Por revistaeyn.com
En los próximos cinco años, la IA generativa podría cambiar fundamentalmente la gestión de riesgos de las instituciones financieras al automatizar, acelerar y mejorar todo, desde el cumplimiento (debida diligencia) hasta el control del riesgo climático, señala un reporte de McKinsey & Company.
Esta innovación permitiría que las funciones se desplacen de tareas orientadas a procesos y se asocien directamente con líneas de negocio para la prevención estratégica de riesgos, adoptando lo que comúnmente se denomina un enfoque de "girar a la izquierda", de acuerdo con el informe Práctica de Riesgo y Resiliencia preparado por McKinsey & Company.
“Al adoptar este enfoque, se liberaría a los profesionales de riesgos de asesorar a las empresas en el desarrollo de nuevos productos, tomar decisiones estratégicas, explorar tendencias y anticipar escenarios de riesgo emergentes. Esta transición también fortalecería la resiliencia y mejoraría de manera proactiva los procesos de control y riesgo”, expresó Joaquín Mejía, socio de McKinsey & Company Panamá y experto en banca.
En un momento en el que las empresas de todos los sectores están experimentando con la IA generativa, las organizaciones que no logran aprovechar el potencial de la tecnología corren el riesgo de quedarse atrás en eficiencia, creatividad y compromiso con el cliente. El reporte también recomienda que, desde el principio, los bancos tomen en cuenta que el paso del piloto a la producción lleva mucho más tiempo para la IA genérica que para la IA clásica y el aprendizaje automático.
Al seleccionar casos de uso, las funciones de riesgo y cumplimiento pueden verse tentadas a utilizar un enfoque aislado. En cambio, tendrían que alinearse con la estrategia y los objetivos de IA generativa de toda la organización.
Uno de los avances más significativos podría ser la creación de centros de inteligencia de riesgos impulsados por IA y gen-IA que sirvan a todas las líneas de defensa (LOD): negocios y operaciones, funciones de riesgo y cumplimiento, y auditorías. Estos centros proporcionarían informes automatizados, mayor transparencia en los riesgos y eficiencia en la toma de decisiones relacionadas con los riesgos.
Entre las aplicaciones prometedoras de la generación de IA en instituciones financieras, destacamos áreas clave de adopción inicial, que incluyen cumplimiento normativo, delitos financieros, riesgo crediticio, modelado y análisis de datos, riesgo cibernético y riesgo climático.
Cumplimiento normativo. Las empresas están utilizando la IA genómica como un experto virtual en normativa y políticas, capacitándola para responder preguntas sobre regulaciones, políticas empresariales y directrices. El técnico también puede comparar políticas, regulaciones y procedimientos operativos. Como acelerador de código, puede verificar el código en busca de brechas y desalineaciones de cumplimiento. Puede automatizar la verificación del cumplimiento normativo y proporcionar alertas sobre posibles infracciones.
Delito financiero: Gen AI puede generar informes de actividades sospechosas basados en información de transacciones y clientes. También puede automatizar la creación y actualización de las calificaciones de riesgo de los clientes en función de los cambios en los atributos de "conozca a su cliente". Al generar y mejorar el código para detectar actividades sospechosas y analizar transacciones, la tecnología puede mejorar el monitoreo de transacciones.
Riesgo crediticio: Al resumir la información del cliente (por ejemplo, transacciones con otros bancos) para informar las decisiones crediticias, la IA genética puede ayudar a acelerar el proceso crediticio de un extremo a otro de los bancos. Tras una decisión de crédito, puede redactar la nota de crédito y el contrato. Las instituciones financieras están utilizando la tecnología para generar informes de riesgo crediticio y extraer información de los clientes a partir de notas de crédito. Gen AI puede generar código para obtener y analizar datos crediticios para obtener una visión de los perfiles de riesgo de los clientes y generar estimaciones de probabilidad de incumplimiento y pérdida a través de modelos.
Modelado y análisis de datos: Gen AI puede acelerar la migración de lenguajes de programación heredados, como el cambio de SAS y COBOL a Python. También puede automatizar el seguimiento del rendimiento del modelo y generar alertas si las métricas quedan fuera de los niveles de tolerancia. Las empresas también están utilizando AI para redactar documentación de modelos e informes de validación.
Riesgo cibernético: Al verificar las vulnerabilidades de ciberseguridad, la generación de IA puede usar lenguaje natural para generar código para reglas de detección y acelerar el desarrollo de código seguro. Puede resultar útil en “equipos rojos” (simulando estrategias adversas y probando escenarios de ataque). El técnico también puede actuar como experto virtual para investigar datos de seguridad. Puede hacer que la detección de riesgos sea más inteligente al acelerar y agregar información y tendencias de seguridad a partir de eventos de seguridad y anomalías de comportamiento.
Riesgo climático: Como acelerador de código, la IA generativa puede sugerir fragmentos de código, facilitar las pruebas unitarias y ayudar en la visualización de riesgos físicos con mapas de alta resolución. Puede automatizar la recopilación de datos para las evaluaciones del riesgo de transición de las contrapartes y generar señales de alerta temprana basadas en eventos desencadenantes. Como experto virtual, la IA generativa puede generar automáticamente informes sobre temas ambientales, sociales y de gobernanza (ESG) y secciones de sostenibilidad de los informes anuales (consulte la barra lateral, “Cómo la IA generativa puede acelerar las evaluaciones de riesgos climáticos de las instituciones financieras”).
La incorporación de la IA generativa en estos roles ha permitido una segunda ola de casos de uso emergentes en otros aspectos de la gestión de riesgos, incluyendo la optimización del riesgo empresarial, la evaluación de la adecuación del capital, la modelización de la adecuación del capital y el riesgo operativo.
Mejía destaca que, para garantizar una implementación efectiva y responsable de la IA generativa en los grupos de riesgo y cumplimiento, es crucial que comprendan la necesidad de nuevos controles y gestión de riesgos, así como los requisitos de datos y tecnología, y la importancia de un nuevo modelo operativo y talento especializado.
