El ciclo de vida del comercio actual se encuentra profundamente ligado a la precisión de los datos en cada una de sus etapas. Ilustrando esta realidad, el sistema Investment Book of Records (IBOR) se propone asegurar que los datos acerca de transacciones, posiciones y efectivo coincidan tanto con el custodio como con el sistema de Accounting Book of Records (ABOR) correspondiente. Este proceso, que incluye múltiples actores como sistemas de corredores, agentes de transferencia y partes de compensación central, requiere que las posiciones sean idénticas en todos los sistemas para ser consideradas como “procesadas de manera continua”. Sin embargo, la identificación y resolución de ejecuciones que no cumplen con esta condición sigue siendo un proceso principalmente manual, lo que genera ineficiencias significativas en la toma de decisiones.
El procedimiento usual implica que los interesados comparen puntos de datos en varios sistemas, lo que consume tiempo y produce incertidumbres en la capacidad del front office para tomar decisiones informadas. Para abordar este problema, se propone el uso de inteligencia artificial (IA) para crear y refinar continuamente datos confiables en cada etapa del ciclo de vida de las transacciones, mediante comparaciones con diferentes fuentes y actualizaciones automáticas en tiempo real.
Un ejemplo práctico de la problemática que acarrea la falta de precisión de los datos puede observarse en el caso de una acción corporativa de pago en especie (PIK), donde diferencias en la metodología de cálculo de intereses entre el sistema IBOR y el custodio pueden causar múltiples discrepancias. Una aparente simple discrepancia en la fase inicial del proceso puede resultar en una serie de roturas en la cadena descendente, involucrando a diferentes usuarios que deben investigar la misma causa raíz. Este ciclo de descoordinación no solo consume recursos, sino que crea un ambiente de ineficacia operativa.
Se requieren soluciones que hagan uso de la IA de manera continua para interrogar y validar conjuntos de datos de múltiples fuentes. De esta manera, se podrían detectar proactivamente discrepancias antes de que impacten negativamente en las transacciones. Aunque los actualizaciones impulsadas por IA deben someterse a una revisión, esta detección temprana podría acortar drásticamente los tiempos de resolución y mitigar la frustración de los usuarios.
No obstante, la implementación de IA no está exenta de desafíos. Entre ellos se incluyen la capacidad de almacenamiento de datos, las potenciales diferencias temporales con participantes externos y la materialidad de los cambios en los datos. Es crucial identificar campos y tolerancias específicas que puedan ser referenciadas para reducir el ruido y asegurar que solo las actualizaciones relevantes sean procesadas automáticamente. Además, la necesidad de mantener un histórico de auditoría podría incrementar los costos asociados al almacenamiento de datos, lo cual representa un riesgo para la eficiencia operativa en el futuro.
A pesar de estas preocupaciones, la aplicación de la inteligencia artificial se presenta como una herramienta prometedora para optimizar y validar el ciclo de vida de las transacciones financieras, generando beneficios a largo plazo, especialmente en un entorno marcado por una creciente inversión en valores privados y una complejidad de datos superior.
vía: AI Accelerator Institute
