Resumen ejecutivo

  • Los gestores de patrimonios luchan por satisfacer las expectativas de los clientes en cuanto a recomendaciones de productos al estilo del comercio electrónico debido a los complejos atributos de los productos, las limitaciones de cumplimiento y los objetivos multidimensionales.
  • Los enfoques basados en reglas o en la segmentación producen un asesoramiento contundente, de talla única, que erosiona la confianza del cliente y limita la escalabilidad.
  • Al superponer modelos de aprendizaje automático, optimización matemática (optimización de carteras), grandes modelos lingüísticos y una capa de orquestación de IA Agentic, los bancos pueden integrar diversos data y traducir el resultado bruto del aprendizaje automático en mejores explicaciones, recomendaciones y acciones automatizadas.

La gestión de patrimonios está anclada en el pasado. Los clientes viven en un mundo de recomendaciones hiperpersonalizadas y sin esfuerzo de YouTube, TikTok o Amazon, y sin embargo los bancos impulsan los productos a través de libros de reglas, segmentación torpe y conjeturas de los asesores. Los bancos luchan por mantenerse a la altura de las expectativas de los clientes y de la complejidad de las carteras actuales. La IA híbrida puede cambiar esta situación. Al fusionar el aprendizaje automático, la disciplina de optimización de carteras y la inteligencia contextual de grandes modelos lingüísticos, gobernados por una capa de IA agéntica, los gestores de patrimonios pueden ofrecer recomendaciones que parezcan inteligentes, personales y oportunas. El sistema puede aprender de cada interacción, se adapta automáticamente a las restricciones normativas y se explica en un lenguaje que los clientes y asesores entienden realmente.

El resultado es un auténtico salto: los asesores obtienen una orientación más aguda, los canales digitales se convierten en motores de conversión y los clientes se sienten comprendidos en lugar de perseguidos. Los bancos que adopten la IA híbrida definirán la próxima era del asesoramiento, una era en la que las relaciones humanas se verán impulsadas por la colaboración entre IA y en la que la confianza no se construirá a partir de las relaciones o las ventas, sino de la inteligencia.

Introducción

En la era de Netflix, nos hemos acostumbrado a productos y servicios altamente personalizados en nuestra vida cotidiana. Los clientes de la gestión de patrimonios, especialmente los segmentos atendidos por los gestores de relaciones (GR), esperan cada vez más el mismo nivel de recomendaciones a medida para los productos financieros que obtienen con las películas o las compras. Pero ofrecer una personalización al estilo de Netflix en un contexto patrimonial de alto riesgo y fuertemente regulado es mucho más complejo. Los productos financieros conllevan atributos intrincados, como niveles de riesgo, plazos e implicaciones fiscales, y deben ajustarse a los objetivos y limitaciones únicos de cada cliente. Las empresas que superen esta brecha de personalización podrán aumentar el compromiso y la fidelidad de sus clientes.

Este informe técnico explora cómo la IA generativa puede transformar las recomendaciones de productos en la gestión de patrimonios mediante un enfoque híbrido que combina el aprendizaje automático tradicional y la optimización de carteras con la GenAI.

La brecha de la personalización en la gestión de patrimonios

La gestión de patrimonios se enfrenta a retos únicos que dificultan las recomendaciones eficaces de productos. Las recomendaciones basadas en ML utilizadas en el comercio electrónico suelen optimizar para un único objetivo (el siguiente mejor producto a comprar), pero los gestores de patrimonios hacen malabarismos con múltiples objetivos y limitaciones: crecimiento del capital, ingresos, mitigación del riesgo, eficiencia fiscal, liquidez, así como objetivos y preferencias individuales de los clientes. Tanto el ML como la OP se construyen en torno a data estructurada; una recomendación holística de productos debe incorporar información no estructurada como las tendencias del mercado, los perfiles de riesgo de los clientes, los patrones de comportamiento y el sentimiento de los clientes, que es difícil de codificar en información estructurada sobre la que deben entrenarse los modelos de ML y OP.

Los sistemas tradicionales de recomendación en la gestión de patrimonios, cuando existen, tienden a ser simplistas. Muchos bancos confían en la asignación de activos basada en reglas o en una amplia segmentación de los clientes. Son instrumentos poco precisos y no tienen en cuenta los matices personales, como el interés de un cliente por la inversión sostenible o sus necesidades de liquidez. También pueden dar lugar a sugerencias genéricas, de talla única. De ahí que muchos gestores de carteras recurran por defecto a enfoques manuales, basándose en su propia experiencia e intuición en lugar de en los conocimientos de data-driven. Los clientes, por su parte, pueden recibir propuestas de productos que sienten desconectadas de sus objetivos, lo que reduce su confianza en el proceso de asesoramiento.

Los avances en IA, especialmente la GenAI combinada con el aprendizaje automático y la optimización de carteras, ofrecen una forma de dar un salto adelante.

Un enfoque GenAI híbrido para recomendaciones más inteligentes

Para superar las limitaciones actuales, proponemos un motor de recomendación híbrido impulsado por GenAI y adaptado a la gestión de patrimonios. “Híbrido” significa aquí que combina múltiples técnicas de IA e integra la supervisión humana, aprovechando los puntos fuertes de cada una y mitigando al mismo tiempo sus puntos débiles.

1) Aprendizaje automático: Los modelos tradicionales de ML son eficaces para analizar el comportamiento de los clientes data inversiones anteriores, consultas sobre productos o clics en sitios web o aplicaciones. Así se descubren patrones y percepciones de grupos afines (por ejemplo, identificar que clientes similares al cliente A muestran interés por los fondos de renta variable ESG).

2) Optimización de la cartera: el sistema incorpora objetivos y políticas de gestión/regulación endógenamente diferentes, incluyendo

  • Normas de cumplimiento: Esto garantiza que, por muy creativa que se ponga la IA, las sugerencias sean apropiadas, admisibles y estén en consonancia con la estrategia de la empresa, por ejemplo, el perfil de riesgo.
  • Asignación estratégica de activos: Carteras modelo que incorporan las opiniones de los gestores de cartera y las hipótesis del mercado de capitales, como los requisitos de liquidez.
  • Campañas: Priorización de clases de activos dirigida por el director de sistemas de información o el director financiero para dirigir la primera línea hacia determinados productos o categorías de productos en un momento dado, por ejemplo, una asignación objetivo en una clase de activos como bonos o acciones.

3) Integración de canales:

  • Para un uso centrado en el ser humano, el sistema debe integrarse en el flujo de trabajo diario del GR. Las recomendaciones deberían aparecer en el cuadro de mandos del CRM del asesor o como alertas en una aplicación móvil para su uso sobre la marcha. La plataforma debe captar la opinión del asesor: (“al cliente sólo le interesa saber de los bonos en USD”). Con el tiempo, esto crea un bucle de aprendizaje en el que la IA se adapta a lo que los asesores encuentran útil o no, sintonizándose con el cliente.
  • Para los canales digitales -aplicaciones de banca móvil, chats, correo electrónico-, el sistema debe prever mensajes específicos para cada canal, por ejemplo, lanzamientos truncados de productos, entregados en el momento adecuado.

4) Razonamiento impulsado por LLM: Un gran componente de modelo lingüístico añade contexto a las recomendaciones de candidatos y puede tomar entradas basadas en reglas y ML y añadir una capa de razonamiento. Los LLM pueden ingerir data no estructurados, como información sobre carteras de modelos, perfiles de clientes, notas de reuniones de MR e investigaciones de mercado, para evaluar las entradas basadas en reglas y ML. Por ejemplo, si un modelo de aprendizaje automático señala un fondo del sector tecnológico que compraron clientes similares a nuestro cliente objetivo, el LLM podría observar que el cliente A expresó recientemente en un correo electrónico su cautela sobre las acciones tecnológicas. El LLM puede entonces ajustar la clasificación de la recomendación o proponer una alternativa.

5) Aprendizaje por refuerzo y bucle de retroalimentación: un componente de aprendizaje por refuerzo evalúa los resultados y afina continuamente la estrategia de recomendación. La retroalimentación puede proceder de múltiples fuentes: acciones del cliente (¿compró el cliente el producto recomendado o manifestó su interés por él?), acciones del asesor (¿compartió el asesor la recomendación con el cliente o se la saltó?) y resultados de rendimiento (¿la inversión recomendada rindió como se esperaba en relación con los objetivos del cliente?). Estas señales alimentan el algoritmo de aprendizaje para ajustar el modelo.

A través de este enfoque híbrido de múltiples capas, el motor de recomendación combina la visión data-driven, la comprensión contextual, la gobernanza estricta y el aprendizaje continuo. Está impulsado por GenAI, pero basado en las realidades de la gestión de patrimonios de alto contacto.

Cómo empezar

La combinación de la precisión del aprendizaje automático, la optimización de la cartera, con la inteligencia contextual de los grandes modelos lingüísticos y la IA agéntica puede crear un potente motor de decisión integral. El aprendizaje automático y la optimización de carteras destacan en las tareas de predicción estructurada porque pueden procesar conjuntos data grandes y limpios con gran precisión. Sin embargo, estos resultados son a menudo estrechos y ciegos al contexto. Al superponer modelos de aprendizaje automático, optimización de carteras, grandes modelos lingüísticos y una capa de orquestación de IA agéntica, los bancos pueden incorporar data “ruidosos”, como conversaciones con clientes, opiniones o comentarios sobre el mercado, y traducir los resultados brutos del aprendizaje automático en mejores explicaciones, recomendaciones y acciones automatizadas.

Las recomendaciones de productos impulsadas por la inteligencia artificial híbrida en la gestión de activos representan una poderosa oportunidad para reajustar los estándares de los servicios de asesoramiento en sus respectivos mercados. Los bancos deberían:

  • Revise la plataforma y los procesos actuales de personalización de clientes. A menudo, pocas personas dentro del banco comprenden el sistema integral y cómo se utiliza en la realidad.
  • Explore las herramientas GenAI y los activos data ya existentes (puede que esté más cerca de lo que cree de implantar un sistema de este tipo), y los numerosos modelos y métodos más novedosos que existen actualmente en el mercado.
  • Experimento en pilotos controlados - por ejemplo, empezando con un subconjunto de asesores y clientes, y un conjunto reducido de productos, para probar el motor híbrido de recomendación en acción.

Más allá de la IA híbrida

La tendencia a mezclar el aprendizaje automático tradicional con los LLM y los agentes de IA no es exclusiva de los servicios financieros. Los actores del comercio electrónico se preparan para el auge del comercio agenético: un mundo en el que los seres humanos ya no se relacionan directamente con las aplicaciones y los sitios web, sino que hacen que sus asistentes personales de IA descubran y realicen transacciones por ellos. Un mundo en el que los clientes preguntan a sus agentes personales de IA “cuál es la mejor manera de rehipotecar mi casa” o “encuéntrame unas zapatillas de deporte como regalo de cumpleaños para mi hijo”.

En este mundo, el aprendizaje automático tradicional y las recomendaciones de productos ya no funcionan como antes; en su lugar, veremos un compromiso de IA a IA, IA que se involucra y realiza la exploración, el descubrimiento, la negociación, la traducción y el cumplimiento, con la supervisión de los humanos para establecer la dirección, dar un empujón a lo largo del camino y, en última instancia, aprobar.

Los gestores de patrimonios también pueden enfrentarse a esta tendencia: en lugar de reunirse con los clientes, los gestores de relaciones y sus herramientas de IA pronto podrían relacionarse con los representantes personales de IA de sus clientes en lugar de con el cliente. Los bancos deberían tratar este cambio no como una amenaza, sino como un encargo de diseño para construir plataformas de asesoramiento que puedan ganarse la confianza de los agentes de IA, y de los seres humanos que hay detrás de ellos.