Cerrar panel

Cerrar panel

Cerrar panel

Cerrar panel

Regulación financiera Act. 23 nov 2017

Inteligencia artificial, la próxima frontera para la regulación bancaria

El Consejo de Estabilidad Financiera —FSB, por sus siglas en inglés—, organización internacional formada por supervisores bancarios nacionales y regionales plantea en un informe reciente la necesidad de que la normativa de estabilidad financiera amplíe su espectro de actuación hacia áreas como la inteligencia artificial y el ‘machine learning’.

a-0811-bancaai-bbva

Como toda nueva tecnología, la inteligencia artificial (IA) supone una oportunidad, pero también conlleva nuevos riesgos. Así, la IA puede ayudar al sector financiero a reducir costes, mejorar su rentabilidad y ampliar la gama de opciones de sus clientes.

No obstante, el informe alerta de que el uso generalizado de estas tecnologías en sectores como la banca y los seguros también podría acarrear riesgos para la estabilidad financiera por una mayor interdependencia entre las entidades que hagan uso de esta tecnología y la dependencia del sector de empresas tecnológicas que escapan al control de los reguladores.

El análisis del FSB revela una serie de “posibles beneficios y riesgos para la estabilidad financiera que deben monitorearse a medida que se adopta la tecnología en los próximos años y a medida que se dispone de más datos”. Estas son las conclusiones del supervisor:

  • El procesamiento más eficiente de la información puede contribuir a un sistema financiero a su vez más eficiente. El uso de las aplicaciones de inteligencia artificial y ‘machine learning’ por parte de los reguladores y supervisores puede ayudarles a mejorar el cumplimiento normativo y aumentar la eficacia de la supervisión.
  • Las aplicaciones de IA y ‘machine learning’ podrían dar lugar a formas nuevas e inesperadas de interconexión entre los mercados financieros y las instituciones, por ejemplo, basadas en el uso de fuentes de datos comunes no usadas anteriormente.
  • Los efectos de escalabilidad de las nuevas tecnologías pueden en el futuro crear dependencias de terceros. Esto, a su vez, podría conducir a la aparición de nuevos jugadores sistémicamente importantes que podrían quedar fuera del perímetro regulatorio.
  • La falta de interpretabilidad o auditabilidad de los métodos de IA y ‘machine learning’ podría convertirse en un riesgo a nivel macro.
  • Será importante evaluar la introducción de protocolos relevantes sobre privacidad de datos, riesgos de conducta y ciberseguridad.

La IA, reto y aliado de los reguladores

De hecho, tal como recoge la agencia de noticias Reuters, el FSB advierte que el crecimiento exponencial de la IA plantea la posibilidad de una creciente influencia de los actores tecnológicos externos sobre el sistema financiero. Asimismo, el ritmo de avance tecnológico añade un grado de complejidad adicional a la hora de definir normas duraderas para regular la actividad de la IA, que está llamada a revolucionar el sector financiero, según algunos académicos.

Por otro lado, la inteligencia artificial presenta grandes oportunidades en el ámbito ‘regtech, es decir en el aprovechamiento de la tecnología para  el cumpliento de la regulación o la detección del fraude y el lavado de dinero. Pero no solo los bancos y aseguradoras, sino los propios organismos reguladores y supervisores están recurriendo a sistemas de IA para mejorar la supervisión financiera. Asimismo, los bancos centrales confían en que la IA les ayudará a elaborar predicciones en tiempo real, utilizando tecnologías de ‘big data’ para definir sus políticas monetarias.

¿Para qué se usa la IA en banca?

En el sector financiero, se espera que la IA ayude con todo, desde la definición de productos y la segmentación de clientes, hasta la gestión de riesgos y detección de fraude, permitiendo a las entidades sacar el máximo provecho del ‘big data’, una mejor anticipación al cambio y evolucionar según sea necesario.

Por su parte, el ‘machine learning’ —aprendizaje automático— permite que las máquinas aprendan sin ser expresamente programadas. Un aprendizaje que permite identificar patrones hasta ahora difícilmente detectables y realizar predicciones basadas en datos.