El verdadero reto del retorno de la inversión de la IA en las finanzas: precisión, confianza y el impuesto de verificación

La era de «moverte rápido y romper cosas» ha llegado a su fin en el sector financiero.

El famoso axioma de Mark Zuckerberg , «Muévete rápido y rompe cosas», definió una década de tecnología.¹ Sin embargo, a medida que la inteligencia artificial comienza a penetrar en sectores de alto riesgo como la sanidad, el derecho y las finanzas, los profesionales están aprendiendo que este axioma no solo es inadecuado, sino que es un anatema.

En nuestro ámbito de las finanzas y el riesgo, donde se toman decisiones importantes basadas en datos, la velocidad sin precisión es un inconveniente. «Romper cosas» no encaja bien con las responsabilidades fiduciarias, la supervisión regulatoria o las evaluaciones de riesgo de la cartera. En las finanzas, al igual que en el derecho y la medicina, el costo de equivocarse específicamente supera con creces el beneficio de ser rápido en general.

Este crudo cálculo ha creado una paradoja definitoria en el mercado. La adopción de la IA se está acelerando, pero la confianza sigue siendo la limitación definitiva a la hora de ampliar su escala. 

Según una reciente Clarity AI a participantes en los mercados financieros, el 57,8 % ya utiliza la IA o tiene previsto adoptarla para la sostenibilidad en los próximos 12 meses. El principal caso de uso citado es el procesamiento de datos de sostenibilidad (66,9 %), una tarea para la que la precisión es fundamental. Sin embargo, el 68,6 % y el 37,2 % de los encuestados citan la precisión y la explicabilidad, respectivamente, como sus principales preocupaciones.

Si bien la IA generativa promete procesar datos a la velocidad del mercado, crea una responsabilidad de caja negra: si no se puede verificar el resultado, no se atreve a utilizarlo. Hemos entrado en una fase en la que la principal barrera para el retorno de la inversión en IA ya no es la potencia de cálculo, sino la confianza y el coste prohibitivo de verificar el resultado.

El «impuesto de confianza y verificación»

A esta fricción la llamamos «impuesto de confianza y verificación». Es la responsabilidad oculta de la eficiencia de la IA, resultado del error de aplicar herramientas de uso general a problemas específicos.

Imaginemos que, como parte del proceso de investigación previo a la inversión, un analista tiene la tarea de analizar toda la información corporativa divulgada por una empresa para crear un perfil de riesgo de sostenibilidad para su gestor de cartera. Esta parece una oportunidad ideal para la automatización mediante IA. Utilizando el modelo de lenguaje grande (LLM) general de su elección, una tarea que de otro modo llevaría tres horas se completa en menos de 30 minutos.

Sin embargo, el analista pronto detecta valores erróneos. La empresa está extrayendo una cantidad de agua equivalente al volumen del lago Superior debido a una interpretación incorrecta de una unidad «KM3». Su valor de emisiones de alcance 2 es superior al total de emisiones de Alemania. Algo ha salido mal. Dedican las siguientes cuatro horas a intentar desglosar y validar los resultados de la IA, cuya dificultad se ve agravada por la falta de transparencia y explicabilidad de las fuentes.

El problema radica en la arquitectura de los propios modelos. Los LLM de uso general se basan en un corpus masivo de datos, una mezcla caótica de fuentes que incluye hilos de Reddit, artículos de opinión y datos de baja calidad. Cuando se le hace una pregunta a un modelo general, este está, en efecto, rastreando este océano de datos. El hecho de que ocasionalmente consiga captar ideas o datos verdaderamente especializados es algo fortuito.

En la escritura creativa, esta amplia fluidez es una ventaja. En las finanzas, es una trampa.

Tratar la verdad como una limitación

En situaciones de alto riesgo en campos especializados (por ejemplo, finanzas, medicina, derecho), la presencia de dos elementos es fundamental para obtener ganancias reales en eficiencia y evitar la trampa antes mencionada: capacidades especializadas y transparencia. Sin ellos, la «eficiencia» de la IA es una fachada que se derrumba bajo el peso de las alucinaciones y la pesada tarea de la limpieza manual.

El copiloto analítico Clarity AIofrece un ejemplo convincente del poder de la inteligencia especializada. A diferencia de herramientas de uso general como Gemini o ChatGPT, que obtienen información a partir de un vasto océano de datos generales, las herramientas Clarity AIoperan en un entorno «limpio». Gracias a una arquitectura de generación aumentada por recuperación (RAG), el copiloto Clarity AI solo tiene acceso a información relevante para el análisis de sostenibilidad: divulgaciones corporativas, metodologías y datos estructurados validados.

Si bien esto significa que no podrá proporcionar a los usuarios una receta para la cena del domingo, también significa que está libre de datos contaminantes de baja calidad que conducen a los costosos errores de una herramienta de uso general.

Sin embargo, una dieta de datos limpia solo resuelve la parte de la ecuación relacionada con la entrada . Para eliminar realmente la «carga de verificación» en la parte de la salida , el modelo debe mostrar su trabajo. Las herramientas Clarity AIfuncionan según una estricta política de «sin enlace, sin tinta». Si el copiloto no puede corroborar un dato específico con una fuente verificable, admite su falibilidad con una frase que rara vez se oye en el ámbito de las herramientas de IA: «No encuentro pruebas para responder a esa pregunta». A diferencia de las herramientas generalistas, su objetivo no es la fluidez conversacional, sino la auditabilidad, proporcionando información fiable con un enlace directo a la fuente para su verificación con un solo clic.

Esta filosofía de transparencia radical va más allá de las simples citas y se extiende a la lógica central de nuestros motores de extracción de datos impulsados por LLM. En el caso de métricas complejas, no basta con presentar un valor y un número de página; el usuario también debe comprender cómo se ha obtenido ese valor. Por ejemplo, un Clarity AI entrenado para extraer la composición de los consejos de administración genera una defensa paso a paso de su cálculo, exponiendo las transformaciones que se producen entre bastidores y que a menudo quedan ocultas en las divulgaciones no estructuradas:

La divulgación indica directamente que el Consejo está compuesto por siete consejeros. También indica que la estructura de gobierno incluye dos consejeros independientes, que utilizamos como recuento independiente. El porcentaje independiente (28,57 %) se calcula a partir de los recuentos comunicados directamente (2 de 7).

Conclusión: Pruebas por encima de promesas

En 2026, el mercado de los usuarios de IA se dividirá. Un grupo de empresas seguirá luchando con la «carga de la verificación», creando flujos de trabajo precarios sobre modelos de uso general que requieren una supervisión constante y costosa. Estas empresas descubrirán que sus «ganancias en eficiencia» se ven mermadas por la necesidad de verificar cada resultado con la realidad. Los KPI y los OKR se verán afectados, los proyectos piloto fracasarán, los jefes harán preguntas difíciles y sus empresas serán incluidas de forma ignominiosa en las estadísticas que acaparan los titulares sobre el fracaso de las empresas a la hora de escalar la IA. 

El grupo ganador cambiará la amplia fluidez de los generalistas por la integridad verificable de la especialización. Estas empresas implementarán herramientas de IA diseñadas específicamente y listas para ser auditadas que tratan la verdad como una restricción, no como una sugerencia. Reconocerán que, en el ámbito de las finanzas, donde hay mucho en juego, la confianza no es una habilidad blanda, sino una métrica dura. Ahorrarán tiempo y dinero, y superarán a sus competidores tanto en innovación como en rendimiento al desbloquear nuevos vectores para la creación de valor.

El éxito recaerá en aquellas empresas que cumplan con este nuevo estándar, aquellas que exijan pruebas en lugar de promesas. A medida que pasamos de la era de «movernos rápido y romper cosas» a «movernos con inteligencia y construir cosas», la clave para crecer ya no es la velocidad del procesador, sino la integridad del proceso.