INTELIGENCIA ARTIFICIAL
Lisandro Nasini( Nasini S. A.) y Diego Viruega( Primary). el de una persona”. Esa capacidad de análisis masivo, combinada con monitoreo en tiempo real, redefinió la escala a la que pueden operar tanto empresas como inversores. Sin embargo, el consenso es claro: la IA no toma decisiones por sí sola.“ La tecnología es el motor, no el piloto”, resumió Tarallo. El valor aparece cuando esa potencia analítica se combina con criterio humano, capaz de interpretar contextos y definir estrategias. Aunque los mercados financieros ya convivían con algoritmos desde hacía décadas, la irrupción de modelos generativos marcó un punto de inflexión. Sebastián Ferro, CIO de A3, lo explicó en términos de arquitectura:“ El algoritmo tradicional opera en un espacio cerrado y determinístico. Si ocurre A, se ejecuta B. Lo que cambia con la IA generativa es que ahora podemos procesar información no estructurada y conectar sistemas de forma mucho más fluida”. Ese salto implicó que ya no se tratara sólo de ejecutar órdenes con eficiencia, sino de interpretar señales complejas – como noticias o eventos geopolíticos – e incorporarlas en tiempo real al proceso de decisión. Como ejemplificó Viruega, un sistema tradicional“ es ciego al contexto”, mientras que la IA podría advertir cambios en el escenario y sugerir ajustes en la estrategia. El impacto también se hizo visible en áreas críticas como la infraestructura de mercado. Ferro subrayó que el mayor efecto tangible se da en la gestión de riesgos, la vigilancia y la ciberseguridad:“ Hoy usamos IA para detectar anomalías de comportamiento o intentos de fraude con una velocidad que antes era impensable”. En ese sentido, la tecnología permite pasar de un enfoque reactivo a uno predictivo frente a incidentes operativos.
Implementación, datos y riesgos Más allá del mercado de capitales, la IA también avanzó en las áreas financieras de las empresas, especialmente en reporting, control y automatización de procesos. Según relató Lisandro Nasini, director ejecutivo de Nasini S. A., uno de los principales beneficios es la eficiencia operativa:“ Todo lo que es control, automatizar procesos y validar datos es eficiente”. En la práctica, esto se tradujo en reducción de costos y tiempos.“ El CFO tenía todo un sistema de reporting hecho con Power BI, y ahora se automatizaron un montón de consultas y visualizaciones que se hacen con IA”, detalló. Este tipo de aplicaciones agiliza la generación de información y mejora la disponibilidad de datos para la toma de decisiones.
Sin embargo, Nasini advirtió que el impacto en la predictividad no fue automático.“ No sé si la IA impacta directamente en la predictibilidad. Lo que hace es darte herramientas para hacer mucho más eficiente el flujo de captura, análisis y resultados”, afirmó. La mejora, entonces, está en la calidad y velocidad del proceso más que en la capacidad de anticipación. A pesar del entusiasmo, los resultados son dispares. Apenas una pequeña porción de los proyectos logró un impacto concreto. Para Ferro, la explicación está en la implementación:“ El éxito no depende del modelo, sino de la implementación y la integración”. Muchos desarrollos quedaron aislados, sin conexión con los sistemas críticos.“ Si el proyecto no resuelve desde el primer día temas de interoperabilidad, latencia y escalabilidad, termina siendo una anécdo-
71