Servicios financieros

El comprador de servicios financieros que entra en un proyecto de IA en 2026 no se pregunta si debe desplegar LLM. LLM Suite de JPMorgan ya llega a aproximadamente 230,000 a 250,000 empleados en unos 450 casos de uso en producción, con el objetivo de alcanzar 1,000 para finales de año; Goldman Sachs, Morgan Stanley, BBVA, Citi, HSBC y la mayoría de los bancos de primer nivel han desarrollado las suyas propias. La verdadera pregunta es cómo lograr que un sistema de IA en producción supere la validación de riesgo de modelos, las pruebas de préstamos justos, la revisión de terceros de DORA y un examen de supervisión de FINRA, sin dejar de ser utilizable en la operativa diaria.

Lo que construimos y los artefactos que entregamos con ello

Nuestro enfoque consiste en construir sistemas de IA a medida para bancos, mesas de mercados de capitales, gestores de activos y patrimonios, infraestructura de pagos y fintech, y las funciones transversales de riesgo y tesorería que las supervisan, cada uno diseñado para que los artefactos que los reguladores realmente solicitan se generen junto con el sistema, en lugar de añadirse a posteriori cuando una demostración debe justificar su documentación:

• Paquetes de validación de modelos creados para abordar el «desafío efectivo» conforme a SR 11-7 y OCC 2011-12 incluso cuando el modelo tiene 70 billion de parámetros.
• Pipelines de retención que tratan los prompts y las salidas de LLM como comunicaciones comerciales bajo la norma FINRA SEA Rule 17a-4, con exportación WORM a cualquier archivo de cumplimiento que la entidad ya utilice.
• Bancos de pruebas de préstamos justos que superan una revisión de la CFPB relativa a ECOA y su impacto dispar (detallado en nuestra investigación sobre la crisis de responsabilidad en préstamos justos).
• Registros de decisiones que una auditoría de gestión de cambios según Reg SCI puede examinar sin ambigüedades.

¿Qué normativas de IA debe cumplir un sistema financiero en 2026?

Cinco regímenes supervisan simultáneamente cualquier despliegue en producción. Diseñamos frente a este conjunto normativo en evolución, no según un manual de 2021.

¿Cómo evitar que un director financiero creado con deepfake autorice una transferencia?

Un empleado de Arup en Hong Kong transfirió unos US$25 million en febrero de 2024 tras una videollamada con deepfake en la que se suplantaba al director financiero y a otros ejecutivos. La infraestructura de fraude de tesorería existente, basada en reglas de NICE Actimize y detección de presencia de 2022, no lo detectó.

Nuestro enfoque consiste en desarrollar verificación de autenticidad de vídeo y voz en tiempo real que se integra en el flujo de transferencias de tesorería, con filtros deterministas para movimientos de alto valor, de modo que el riesgo de deepfakes no dependa de que un analista bajo presión detecte un rostro sintético en una llamada de Zoom (detallado en nuestra investigación sobre la brecha de deepfake de Arup).

¿Se puede validar un LLM de 70 billion de parámetros bajo SR 11-7?

El «desafío efectivo» bajo SR 11-7 asume que un validador puede interrogar los aspectos internos del modelo; un LLM de 70 billion de parámetros invalida ese supuesto por diseño. Los bancos están respondiendo de tres maneras incompatibles, ninguna de las cuales supera un examen con éxito:

• O bien frenan el despliegue.
• O bien amplían la contratación de MRM para validadores con conocimientos de ML, un mercado incapaz de suministrar a gran escala.
• O bien discretamente confían en las afirmaciones de los proveedores.

Nuestro enfoque convierte la capa de restricciones deterministas —construida sobre un grafo de conocimiento anclado en el dominio— en el componente validado, produciendo rutas de decisión que un validador puede auditar directamente, sin necesidad de interpretar pesos de tensores.

El modelo generativo se sitúa detrás de esa capa como una entrada delimitada y no autoritativa —restringido en cuanto a sus acciones, monitorizado de forma continua y sometido a pruebas de resultados frente al banco de evaluación—, en lugar de ser tratado como un modelo validado por derecho propio. El paquete de documentación (inventario, linaje de datos, banco de evaluación, monitorización del rendimiento) se elabora en el mismo formato que los equipos de MRM ya emplean para modelos clásicos, garantizando que la evidencia sea legible durante la revisión de desafío efectivo que exige un examen horizontal.

Cada segmento se apoya en un eje regulatorio diferente

Los mercados de capitales, la gestión de activos y la banca minorista comparten el mismo problema de arquitectura, pero cada uno se apoya en un eje regulatorio distinto; por ello, construimos según el eje específico y no conforme a una plantilla genérica de «IA para servicios financieros». Localice su área operativa y la obligación que el desarrollo debe cumplir:

En qué se diferencia de plataformas, Big 4 y proveedores especializados

Cada categoría de proveedor resuelve una parte del problema; ninguno integra la totalidad de la pila técnica. Dicha integración es el trabajo en el que nos enfocamos: la diferencia entre un sistema preparado para ser aprobado por un comité de riesgos y otro que queda estancado en un entorno de pruebas.

La pila completa abarca la ontología del dominio, recuperación anclada con procedencia verificada, aplicación determinista de restricciones, controles con intervención humana donde existan riesgos fiduciarios o de protección al consumidor, registros de decisiones defendibles ante los reguladores, evaluación continua y una arquitectura segura frente a la concentración de terceros.