo de Estabilidad Financiera añade aplicaciones en evaluación de crédito, interacción con clientes, optimización de capital, gestión de riesgo de modelos, negociación, carteras, tecnología regulatoria y supervisión.

Son usos distintos y deben evaluarse por separado. Clasificar una transacción sospechosa no es lo mismo que decidir si una persona recibe un préstamo. Resumir un expediente para un analista no equivale a firmar la operación. Proponer una alerta no es ejecutar una orden de mercado. La palabra «IA» describe una familia de técnicas; no dice por sí sola cuál es la autoridad del sistema.

La propia encuesta británica ofrece un antídoto contra los titulares de adopción. El 62% de los casos fue calificado por las firmas como de baja materialidad y el 16% como de alta materialidad. Además, el 46% de las empresas declaró comprender solo parcialmente la tecnología que usaba, frente al 34% que dijo comprenderla por completo. Saber que una entidad «usa IA» dice poco si no conocemos la tarea, el impacto y el grado de dependencia.

Cuatro preguntas para leer cualquier promesa de «IAG financiera»

1. ¿Qué amplitud se ha demostrado? Pida una lista de tareas evaluadas, no una demostración llamativa. Un sistema que analiza documentos, genera código y conversa puede parecer amplio; todavía hay que comprobar si aprende tareas nuevas, reconoce cuándo necesita ayuda y mantiene el rendimiento fuera de los ejemplos preparados.

2. ¿Qué significa «mejor»? Un resultado de laboratorio puede medir precisión media, rentabilidad en una simulación o velocidad de respuesta. Ninguno demuestra por sí solo robustez ante un cambio de mercado, datos incompletos o una crisis. La comparación debe conservar el mismo eje: una mejora en extracción de texto no prueba una mejora en decisiones crediticias.

3. ¿Cuánta autonomía tiene? No es igual sugerir, ordenar, ejecutar o aprender sin aprobación. El riesgo depende tanto de la capacidad como del permiso operativo. Un modelo muy capaz dentro de un flujo con límites, revisión humana y posibilidad de reversión puede entrañar menos riesgo que un modelo más modesto autorizado a actuar a gran velocidad.

4. ¿Quién responde y cómo se revierte? Debe existir un responsable identificable, registro de entradas y salidas, procedimiento de impugnación, sistema alternativo y criterio para detener el modelo. Si estas respuestas faltan, discutir si la herramienta es «general» distrae del problema inmediato.

El mapa de riesgos ya existe

Los principales riesgos no requieren esperar a una IAG. Empiezan por datos y modelos: información incompleta, sesgos de selección, cambios de distribución, resultados difíciles de explicar y errores convincentes de los modelos generativos. En la encuesta británica, cuatro de los cinco riesgos actuales más citados estaban relacionados con datos: privacidad, calidad, seguridad y sesgo o representatividad.

El segundo nivel es la decisión sobre personas. El Reglamento europeo de IA clasifica como de alto riesgo determinados sistemas destinados a evaluar la solvencia o puntuación crediticia de personas y a valorar riesgos o fijar precios en seguros de vida y salud. La norma también distingue esos usos de sistemas empleados para detectar fraude en servicios financieros o para cálculos prudenciales previstos por el Derecho de la Unión. La lección es duradera: el riesgo se asigna por finalidad y efecto, no por el nombre comercial del modelo.

El tercer nivel es la dependencia compartida. Un tercio de los casos de uso de la encuesta británica procedía de terceros; los tres mayores proveedores concentraban el 73% de los servicios de nube declarados y el 44% de los modelos. El Consejo de Estabilidad Financiera identifica la concentración de proveedores, las correlaciones de mercado, el ciberriesgo y el riesgo de modelo, datos y gobernanza como vulnerabilidades capaces de amplificar el riesgo sistémico. Muchas entidades pueden parecer diversificadas y, sin embargo, apoyarse en la misma infraestructura o en modelos parecidos.

El cuarto nivel es adversarial. El Departamento del Tesoro de Estados Unidos documentó el 27 de marzo de 2024 brechas de capacidad entre instituciones grandes y pequeñas, escasez de datos compartidos para combatir el fraude, problemas de explicabilidad y la necesidad de mapear la cadena de suministro de datos. Un sistema financiero no solo debe acertar con datos normales: debe resistir manipulación, suplantaciones y entradas diseñadas para engañarlo.

Gobernar el sistema real, no la etiqueta

Una evaluación seria puede organizarse con las cuatro funciones del AI Risk Management Framework de NIST: gobernar, mapear, medir y gestionar. En finanzas, eso se traduce en asignar propietario y límites; describir a quién afecta la decisión; medir rendimiento, sesgo y seguridad en escenarios relevantes; y vigilar el sistema después del despliegue. El proceso es continuo porque los mercados, los datos, los ataques y los proveedores cambian.

Antes de autorizar un caso de uso conviene exigir, como mínimo, procedencia de los datos, comparación con una alternativa más simple, pruebas fuera de muestra y bajo estrés, límites de autonomía, revisión humana efectiva, registro auditable, monitorización de deriva, plan de incidente y salida del proveedor. Ningún punto depende de que llegue la IAG. Si un sistema futuro amplía de verdad su generalidad, estos controles tendrán que reforzarse, no desaparecer.

La capacidad que debe llevarse el lector es concreta: ante una promesa de «IAG financiera», separar amplitud, rendimiento, autonomía y responsabilidad. Si la evidencia solo cubre una tarea, un banco de pruebas o una demostración, estamos ante una capacidad útil pero delimitada. Nombrarla con precisión no reduce su valor; evita tomar una hipótesis sobre el futuro por una descripción del presente.