Rellene el formulario para mantenerse al día sobre temas, actividades y oportunidades de innovación en el ecosistema. Cetif
CetifMás de 30.000 profesionales componen el ecosistema: facilitamos el encuentro y el intercambio entre bancos, aseguradoras y empresas en un centro académico, un entorno competente e independiente, para compartir conocimientos, experiencias y estrategias sobre los motores de cambio más innovadores.
16 Centros de investigación centrados en dinámicas de evolución estratégica, actualizaciones normativas, prácticas organizativas y de procesos, efectos de la digitalización: estudiamos las tendencias de innovación y las mejores prácticas y las compartimos con nuestras comunidades.
Workshop Summit WebinarMás de 60 actos, entre los que se incluyen Actos principales ( y ) y Actos comunitarios (relacionados con actividades de investigación) y : reunimos a bancos, compañías de seguros y empresas para que compartan tendencias y retos con el fin de esbozar estrategias de desarrollo innovadoras.
Más de 40 cursos de Executive Education, 4 másteres y numerosos programas específicos para empresas: transmitimos contenidos innovadores orientados a las finanzas con un enfoque científico.
Una spin-off experimental que combina investigación académica y enfoque empresarial: convertimos la innovación y la digitalización en una ventaja empresarial concreta.
La Inteligencia Artificial Generativa (GenAI ) está transformando profundamente el panorama financiero. Lejos de ser una mera evolución tecnológica, esta nueva frontera marca un cambio estructural que afecta a los procesos operativos, las estructuras organizativas y los modelos de gobernanza.
Hoy, sin embargo, el panorama de los proyectos de IA en la industria refleja una clara diferenciación entre las tecnologías establecidas y los campos emergentes. Actualmente, el 68% de los proyectos de IA se centran en el aprendizaje automático, mientras que el 32% se refieren a la IA generativa. Esta diferencia también se refleja en el estado de avance: el Aprendizaje Automático se encuentra mayoritariamente en fase de plena adopción o madurez (77%), mientras que la IA Generativa se encuentra principalmente en fase de estudio (47%) o de pruebas (45%), con solo un 7% de proyectos ya en producción o en fase de lanzamiento (Fuente: Cetif Research Insight Advanced Analytics & AI Hub 2024).
Estos datos muestran cómo el aprendizaje automático está ya integrado en muchos procesos empresariales, lo que representa una base tecnológica sólida y consolidada. En cambio, la IA Generativa sigue siendo una frontera aún en fase de definición y desarrollo, con un potencial aún por explorar.
Sin embargo, el desarrollo de soluciones de IA generativa avanza a un ritmo significativamente más rápido que las anteriores oleadas tecnológicas. Esta velocidad va acompañada de una creciente complejidad en términos de gobernanza y control, que está obligando a las entidades financieras a replantearse sus estrategias de forma sistémica y consciente: desde la gobernanza de los datos hasta el desarrollo de nuevos modelos operativos y la revisión de los sistemas de control. El camino evolutivo en curso conducirá progresivamente a la adopción de arquitecturas cada vez más sofisticadas, basadas en modelos multiagente (agentic AI).
A diferencia de los modelos generalistas de tipo fundacional, diseñados para ser versátiles y aplicables a una multiplicidad de tareas, las arquitecturas multiagente se basan en la cooperación entre agentes generativos especializados, cada uno diseñado para realizar una función específica de manera eficiente, precisa y trazable.
En comparación con los modelos de propósito general, los sistemas multiagente ofrecen varias ventajas. En primer lugar, mejoran la precisión de las respuestas gracias a la especialización: cada agente puede calibrarse en un dominio de información restringido, utilizando datos y lógica optimizados para el contexto de referencia, lo que reduce el riesgo de errores o interpretaciones arbitrarias. En segundo lugar, los modelos multiagente garantizan una mayor equidad y transparencia.
La distribución de tareas entre distintos agentes facilita la identificación y el seguimiento de los pasos individuales que conducen a una decisión, lo que permite formas de explicabilidad granulares y más accesibles incluso para las funciones de control.
Otro aspecto distintivo se refiere ala adaptabilidad: en mercados dinámicos como los financieros, en los que el contexto cambia rápidamente, la capacidad de los agentes para actualizar de forma independiente estrategias y lógicas de actuación garantiza una mayor resiliencia y continuidad de la actividad. Si un componente pierde eficacia, la arquitectura es capaz de redistribuir cargas o actualizar agentes individuales sin comprometer todo el sistema.
Sin embargo, el desarrollo de modelos generativos tropieza con la necesidad de disponer de datos de alta calidad, que constituyan la base para el entrenamiento, la validación y el funcionamiento de los modelos generativos. Sin embargo, el paradigma se complica ahora por la presencia de fuentes de datos alternativas, como los datos no estructurados. Textos, documentos, registros de sistemas, imágenes, voz y contenidos de comportamiento son activos de información cruciales para el desarrollo de nuevos modelos, pero requieren rigurosos procesos de normalización, validación y trazabilidad. A esto se añade la creciente relevancia de los datos sintéticos, generados artificialmente para superar las limitaciones de privacidad o la escasez de datos reales: aunque representan un recurso estratégico, también imponen nuevos retos de gobernanza y control.
Para hacer frente a esta complejidad, las entidades financieras están revisando progresivamente sus modelos de gobernanza de datos, ampliando el alcance de las políticas de gobernanza de datos de los datos estructurados a todos los tipos de datos, adoptando reglas compartidas, indicadores de calidad medibles, herramientas de seguimiento del linaje y mecanismos de gestión del acceso. Sólo ampliando la gobernanza a estas nuevas fuentes podrán las entidades financieras explotar eficazmente los datos no estructurados y los datos sintéticos en el entrenamiento de modelos de IA. Hasta la fecha, sólo el 10% de las entidades hace un uso significativo de los datos no estructurados con este fin, mientras que ninguna emplea datos sintéticos (fuente: Cetif Research Insight Advanced Analytics & AI Hub 2024).
En este contexto, se establece el marco LLMOps (Large Language Model Operations), que representa la evolución del modelo operativo MLOps (Machine Learning Operations), adaptándose a las especificidades de los modelos generativos de base. LLMOps es un modelo que abarca todo el ciclo de vida del modelo, desde el diseño hasta el despliegue, pasando por la supervisión continua y la gestión de riesgos.
Este enfoque no se limita a la gestión técnica de los modelos, sino que introduce prácticas como la ingeniería de prontitud, la orquestación inteligente entre la nube y el borde, la integración de técnicas de generación mejorada por recuperación (RAG) y la definición de métricas para evaluar la coherencia, la fiabilidad y el riesgo de los contenidos generados.
La transición hacia lógicas LLMOps requiere, por tanto, un profundo cambio cultural dentro de las organizaciones. GenAI, de hecho, requiere una transformación organizativa que implique a todas las funciones, desde el negocio hasta los controles internos, de forma coordinada, teniendo en cuenta que para el éxito de las soluciones generativas desarrolladas, cada parte interesada interna desempeña un papel crucial. Un ejemplo emblemático es la gestión de las solicitudes, que se convierte en una actividad fundamental, ya que la calidad de los resultados depende en gran medida de cómo se formulen las solicitudes al agente.
Además, la naturaleza probabilística de la GenAI, caracterizada por un comportamiento emergente y a veces imprevisible, hace que los sistemas de control estáticos tradicionales resulten inadecuados, lo que introduce retos sin precedentes para las funciones de control, en particular para el cumplimiento. Estas últimas deberán desempeñar un papel cada vez más estratégico a lo largo de todo el ciclo de vida de los modelos, en un contexto en el que la supervisión humana sigue siendo fundamental gracias al enfoque human-in-the-loop. No obstante, para garantizar un control eficaz, será necesario reforzar la colaboración entre los expertos en cumplimiento normativo y los equipos de desarrollo, fomentando las competencias transversales y los procesos compartidos de supervisión, calibración y validación continua de los modelos generativos.
En última instancia, la adopción de GenAI en el sector financiero no puede abordarse como un simple reto tecnológico, sino que requiere una transformación sistémica que combine la evolución operativa, la innovación del modelo de control y una cultura organizativa renovada. El éxito del despliegue de arquitecturas multiagente y marcos LLMOps dependerá de la capacidad de las instituciones para integrar conocimientos heterogéneos, redefinir la gobernanza de los datos y desarrollar mecanismos de supervisión adaptativos capaces de responder a la naturaleza dinámica y probabilística de estos sistemas. En este contexto, sólo un enfoque colaborativo, responsable y concienzudo podrá garantizar un uso responsable de la GenAI.