El ciclo de vida del comercio en la actualidad enfrenta importantes retos relacionados con la precisión de los datos en cada una de sus etapas. En este contexto, el sistema Investment Book of Records (IBOR) se plantea como una solución para garantizar que la información sobre transacciones, posiciones y efectivo sea consistente tanto con el custodio como con el Accounting Book of Records (ABOR). Este proceso, que involucra a diversos actores como corredores, agentes de transferencia y entidades de compensación central, exige que las posiciones sean idénticas en todos los sistemas para ser calificadas como «procesadas de manera continua». Sin embargo, la identificación y corrección de las ejecuciones que no cumplen con esta norma permanece como una tarea principalmente manual, lo que genera ineficiencias en la toma de decisiones.
El proceso habitual requiere que los expertos comparen puntos de datos en distintos sistemas, lo que consume tiempo y produce incertidumbres que pueden afectar la capacidad del front office para tomar decisiones informadas. Para enfrentar esta problemática, se propone la utilización de inteligencia artificial (IA) con el fin de crear y perfeccionar continuamente datos confiables en cada fase del ciclo de vida de las transacciones. Esto se lograría mediante comparaciones con diversas fuentes y actualizaciones automáticas en tiempo real.
Un caso ilustrativo de las complicaciones que puede acarrear la falta de precisión en los datos es el de una acción corporativa de pago en especie (PIK). Las diferencias en la metodología de cálculo de intereses entre el sistema IBOR y el custodio pueden originar múltiples discrepancias. Un desajuste aparentemente simple en la etapa inicial puede desencadenar una serie de rupturas en la cadena de procesamiento, involucrando a diferentes usuarios que deben investigar la misma causa raíz. Esta descoordinación no solo consume recursos, sino que también crea un entorno de ineficacia operativa.
Se hace imperativo encontrar soluciones que utilicen la inteligencia artificial de forma continua para examinar y validar conjuntos de datos de diversas fuentes. Este enfoque permitiría detectar proactivamente discrepancias antes de que estas impacten negativamente en las transacciones. Aunque las actualizaciones impulsadas por IA tendrían que ser revisadas, la detección temprana de problemas podría reducir considerablemente los tiempos de resolución y disminuir la frustración de los usuarios.
Sin embargo, la implementación de IA no está exenta de desafíos. Entre ellos se encuentran la capacidad de almacenamiento de datos, las diferencias temporales con los participantes externos y la materialidad de los cambios en los datos. Es esencial identificar campos y tolerancias específicas que puedan referenciarse para reducir el ruido y garantizar que solo las actualizaciones pertinentes sean procesadas de forma automática. Además, la exigencia de mantener un historial de auditoría podría incrementar los costos asociados al almacenamiento de datos, lo que representaría un riesgo para la eficiencia operativa en el futuro.
A pesar de estas preocupaciones, la aplicación de inteligencia artificial emerge como una herramienta prometedora para optimizar y validar el ciclo de vida de las transacciones financieras, ofreciendo beneficios a largo plazo, especialmente en un entorno caracterizado por un aumento en la inversión en valores privados y una complejidad de datos en ascenso.
