Citi, HSBC, Deutsche Bank, Standard Chartered y Barclays empiezan a utilizar IA especializada para gestionar el riesgo de divisas

La inteligencia artificial está entrando en una de las zonas más delicadas de la banca: la gestión de liquidez, la previsión financiera y el riesgo de divisas. Citi, HSBC, Deutsche Bank, Standard Chartered y Barclays figuran entre los grandes bancos internacionales que han comenzado a trabajar con Falcon Time-Series Transformer Model 2.0, un modelo especializado desarrollado por Ant International para escenarios financieros. El movimiento es especialmente relevante porque muestra hacia dónde puede evolucionar la próxima fase de la inteligencia artificial empresarial. Después de varios años dominados por grandes modelos generalistas capaces de redactar, resumir, programar o mantener conversaciones, las grandes corporaciones empiezan a desplegar sistemas mucho más especializados, entrenados y diseñados para resolver problemas concretos en los que una mejora relativamente pequeña de precisión puede traducirse en millones de euros de ahorro. En banca, uno de esos problemas es prever correctamente necesidades de liquidez y exposición a diferentes monedas. Una multinacional puede realizar miles de operaciones en dólares, euros, libras, yenes, yuanes o decenas de otras divisas cada día. Si las previsiones sobre cobros, pagos y posiciones futuras son imperfectas, la compañía puede terminar contratando demasiadas coberturas, manteniendo liquidez innecesaria o asumiendo riesgos cambiarios que posteriormente afectan a sus resultados. Ant International sostiene que una mayor precisión en estas previsiones puede reducir en más de un 60 % determinados costes relacionados con cobertura de divisas y asignación de liquidez. Ese porcentaje debe analizarse en función de cada caso concreto, pero la dirección tecnológica es mucho más importante que la cifra: la IA está dejando de ser únicamente una herramienta de productividad para empezar a intervenir en decisiones financieras centrales de las grandes organizaciones.

El salto desde la IA generalista hacia modelos financieros especializados

Durante los primeros años de la explosión de la IA generativa, gran parte de la atención empresarial se concentró en los grandes modelos de lenguaje. ChatGPT, Claude, Gemini y otros sistemas demostraron que una misma arquitectura podía ejecutar multitud de tareas. Sin embargo, un banco no necesita necesariamente que el mejor sistema para gestionar riesgo cambiario sea también capaz de escribir un artículo, generar una campaña publicitaria o mantener una conversación. Necesita que sea extraordinariamente bueno interpretando series temporales, detectando patrones, estimando escenarios futuros y trabajando con variables financieras. Falcon Time-Series Transformer Model 2.0 parte precisamente de esa idea. Ant International sostiene que los grandes modelos generalistas todavía no han conseguido una ventaja universal dentro de determinadas aplicaciones financieras y considera que los modelos especializados pueden ofrecer mejores resultados en escenarios concretos. Esta evolución puede convertirse en una de las tendencias empresariales más importantes de los próximos años: en lugar de intentar resolver todos los problemas corporativos con un único gran modelo, las empresas comenzarán a construir ecosistemas de modelos especializados, cada uno optimizado para determinados procesos. El departamento financiero puede utilizar un modelo para previsión de liquidez, otro para riesgo de crédito, otro para detección de fraude y otro para analizar documentación regulatoria. Recursos humanos puede disponer de sistemas diferentes, igual que operaciones, marketing, compras o supply chain. La empresa del futuro probablemente no tendrá simplemente “una IA”, sino una arquitectura compuesta por decenas o centenares de sistemas especializados coordinados entre sí.

Por qué la gestión de divisas es un problema perfecto para la IA

Las grandes compañías internacionales necesitan protegerse continuamente frente a movimientos de los tipos de cambio. Una empresa europea que sabe que dentro de tres meses recibirá 500 millones de dólares puede contratar instrumentos financieros para limitar el riesgo de que el dólar pierda valor frente al euro antes de recibir ese dinero. El problema aparece cuando las previsiones de tesorería no son suficientemente precisas. Si la empresa calcula que recibirá 500 millones pero finalmente recibe 400, puede haber contratado más cobertura de la necesaria. Si esperaba recibir 400 y termina recibiendo 600, una parte de la exposición quedará sin cubrir. El mismo problema se reproduce diariamente con pagos, proveedores, inversiones, deuda, salarios, operaciones intercompany y miles de movimientos internacionales. Cuanto mayor sea la compañía, mayor puede ser la complejidad. La inteligencia artificial resulta especialmente adecuada para este problema porque puede analizar enormes cantidades de información histórica, identificar relaciones entre variables y actualizar las previsiones constantemente a medida que aparecen nuevos datos. Un modelo especializado puede incorporar patrones de pagos, comportamiento de clientes, estacionalidad, movimientos históricos de tesorería, exposición por moneda y otros factores para generar previsiones dinámicas. Esto no significa que la IA deba decidir autónomamente todas las coberturas. Significa que puede ofrecer a los responsables financieros una representación mucho más precisa de aquello que probablemente ocurrirá, permitiendo tomar mejores decisiones.

Reducir el error de previsión puede valer millones

En muchos procesos empresariales se habla de inteligencia artificial en términos de productividad: cuántas horas puede ahorrar, cuántos documentos puede procesar o cuántos empleados pueden trabajar más rápido. En tesorería y gestión financiera aparece una lógica diferente. El valor puede encontrarse en aumentar ligeramente la precisión de una decisión que afecta a cantidades enormes de dinero. Imaginemos una multinacional que gestiona decenas de miles de millones de euros anuales en múltiples monedas. Una mejora relativamente pequeña en sus previsiones puede permitir mantener menos efectivo inmovilizado, utilizar menos financiación de emergencia, contratar coberturas con mayor precisión y reducir costes transaccionales. Incluso una mejora porcentualmente pequeña puede representar millones de euros. Por eso la IA especializada puede encontrar en los departamentos financieros uno de sus mercados más importantes. No necesita sustituir completamente una función humana para crear valor. Puede bastar con mejorar la calidad de una previsión, reducir errores o detectar determinadas anomalías algunas horas antes de que fueran identificadas mediante sistemas tradicionales.

La tesorería puede convertirse en uno de los departamentos más transformados por la IA

La gestión del riesgo de divisas es solamente una parte del potencial. Los mismos principios pueden aplicarse a cash flow forecasting, gestión del capital circulante, pagos, financiación, optimización de deuda, conciliación bancaria, detección de anomalías, escenarios financieros, presupuestación y planificación. Durante décadas, los departamentos financieros han trabajado con enormes cantidades de información histórica, hojas de cálculo, sistemas ERP y modelos estadísticos. Ahora pueden incorporar sistemas capaces de interpretar continuamente esos datos y recalcular escenarios casi en tiempo real. Pensemos en una compañía con operaciones en cuarenta países. Un sistema avanzado podría analizar diariamente ventas, cobros pendientes, órdenes de compra, facturas, nóminas, deuda, inventario, cambios en tipos de interés y posiciones bancarias para estimar las necesidades de liquidez de cada filial. Posteriormente podría identificar dónde existe exceso de efectivo, dónde podría producirse una necesidad de financiación y qué movimientos permitirían optimizar la posición consolidada del grupo. El CFO dejaría de recibir únicamente informes sobre lo ocurrido para disponer de sistemas diseñados para anticipar lo que probablemente ocurrirá.

La banca está introduciendo IA en el núcleo del negocio

Que entre las entidades participantes aparezcan bancos como Citi, HSBC, Deutsche Bank, Standard Chartered y Barclays tiene otra lectura. La inteligencia artificial está avanzando desde aplicaciones relativamente periféricas hacia funciones centrales de las instituciones financieras. Los primeros despliegues empresariales se concentraron con frecuencia en asistentes internos, atención al cliente, generación documental, búsqueda de información o productividad. Ahora la tecnología comienza a utilizarse en ámbitos vinculados directamente con riesgo, liquidez y decisiones financieras. Es un salto mucho más importante porque las consecuencias de un error son también mayores. Un chatbot que redacta mal un correo puede ser corregido fácilmente. Un sistema que produce una previsión incorrecta utilizada para gestionar posiciones de cientos de millones exige controles radicalmente diferentes. Por eso la siguiente etapa de implantación de IA en banca estará necesariamente acompañada por sistemas de validación, supervisión humana, auditoría, trazabilidad, control de modelos y gobierno del dato mucho más exigentes.

La ventaja competitiva puede estar en la precisión, no en el tamaño del modelo

Durante los últimos años buena parte de la competición tecnológica se ha centrado en quién construía el modelo más grande, quién utilizaba más parámetros o quién disponía de mayor capacidad de computación. La llegada de sistemas financieros especializados introduce una lógica diferente: para una empresa, el mejor modelo no es necesariamente el más grande, sino el que produce el mejor resultado económico en una tarea concreta. Si un sistema relativamente especializado mejora las previsiones de tesorería más que un enorme modelo generalista, ese sistema tiene mayor valor para el CFO. Esta idea puede transformar también el mercado de proveedores de IA. Junto a gigantes tecnológicos capaces de desarrollar grandes modelos de propósito general aparecerá un ecosistema creciente de compañías especializadas en determinadas industrias o procesos: banca, seguros, medicina, industria, energía, logística, legal, recursos humanos o construcción. Muchas de las compañías de IA más valiosas de la próxima década podrían no competir directamente con los grandes modelos generalistas, sino construir capas especializadas sobre ellos o arquitecturas completamente distintas para resolver problemas extremadamente concretos.

El ROI empieza a sustituir a la fascinación tecnológica

El anuncio también refleja otro cambio en la conversación empresarial sobre inteligencia artificial. Durante 2023, 2024 y buena parte de 2025 muchas compañías experimentaron con IA porque necesitaban entender qué podía hacer la tecnología. Ahora los consejos de administración empiezan a exigir algo diferente: resultados económicos demostrables. La pregunta está cambiando desde “¿tenemos inteligencia artificial?” hacia “¿cuánto dinero produce o ahorra nuestra inteligencia artificial?”. La gestión de divisas representa perfectamente este cambio porque permite conectar la tecnología con métricas financieras concretas. Si un sistema reduce costes de cobertura, mejora la utilización del efectivo o permite disminuir necesidades de financiación, el retorno puede calcularse. Esta evolución favorecerá especialmente los casos de uso donde exista una línea directa entre precisión algorítmica e impacto económico. Los proyectos de IA que únicamente produzcan una mejora difícil de medir pueden encontrar mayor resistencia presupuestaria, mientras aquellos capaces de demostrar ahorros, ingresos adicionales o reducción del riesgo tendrán más facilidad para recibir inversiones.

El CFO puede convertirse en uno de los grandes protagonistas de la adopción de IA

Durante la primera etapa de la revolución generativa, la conversación sobre IA estuvo frecuentemente dominada por departamentos tecnológicos, innovación y marketing. La siguiente fase puede situar al CFO mucho más cerca del centro de la estrategia. No solamente porque debe financiar las inversiones tecnológicas, sino porque la IA comienza a transformar directamente las funciones financieras que dirige. Tesorería, planificación financiera, compras, control de gestión, auditoría interna, gestión de riesgos y administración pueden experimentar una automatización profunda. Esto obligará también a modificar las competencias de los equipos financieros. El profesional del futuro necesitará entender cómo interpretar recomendaciones algorítmicas, cuestionar modelos, identificar sesgos en los datos, trabajar con escenarios probabilísticos y determinar cuándo una decisión debe permanecer bajo control humano. El dominio de Excel y ERP seguirá siendo útil, pero progresivamente dejará de ser suficiente.

lectura recomendada

Soluciones de Inteligencia Artificial Avanzada en Recursos Humanos

El riesgo será confiar demasiado en una previsión aparentemente perfecta

Cuanto mejor funcionen estos sistemas, mayor puede ser también el peligro de confiar excesivamente en ellos. Los mercados financieros están llenos de acontecimientos que no aparecen necesariamente en los datos históricos: guerras, decisiones regulatorias, crisis políticas, cambios abruptos de tipos de interés, problemas bancarios, desastres naturales o movimientos inesperados de mercado. Un modelo puede producir una previsión extraordinariamente precisa durante meses y fallar precisamente cuando aparece un escenario excepcional. Por eso la utilización de IA en riesgo financiero debe construirse alrededor de un principio fundamental: la capacidad predictiva no elimina la incertidumbre. Las organizaciones necesitarán combinar modelos, escenarios extremos, límites de exposición, validación independiente y supervisión humana. También tendrán que entender qué datos alimentan cada sistema, cómo se actualiza, qué variables utiliza y bajo qué condiciones puede degradarse su rendimiento. La inteligencia artificial puede mejorar radicalmente una decisión financiera sin convertirla en infalible.

Estamos entrando en la era de la IA vertical

El movimiento de estos grandes bancos permite observar una transformación mucho más amplia. La primera gran batalla de la inteligencia artificial se produjo alrededor de modelos generalistas. La siguiente puede desarrollarse alrededor de la especialización. Empresas financieras querrán modelos financieros; hospitales, modelos médicos; aseguradoras, modelos actuariales; fabricantes, sistemas industriales; compañías logísticas, modelos de supply chain. Cuanto más crítica sea la tarea, mayor será el valor de combinar conocimiento sectorial, datos propietarios y arquitecturas diseñadas específicamente para resolverla. Esto puede cambiar también la forma en que las empresas construyen su estrategia tecnológica. Adoptar IA ya no consistirá únicamente en seleccionar entre uno u otro gran modelo. Será necesario decidir qué capacidades deben resolverse mediante modelos generalistas, cuáles necesitan sistemas especializados, qué datos pueden utilizar, cómo se conectan con los sistemas corporativos, quién controla sus decisiones y cómo se mide el retorno de cada uno.

La entrada de Citi, HSBC, Deutsche Bank, Standard Chartered y Barclays en este tipo de soluciones anticipa, por tanto, algo mucho mayor que una mejora en la gestión de divisas. La inteligencia artificial está empezando a abandonar la periferia de las organizaciones para penetrar en los procesos donde realmente se crea, protege y asigna el capital. Cuando los modelos empiezan a intervenir en liquidez, riesgo, financiación y tesorería, la IA deja definitivamente de ser una herramienta de productividad y empieza a convertirse en una nueva infraestructura de decisión empresarial.

Para los directivos, entender esta evolución será esencial. La cuestión ya no es solamente conocer las posibilidades de ChatGPT o de los grandes modelos generativos, sino saber cuándo utilizar IA generalista, cuándo desplegar modelos especializados, qué procesos pueden automatizarse, cómo calcular su retorno y qué sistemas de control deben acompañarlos. El Curso Superior en Inteligencia Artificial para Directivos (CSIAD) de THE INTELLIGENCE Institute prepara precisamente a la alta dirección para abordar esa transformación desde una perspectiva estratégica, tecnológica, financiera y organizativa.