Los 25 principales casos de uso de IA generativa en finanzas
Pasé una década asesorando a empresas de servicios financieros. Todas las implementaciones de IA que vi seguían el mismo patrón: proyectos piloto que parecían impresionantes en las presentaciones, pero se estancaban en producción.
Eso está cambiando. Los bancos están implementando IA generativa a escala y los resultados son medibles. Esto es lo que realmente funciona, según implementaciones que puede verificar.
Funciones financieras en empresas no financieras
1-Automatización de las funciones contables
Los models transformer especializados ayudan a las unidades financieras a automatizar funciones como la auditoría y las cuentas por pagar, incluida la captura y el procesamiento de facturas. Con funciones de aprendizaje profundo, GPT models especializados en contabilidad pueden lograr altas tasas de automatización en la mayoría de las tareas contables.
Empresas de servicios financieros
2-Finanzas conversacionales
Los models de IA generativa pueden producir respuestas más naturales y contextualmente relevantes porque están entrenados para comprender y generar patrones de lenguaje similares a los humanos. Como resultado, la IA generativa puede mejorar significativamente el rendimiento y la experiencia de usuario de los sistemas de IA conversacional financiera y chatbots al proporcionar interacciones más precisas, atractivas y matizadas con los usuarios.
Las finanzas conversacionales ofrecen a los clientes:
- Mejora de la atención al cliente
- Asesoramiento financiero personalizado
- Notificaciones de pago
- Generación de documentos, como resúmenes de inversión o solicitudes de préstamo.
Por ejemplo, Morgan Stanley emplea chatbots impulsados por OpenAI para ayudar a los asesores financieros aprovechando la investigación y los datos internos de la empresa como recurso de conocimiento.
Para más información sobre finanzas conversacionales, puede consultar nuestro artículo sobre los casos de uso de la IA conversacional en el sector de servicios financieros. Para explorar las múltiples formas en que la IA conversacional puede mejorar las operaciones de atención al cliente, consulte nuestro artículo dedicado a la IA conversacional para el servicio de atención al cliente.
3-Generación de explicaciones de denegación comprensibles para los solicitantes
La IA desempeña un papel importante en el sector bancario, en particular en los procesos de decisión de préstamos. Ayuda a los bancos e instituciones financieras a evaluar la solvencia de los clientes, determinar límites de crédito adecuados y fijar el precio de los préstamos en función del riesgo.
Sin embargo, tanto los responsables de la toma de decisiones como los solicitantes de préstamos necesitan explicaciones claras de las decisiones basadas en IA, como los motivos de la denegación de solicitudes, para fomentar la confianza y mejorar el conocimiento de los clientes para futuras solicitudes.
Se utilizó una red generativa antagónica (GAN) condicional, un tipo de IA generativa, para generar explicaciones de denegación comprensibles para el usuario. Al organizar jerárquicamente los motivos de denegación de simples a complejos, se emplea un condicionamiento de dos niveles para generar explicaciones más comprensibles para los solicitantes.
Figura 1: Explicaciones de denegación de préstamos generadas por IA1
Ejemplo real de generación de guiones
En un caso práctico, el equipo de relaciones con inversores anticipa una fuerte reacción del mercado a los resultados financieros trimestrales de la empresa y necesita preparar un guion completo y posibles preguntas de los inversores para la llamada de resultados.2
Un analista importa datos financieros del trimestre actual y de trimestres anteriores a una hoja de cálculo y utiliza una herramienta de IA generativa. A la IA se le proporciona contexto de llamadas de resultados anteriores e información específica para generar comentarios relevantes.
La herramienta de IA genera un guion para la llamada de resultados, incluidas las posibles preguntas y respuestas de los inversores. El analista da formato a este contenido en un documento de Word, destaca las preguntas clave de los inversores y lo prepara para la revisión de la dirección y la preparación del director financiero.
Back office
4-Modernización del código para sistemas heredados
Los bancos todavía ejecutan software escrito en COBOL de los años 70 y 80s. Encontrar desarrolladores que conozcan COBOL es casi imposible, pero este software gestiona transacciones críticas y no se puede simplemente apagar.
Los models de IA generativa pueden:
- Leer código heredado en COBOL, Fortran u otros lenguajes antiguos
- Convertirlo a lenguajes modernos como Python o Java
- Mantener la misma lógica empresarial mientras se mejora el rendimiento
- Generar documentación que explique lo que realmente hace el código
Goldman Sachs confirmó que la IA generativa es ahora fundamental para sus esfuerzos de desarrollo y mejora de aplicaciones. Los desarrolladores de un banco validan el código generado por IA, detectando errores antes del despliegue, pero la IA hace el trabajo pesado.
Los costes de tecnología representan aproximadamente el 10 % de los gastos de un banco típico. Acelerar el desarrollo y reducir los costes de mantenimiento mejora directamente la rentabilidad.3
5-Modernización de aplicaciones
Los bancos buscan evitar depender de software obsoleto e invierten continuamente en esfuerzos de modernización. Los models GenAI empresariales pueden convertir código de lenguajes de software heredados a otros modernos, permitiendo a los desarrolladores validar el nuevo software y ahorrando mucho tiempo.
Los empleados de Goldman Sachs confirman que la IA generativa es un aspecto importante del desarrollo y la mejora de aplicaciones.4
6-Generación automatizada de documentos
Los bancos producen miles de documentos a diario: resúmenes de inversión, solicitudes de préstamo, informes de clientes y presentaciones regulatorias. Estos documentos se basan en plantillas, pero personalizarlos lleva tiempo.
La IA generativa ahora se encarga de esto:
- Generar documentos profesionales a partir de prompts sencillos
- Extraer datos relevantes de múltiples sistemas
- Aplicar el formato adecuado según el tipo de documento y el destinatario
- Garantizar la coherencia con los requisitos normativos
7-Previsión y análisis financiero
La IA generativa mejora la previsión al aprender de datos financieros históricos para capturar patrones y relaciones complejos. Cuando se les aplica correctamente fine-tuning para bancos y contextos económicos específicos, estos models hacen predicciones sobre:
- Movimientos de precios de activos
- Trayectorias de los tipos de interés
- Probabilidades de impago de crédito
- Volatilidad del mercado
- Tendencias de los indicadores económicos
La frase clave: “fine-tuning adecuado”. Los models listos para usar alucinan y hacen predicciones confiadas basadas en patrones que no existen. Los bancos que tienen éxito con la previsión mediante IA invierten mucho en entrenar models con sus datos específicos y en validar los resultados frente al criterio de expertos.
8-Predicciones de mercado
Al analizar grandes volúmenes de datos, la IA generativa puede mejorar la precisión de las previsiones financieras, incluidos los precios de las acciones, los tipos de interés y los indicadores económicos.
Ejemplo real
Una institución financiera asiática está ejecutando una prueba de concepto (PoC) para ofrecer funcionalidad de prompt a informe a 2.000 analistas y usuarios.3
9-Generación de informes financieros
Informes automatizados
La IA generativa puede crear automáticamente informes financieros bien estructurados, coherentes e informativos a partir de los datos disponibles. Estos informes pueden incluir:
- Balances
- Cuentas de resultados
- Estados de flujo de efectivo
Esta automatización agiliza el proceso de elaboración de informes, reduce el esfuerzo manual y garantiza la coherencia, la precisión y la entrega puntual de los informes.
10- Informes basados en escenarios
La IA puede simular diferentes escenarios regulatorios y generar informes para ayudar a las instituciones financieras a garantizar el cumplimiento de todos los requisitos necesarios en diversas condiciones.
Conozca los casos de uso y ejemplos reales de generación de texto con IA.
11-Detección de fraude
La IA generativa puede utilizarse para la detección de fraude en finanzas mediante la generación de ejemplos sintéticos de transacciones o actividades fraudulentas. Estos ejemplos generados pueden ayudar a entrenar y aumentar los algoritmos de aprendizaje automático para reconocer y diferenciar entre patrones legítimos y fraudulentos en los datos financieros.
La mejor comprensión de los patrones de fraude permite a estos models identificar actividades sospechosas con mayor precisión y eficacia, lo que conduce a una detección y prevención del fraude más rápidas. Al incorporar IA generativa en los sistemas de detección de fraude, las instituciones financieras pueden:
- Mejorar la seguridad e integridad generales de sus operaciones
- Minimizar las pérdidas por fraude
- Mantener la confianza de los consumidores
Descubra cómo el software de IA legal puede ayudar a emprender acciones contra actividades fraudulentas.
Ejemplo real
Mastercard necesitaba una forma más rápida y precisa de detectar transacciones fraudulentas, ya que los defraudadores explotaban los datos de tarjetas de pago robadas. Mediante IA generativa, Mastercard analizó los datos de transacciones de millones de comercios para predecir y detectar tarjetas comprometidas, ayudando a los bancos a bloquearlas más rápido y prevenir el fraude.
Resultados:
- Duplicó la tasa de detección de tarjetas comprometidas.
- Redujo los falsos positivos en la detección de fraude.
- Aumentó la velocidad de detección de fraude en comercios.
12-Respuesta a las solicitudes de los reguladores
Como actores de un sector altamente regulado, los bancos reciben solicitudes periódicas de los reguladores.
Ejemplo real
Los bancos están ejecutando pruebas de concepto para ver si pueden usar LLMs para responder a consultas simples y menos críticas de los reguladores.3
13-Gestión de carteras
Gestión dinámica de carteras
Otra aplicación financiera de la IA generativa puede ser la optimización de carteras. Al analizar datos financieros históricos y generar diversos escenarios de inversión, los models de IA generativa pueden ayudar a los gestores de activos e inversores a identificar la gestión óptima de activos y patrimonios, teniendo en cuenta factores como:
- Tolerancia al riesgo
- Rendimientos esperados
- Horizontes de inversión.
14-Índices personalizados
Estos models pueden simular diferentes condiciones de mercado, entornos económicos y eventos para comprender mejor los posibles impactos en el rendimiento de la cartera. Esto permite a los profesionales financieros desarrollar y aplicar fine-tuning a sus estrategias de inversión, optimizar los rendimientos ajustados al riesgo y tomar decisiones más informadas sobre la gestión de sus carteras. En última instancia, esto conduce a mejores resultados financieros para sus clientes o instituciones.
15-Gestión de riesgos
Pruebas de estrés
La IA generativa puede simular condiciones extremas de mercado que no han ocurrido en los datos históricos, permitiendo a las instituciones financieras prepararse mejor para eventos poco frecuentes pero de alto impacto.
16-Modelización del riesgo crediticio
Los models de IA pueden generar perfiles sintéticos de prestatarios para probar la solidez de los models de riesgo crediticio, mejorando la precisión de la calificación crediticia y las predicciones de impago.
17-Detección de Anomaly
Los models de IA generativa pueden entrenarse para comprender los patrones normales de las transacciones y generar puntos de datos que representen valores atípicos o anomalías. Esto ayuda a identificar posibles actividades fraudulentas o patrones de transacción inusuales que podrían indicar blanqueo de capitales.
18-Datos sintéticos para el entrenamiento
Dado que las transacciones fraudulentas reales son poco frecuentes, la IA generativa puede crear ejemplos sintéticos de actividad fraudulenta, lo que ayuda a entrenar mejores algoritmos de detección.
19-Generación de datos sintéticos
Los datos financieros de los clientes son propietarios y están regulados por el RGPD, la CCPA y otras leyes de privacidad. Esto plantea problemas:
- No se pueden compartir datos con proveedores externos para el entrenamiento de models
- No se pueden utilizar datos de producción en entornos de desarrollo o pruebas
- No se puede investigar sin arriesgar violaciones de privacidad
Los datos sintéticos permiten:
- Entrenar models de aprendizaje automático sin exponer información del cliente
- Probar los sistemas con volúmenes de datos realistas
- Validar models en diversos segmentos de clientes
- Compartir datos con socios para pruebas de integración
Los clientes sintéticos tienen puntuaciones crediticias, patrones de transacciones, niveles de ingresos y comportamientos financieros realistas, pero no son personas reales, por lo que no se producen violaciones de privacidad.
Dado que la información de los clientes es un dato propietario para los equipos financieros, plantea desafíos para su uso y regulación. Las instituciones financieras pueden utilizar la IA generativa para generar datos sintéticos que cumplan con las normativas de privacidad como el RGPD y la CCPA.
Ejemplo real de generación de datos sintéticos
Morgan Stanley se enfrentó al reto de optimizar las operaciones de gestión patrimonial y mejorar las interacciones entre asesores y clientes mediante herramientas avanzadas de IA, manteniendo la seguridad de los datos y minimizando los errores.
Se asociaron con OpenAI para implementar una plataforma de IA generativa que sintetiza datos de investigación. Probaron la herramienta con 900 asesores y planearon un despliegue más amplio.
20-Negociación algorítmica y estrategias de inversión
21-Análisis de escenarios
Estos models pueden simular diversos escenarios de mercado, ayudando a los operadores y gestores de carteras a comprender los posibles riesgos y rendimientos en diferentes condiciones.
Según Dimension Market Research, se prevé que el tamaño del mercado mundial de IA generativa en el trading sea de 208.3 millones de USD en 2024 y de 1.705.1 millones de USD en 2033. En 2024, se espera que el mercado crezca a una tasa de crecimiento anual compuesta (CAGR) del 26,3 %.5
22-Desarrollo de productos
Carteras de inversión personalizadas
La IA generativa puede analizar los perfiles, preferencias y objetivos financieros de cada inversor para generar carteras de inversión personalizadas. Esto es especialmente útil para los robo-advisors y las plataformas de gestión patrimonial.
Productos de seguros personalizados
La IA puede crear productos de seguro personalizados basados en perfiles de riesgo individuales, generando condiciones y estructuras de precios únicas para diferentes clientes.
23-Suscripción y fijación de precios
Models dinámicos de precios
La IA generativa puede ayudar a aseguradoras y prestamistas a desarrollar models de precios dinámicos que se ajustan en tiempo real en función de nuevos datos, condiciones del mercado y comportamiento individual del cliente.
Evaluación de riesgos
La IA puede generar diferentes escenarios de riesgo, ayudando a los suscriptores a evaluar posibles resultados y fijar primas o tipos de interés adecuados.
Aplicaciones comunes
24-Respuesta a preguntas financieras
Al aprovechar su comprensión de los patrones del lenguaje humano y su capacidad para generar respuestas coherentes y contextualmente relevantes, la IA generativa puede proporcionar respuestas precisas y detalladas a las preguntas financieras planteadas por los usuarios.
Estos models pueden entrenarse con grandes datasets de conocimiento financiero para responder a una amplia gama de consultas financieras con información adecuada, incluidos temas como:
- Principios contables
- Ratios financieros
- Análisis de acciones
- Cumplimiento normativo
Por ejemplo, BloombergGPT puede responder con precisión a algunas preguntas relacionadas con las finanzas en comparación con otros models generativos.
Figura 2. La capacidad de BloombergGPT, GPT-NeoX y FLAN-T5-XXL para recordar los nombres de los directores ejecutivos de las empresas6
25-Análisis de sentimiento
El análisis de sentimiento, un enfoque dentro del NLP, categoriza textos, imágenes o vídeos en tonos emocionales negativos, positivos o neutros. Al obtener información sobre las emociones y opiniones de los clientes, las empresas pueden diseñar estrategias para mejorar sus servicios o productos basándose en estos hallazgos.
Las instituciones financieras pueden beneficiarse del análisis de sentimiento para medir la reputación de su marca y la satisfacción de sus clientes a través de publicaciones en redes sociales, artículos de noticias, interacciones en centros de contacto u otras fuentes.
Por ejemplo, Bloomberg anunció su model generativo con fine-tuning para finanzas, BloombergGPT, capaz de realizar análisis de sentimiento, clasificación de noticias y algunas otras tareas financieras, superando con éxito los benchmarks.
Figura 3: Cómo se desempeña BloombergGPT en dos grandes categorías de tareas de NLP: específicas de finanzas y de propósito general7
Desafíos de la IA generativa en el sector financiero y consejos para superarlos
- Precisión de los datos: “Aunque la IA mejora enormemente el procesamiento y la generación de datos, puede ser propensa a problemas importantes de calidad de los datos”, como afirma el Banco Central Europeo. Existe la posibilidad de que los datos sesgados e inexactos utilizados para entrenar foundation models produzcan resultados con más errores. Al alimentar los foundation models, la calidad y la precisión de los datos son factores cruciales.8
- Sesgo en los models: Los models de IA pueden heredar sesgos de los datos con los que se entrenan, lo que da lugar a decisiones injustas o sesgadas, especialmente en áreas como la calificación crediticia o las recomendaciones de inversión.
- Para detectar dicho sesgo de la IA, las empresas pueden adoptar una plataforma de IA responsable.
- Generalización limitada: Las empresas pueden optar por large language models ya preparados o por hacer fine-tuning de LLMs para sus casos de uso. Es posible que los models listos para usar no funcionen bien en contextos financieros específicos y altamente especializados sin un fine-tuning adecuado, lo que podría dar lugar a resultados inexactos o irrelevantes.
- Adopte herramientas LLMOps para construir, probar, supervisar y hacer fine-tuning de sus LLMs de forma más eficaz.
- Alucinaciones: La IA generativa puede producir información inexacta o inventada, lo cual es arriesgado en finanzas, donde las decisiones se basan en datos precisos, y puede llevar a un mal asesoramiento de inversión o a incumplimientos normativos.
- Aplique herramientas de seguridad de LLM e IA extractiva para superar este problema y garantizar la precisión del model.
- Normativas: El sector financiero está altamente regulado y la IA debe cumplir normas estrictas de transparencia, rendición de cuentas y uso de datos, lo que plantea retos para garantizar el cumplimiento de marcos legales en evolución.
- Implemente herramientas de gobernanza de la IA y cree un inventario de IA para garantizar el cumplimiento de la IA.
- Seguridad de los datos: Los datos financieros son sensibles, y garantizar que los sistemas de IA los manejen de forma segura, evitando filtraciones o usos indebidos, es crucial para mantener la confianza de los clientes y evitar sanciones regulatorias.9
Añadir como fuente preferidaGasto en IA generativa y expectativas del mercado
Las simulaciones y previsiones financieras elaboradas con la ayuda de la IA generativa empresarial son beneficiosas para el trading, la gestión de carteras y los mercados financieros. A pesar de sus muchas ventajas, como el ahorro de tiempo, los grandes conjuntos de datos y la potencia de cálculo, puede funcionar mal y exponer datos sensibles, lo que plantea riesgos de seguridad. Estos retos pueden afectar específicamente a los procesos financieros y a la función financiera en general.
- Para 2030, se espera que el sector bancario gaste 84.99 mil millones de dólares estadounidenses en inteligencia artificial generativa (IA), con un crecimiento notable a una tasa de crecimiento anual compuesta del 55.55 por ciento.10
- Según el McKinsey Global Institute (MGI), el uso de la IA generativa en el sector bancario podría generar una adición de valor anual de 200 mil millones a 340 mil millones de dólares, o del 2.8 al 4.7 por ciento de los ingresos totales del sector. Esta adición de valor procedería principalmente del aumento de la productividad.11
Para obtener más información sobre la automatización en el sector financiero, explore nuestro artículo sobre la automatización inteligente en banca y servicios financieros.
Cita esta investigación
Elige el formato que se ajuste al lugar donde vas a publicar. Pegar la versión con enlace en tu CMS conserva el enlace de retroceso.
@misc{dilmegani2026,
author = {Dilmegani, Cem and Ermut, Sıla},
title = {{Los 25 principales casos de uso de IA generativa en finanzas}},
year = {2026},
month = sep,
howpublished = {\url{https://aimultiple.com/generative-ai-finance}},
note = {AIMultiple. Recuperado el 2 de septiembre de 2026}
}Registro de cambios
10 actualizacionesEliminada la sección "Mejores prácticas de los bancos que lo hicieron bien".
Se actualizó la sección "Mejores prácticas para aplicar la IA generativa en la industria financiera".
Enlaces de referencia
El trabajo de Cem en AIMultiple ha sido citado por publicaciones líderes mundiales como Business Insider, Forbes, Morning Brew y Washington Post, empresas globales como Deloitte y HPE, ONG como World Economic Forum y organizaciones supranacionales como European Commission. [1], [2], [3], [4], [5]
A lo largo de su carrera, Cem trabajó como consultor tecnológico, comprador de tecnología y emprendedor tecnológico. Asesoró a empresas en sus decisiones tecnológicas en McKinsey & Company y Altman Solon durante más de una década. También publicó un informe de McKinsey sobre digitalización.
Dirigió la estrategia tecnológica y las adquisiciones de una empresa de telecomunicaciones reportando al CEO. También lideró el crecimiento comercial de la empresa de deep tech Hypatos, que alcanzó unos ingresos recurrentes anuales de 7 dígitos y una valoración de 9 dígitos desde 0 en 2 años. El trabajo de Cem en Hypatos fue cubierto por publicaciones tecnológicas líderes como TechCrunch y Business Insider.
Cem participa habitualmente en conferencias internacionales de tecnología. Se graduó en Bogazici University como ingeniero informático y tiene un MBA de Columbia Business School.
Anteriormente trabajó como reclutadora en empresas de gestión de proyectos y consultoría. Sıla tiene un máster en Psicología Social y una licenciatura en Relaciones Internacionales.
Comentarios 1
Comparte tus ideas
Tu dirección de correo electrónico no será publicada. Todos los campos son obligatorios. Los comentarios se dejan en su idioma original.
Ai tool is helping toll for understanding unknown thing and we learn more thing from AI, while using an AI we can completed easy and faster and doing things better .