Cuando un banco despliega un modelo de scoring de crédito basado en IA generativa, la primera pregunta ya no es técnica, es regulatoria. Desde la adopción de la IA Act en 2024, el scoring de crédito y la evaluación de riesgos figuran entre los casos de uso clasificados como de alto riesgo en Europa. Para los equipos que trabajan en finanzas técnicas, este marco cambia la forma de concebir, documentar y auditar los modelos incluso antes de su puesta en producción.
IA Act y scoring financiero: lo que los equipos técnicos deben entregar
La clasificación en categoría de alto riesgo implica obligaciones concretas. Se habla de gobernanza de los datos de entrenamiento, trazabilidad de las decisiones del modelo, gestión documentada de sesgos y transparencia ante el regulador.
También recomendado : Las últimas tendencias en seguros: lo que debe saber
En la práctica, esto significa que un científico de datos que construye un modelo de crédito ya no puede limitarse a optimizar una métrica de rendimiento. Es necesario producir una documentación técnica estructurada, comparable a un expediente de cumplimiento, que detalle los datos utilizados, las elecciones de arquitectura y los resultados de las pruebas de sesgos.
En Francia y Alemania, las autoridades nacionales han comenzado a publicar posiciones específicas sobre el uso de IA generativa en la distribución de productos financieros y el cumplimiento de KYC/AML. La tendencia es clara: los salvaguardias humanas y las auditorías de modelos se están convirtiendo en la norma. Para seguir estas evoluciones a lo largo del tiempo, se puede consultar las noticias de Finance Technique que cubren regularmente las implicaciones regulatorias para los profesionales del sector.
También recomendado : Las claves para tener éxito y desarrollar tu negocio B2B en 2024
Gestión del riesgo de modelo: una profesión en sí misma en finanzas
Desde hace algunos años, un número creciente de bancos y grandes aseguradoras están estructurando equipos dedicados a la Gestión del Riesgo de Modelo (MRM). Ya no es un tema de nicho reservado para los quants. La función se organiza en torno a perfiles híbridos, a medio camino entre la ciencia de datos, el cumplimiento y la auditoría interna.
Lo que hace concretamente un equipo MRM
El equipo MRM interviene en todo el ciclo de vida de un modelo. Valida las hipótesis antes del desarrollo, prueba las salidas en condiciones reales y monitorea la deriva del modelo después del despliegue.
- Validación inicial: verificación de la calidad de los datos de entrenamiento, pruebas de robustez en escenarios de estrés, documentación de los límites conocidos del modelo.
- Monitoreo en producción: seguimiento de los indicadores de rendimiento, detección de sesgos que aparecen con el tiempo, activación de recalibraciones cuando los resultados se desvían de los umbrales definidos.
- Auditoría periódica: revisión completa del modelo a intervalos regulares, con actualización de la documentación regulatoria e informes al comité de riesgos.
El MRM transforma la relación entre los desarrolladores de modelos y la gobernanza. Ya no se entrega un algoritmo como un producto terminado. Se entrega un modelo acompañado de un expediente de riesgo vivo, actualizado continuamente.
Chief Model Risk Officer: un puesto que se generaliza
Varias instituciones financieras han creado el puesto de Chief AI Officer o Chief Model Risk Officer, directamente vinculado a la dirección de riesgos. Esta vinculación jerárquica no es trivial. Garantiza que la gobernanza de los modelos no se limite a los equipos de TI, sino que ascienda al nivel de decisión.
Las opiniones varían sobre la madurez real de estas funciones según las instituciones, pero la dirección está tomada. Los reguladores europeos están impulsando esta estructuración, y los bancos que reclutan para estos perfiles buscan candidatos capaces de dialogar tanto con un ingeniero de machine learning como con un inspector de la ACPR.
Tokenización de activos reales e infraestructura blockchain en finanzas técnicas
La tokenización de activos (inmuebles, deuda privada, participaciones de fondos) avanza en un marco cada vez más normado. El tema ya no es experimental. Varias plataformas reguladas en Europa ahora permiten emitir e intercambiar títulos financieros en forma de tokens sobre blockchain.
Para los equipos técnicos, el desafío es doble. Primero, hay que asegurarse de que la infraestructura blockchain elegida sea compatible con los requisitos regulatorios locales (reglamento europeo sobre mercados de criptoactivos, regímenes piloto). Luego, hay que conectar esta infraestructura a los sistemas de gestión existentes: mantenimiento de registros, informes fiscales, conciliación contable.
Este último punto a menudo se subestima. La tokenización no reemplaza los procesos de back-office, los complejiza tanto como las pasarelas entre blockchain y sistemas heredados no estén aseguradas. Se observa que los proyectos que avanzan mejor son aquellos donde el equipo técnico trabaja desde el principio con el cumplimiento y las operaciones, no en silo.
Datos alternativos y big data: lo que cambia para el análisis de riesgos financieros
El uso de datos alternativos (datos satelitales, flujos de transacciones anonimizados, señales de redes sociales) en el análisis de riesgos no es nuevo. Lo que cambia es el nivel de exigencia sobre la trazabilidad y la calidad de estos datos.
Los reguladores ahora esperan una documentación precisa sobre la procedencia de los datos alternativos. Un fondo que utiliza imágenes satelitales para estimar la actividad de un puerto debe poder justificar la fiabilidad de su fuente, la frecuencia de actualización y los límites conocidos de la interpretación.
- Procedencia: contrato de licencia, cadena de recolección, cumplimiento del RGPD si los datos afectan a personas físicas.
- Calidad: tasa de datos faltantes, sesgos de cobertura geográfica o sectorial, historial disponible para el backtesting.
- Integración: capacidad para cruzar estos datos con las fuentes financieras clásicas sin crear duplicados o contradicciones en los modelos.
El big data en finanzas ya no se resume a acumular volúmenes. El valor radica en la capacidad de probar la fiabilidad de cada fuente utilizada en un proceso de decisión de inversión o gestión de riesgos.
Los próximos meses probablemente reforzarán esta convergencia entre requisitos técnicos y regulatorios. Los equipos que hayan estructurado su gobernanza de datos y modelos por adelantado serán los que desplieguen más rápido, sin bloqueos en el momento de la auditoría.