Acerca de Andrei Serjantov: Director de Mercados Globales Digitales en BNP Paribas CIB, donde lidera la transformación digital y AI en el sector de la banca de inversión.
Acerca de BNP Paribas CIB: La división de banca corporativa e institucional de BNP Paribas (con unos ingresos del grupo de aproximadamente 46 000 millones de euros), que presta servicio a más de 13 000 clientes corporativos e institucionales en todo el mundo.

Acerca de Nathalie Beslay: directora ejecutiva y cofundadora de naaia, una emprendedora del sector RegTech especializada en ayudar a las organizaciones a gestionar AI dentro de estrictos marcos normativos.
Acerca de naaia: Compañia tecnológica especializada Compañia una plataforma SaaS (AIMS – AI System) para AI , el cumplimiento normativo y la supervisión AI ; se centra en salvar la brecha entre la normativa estática y AI dinámicos AI .

Acerca de Cyril Cymbler: Director de Servicios Financieros para la región EMA en Databricks, experto en la transformación de data financieros sin procesar data Data para generar valor.
Acerca de Databricks: Líder mundial en data AI Data ), con un valor estimado de unos 43 000 millones de dólares (2023), cuyo objetivo es unificar data, análisis e AI casos de uso empresariales.

¿Por qué es tan urgente reinventar ahora mismo data de confianza y data en el sector financiero?

Cyril Cymbler: Esta necesidad viene determinada por tres factores. En primer lugar, el crecimiento exponencial de data estructurados y no estructurados data gestionar cargas de trabajo masivas para crear agentes robustos. En segundo lugar, el sector está pasando de la «inteligencia general» (ChatGPT estándar, con una precisión de alrededor del 55 %) aData (motores de análisis estructurados, con una precisión y conversión superiores al 80 %). En tercer lugar, la gobernanza es innegociable; sin data estricta, incluso los mejores modelos de aprendizaje automático fracasan debido al principio de «si entran datos erróneos, salen datos erróneos».

Andrei Serjantov: El objetivo es la eficiencia, el alcance y la capacidad. AI los bancos ejecutar las tareas existentes con mayor rapidez, cubrir un espectro más amplio de riesgos (abarcando los riesgos A, B y C, en lugar de solo el A) y llevar a cabo tareas que antes eran imposibles, como el análisis de grandes volúmenes de documentos para la evaluación del sentimiento en el análisis de valores.

¿Cuáles son los casos de uso concretos y de gran impacto que se están aplicando en la banca de inversión?

Andrei Serjantov: Más allá de las utilidades genéricas (programación, traducción), BNPP se centra en una profunda integración vertical. En el ámbito del análisis de renta variable y renta fija, hay más de una docena de casos de uso que están transformando el proceso de elaboración de documentos. Los flujos de trabajo de los clientes se han mejorado considerablemente, ya que los modelos de lenguaje grande (LLM) redactan las respuestas a las confirmaciones de operaciones de los clientes. La estrategia es omnipresente: ahora resulta más difícil encontrar áreas que no utilicen AI aquellas que sí lo hacen.

¿Cómo abordan las organizaciones los retos específicos que plantean AI «agente» AI la normativa estática?

Nathalie Beslay: El conflicto fundamental radica en que la normativa (como la AI de la UE) es estática, mientras que AI agentiva AI dinámica. El reto consiste en clasificar a los agentes según definiciones normativas estrictas ( AI de propósito general AI AI ). Además, dado que los agentes son autónomos, las empresas deben gestionar de forma rigurosa las funciones y las «habilitaciones» (permisos) para garantizar que los agentes interactúen de forma segura con los entornos humanos y digitales.

¿Cómo debería llevar a cabo un banco, desde el punto de vista técnico, una reinvención de su AI «de cero a uno»?

Cyril Cymbler: La ejecución requiere un enfoque empresarial basado en tres pilares: crecimiento, protección (riesgo/cumplimiento normativo) y eficiencia de costes. Desde el punto de vista tecnológico, la plataforma debe sercloud para cumplir con la normativa DORA sobre data ), de código abierto (garantizando data ) y gobernada ( data estricto que permita a los auditores rastrear la creación de los productos). Por último, AI democratizarse, permitiendo a los líderes empresariales consultar data lenguaje natural sin depender de especialistas técnicos.

¿Cómo se pone en práctica AIIA AI(cumplimiento normativo, ética y responsabilidad)?

Nathalie Beslay: La fiabilidad se sustenta en tres pilares: el cumplimiento normativo (obligatorio), la ética (centrada en las personas) y la responsabilidad (rendición de cuentas). naaia lo pone en práctica mediante un enfoque SaaS centrado en la gobernanza (diseño de funciones y árboles de decisión), la integración (incorporación de pruebas y supervisión en los sistemas informáticos) y la ejecución (aplicación de la documentación). La gestión pasiva de las reclamaciones no es una estrategia; se requiere una implementación proactiva de programas para mitigar el daño económico y reputacional.

¿Cuál es la estrategia en cuanto a la disyuntiva «desarrollar o adquirir» y las alianzas (por ejemplo, Mistral)?

Andrei Serjantov: BNPP se asoció desde el principio con Mistral para aprovechar las capacidades locales, garantizando así que data de los clientes data salgan del entorno seguro del banco. Dan prioridad al ajuste de modelos más pequeños y eficientes desde el punto de vista energético utilizando data propios, data entrenar modelos fundamentales a gran escala partiendo de cero. Esta combinación de experiencia tecnológica externa y el ADN interno de gestión de riesgos permite una implementación segura y adaptada a casos de uso específicos.