Goldman Sachs amplía el uso operativo de Anthropic Claude en la contabilidad de operaciones y la incorporación de clientes

Las grandes instituciones financieras están acelerando los experimentos con inteligencia artificial generativa, y Goldman Sachs ahora está escalando la plataforma Claude de Anthropic en varios flujos de trabajo de back-office.

Goldman Sachs lleva la IA generativa al back office

Goldman Sachs planea desplegar el modelo Claude de Anthropic en la contabilidad de operaciones y la incorporación de clientes, posicionando el despliegue como parte de un esfuerzo más amplio entre los grandes bancos para utilizar la IA generativa en busca de mejoras en la eficiencia. El énfasis inicial está en procesos operativos que se encuentran en el back office y que históricamente dependían de grandes equipos encargados de revisión de documentos, conciliaciones y verificaciones de cumplimiento.

Varios bancos ya aplican la IA generativa en trabajos de conocimiento. JPMorgan Chase ofrece a sus empleados acceso a un conjunto de modelos de lenguaje grande para recuperación de información y análisis de datos. Además, Bank of America utiliza su asistente Erica para responder preguntas internas sobre tecnología y recursos humanos. Citi y Goldman también confían en herramientas de IA para apoyar a los desarrolladores en tareas de codificación, lo que destaca que los despliegues tempranos estaban más enfocados en investigación y desarrollo de software que en operaciones.

Sin embargo, el informe de American Banker señala una tendencia más reciente: usar IA generativa para actividades operativas como la contabilidad de operaciones y las verificaciones de “conoce a tu cliente” (KYC). Esto marca un cambio desde casos de uso puramente analíticos hacia la automatización de flujos de trabajo con muchas transacciones que afectan directamente las operaciones bancarias diarias.

Automatización de casos extremos en KYC y conciliaciones

Muchos procesos bancarios automatizables se basan en reglas, involucrando recopilación de datos, validación contra bases de datos internas y externas, y creación de la documentación requerida. En teoría, el software tradicional ya maneja gran parte de este trabajo. Sin embargo, Marco Argenti, director de información de Goldman, argumenta que incluso si una plataforma basada en reglas resuelve la mayoría de los casos, un pequeño porcentaje de transacciones queda fuera de los parámetros predefinidos y genera miles de excepciones a gran escala.

Cita como ejemplo típico la verificación de identidad en el cumplimiento de KYC. Discrepancias menores en los registros o documentos cercanos a su fecha de vencimiento pueden generar casos extremos que requieren juicio humano. Además, estas excepciones tienden a agruparse en entornos de alto volumen, haciendo que la revisión manual sea costosa y lenta.

Argenti afirma que las redes neuronales pueden abordar estas micro-decisiones porque aplican razonamiento contextual donde faltan reglas fijas o son ambiguas. En este esquema, la IA generativa complementa los motores de reglas existentes en lugar de reemplazarlos. Las ganancias operativas provienen de reducir la proporción de casos que requieren intervención manual, lo que a su vez acorta el tiempo para resolver excepciones y mejora el procesamiento directo.

Lecciones del desarrollo de software asistido por IA

El trabajo previo de Goldman con Claude para el desarrollo interno de software influyó en su decisión de extender la IA a otros ámbitos operativos. Los desarrolladores del banco usan una versión de Claude combinada con el agente Devin de Cognition para apoyar los flujos de trabajo de programación. En este proceso, los ingenieros humanos definen especificaciones y restricciones regulatorias, el agente genera código y luego los desarrolladores revisan y refinan el resultado.

El agente Devin también realiza pruebas y validaciones del código. Argenti describe esta configuración como un cambio estructural en los flujos de trabajo de los desarrolladores, con agentes de IA operando bajo instrucciones claramente definidas. Además, la combinación de codificación basada en especificaciones y pruebas automatizadas ha aumentado la productividad de los desarrolladores y acortado los tiempos de finalización de proyectos.

Esta experiencia convenció a Goldman de que los agentes de IA pueden manejar de forma segura tareas con un alcance limitado dentro de un entorno regulado, siempre que las responsabilidades estén claramente divididas entre humanos y sistemas. Dicho esto, la capa de revisión humana sigue siendo central, especialmente cuando los resultados tienen implicaciones regulatorias o de riesgo.

De la codificación a flujos de trabajo operativos con documentos

Para la contabilidad de operaciones y la incorporación de clientes, los líderes de proyecto de Goldman y Anthropic primero observaron los flujos de trabajo existentes con expertos en la materia para identificar cuellos de botella. Los agentes de IA implementados ahora revisan documentos, extraen entidades, determinan si se necesita documentación adicional, evalúan estructuras de propiedad y activan verificaciones de cumplimiento adicionales cuando es apropiado. Estas tareas suelen ser intensivas en documentos y requieren juicio individual, por lo que son adecuadas para soporte de decisiones asistido por IA.

Al automatizar la extracción y la evaluación preliminar, los agentes reducen el tiempo que los analistas dedican a tareas manuales de comparación. Sin embargo, no reemplazan la toma de decisiones final. En cambio, presentan datos estructurados y pasos sugeridos a seguir, permitiendo que los especialistas se concentren en casos complejos o de alto riesgo en lugar de en la gestión rutinaria de archivos.

Indranil Bandyopadhyay, analista principal en Forrester, explica que la conciliación en la contabilidad de operaciones requiere comparar datos fragmentados en libros internos, confirmaciones de contrapartes y estados bancarios. Un flujo de trabajo típico depende de la extracción y comparación precisas de cifras y textos de múltiples documentos. Aquí, Claude de Anthropic se posiciona como una forma de gestionar esta etapa de comparación intensiva en documentos a escala.

Por qué Claude encaja en casos de uso de conciliación y incorporación

Bandyopadhyay señala que la capacidad de Claude para procesar grandes ventanas de contexto y seguir instrucciones detalladas lo hace muy adecuado para flujos de trabajo complejos de conciliación. Para la incorporación de clientes, los analistas deben analizar pasaportes y archivos de registro corporativo, y luego cotejar todas las fuentes. Además, la necesidad de interpretar documentos no estructurados añade complejidad que las herramientas tradicionales basadas en reglas tienen dificultades para gestionar eficientemente.

En este entorno, la capacidad de IA para extraer datos estructurados, resaltar inconsistencias y señalar documentos faltantes resulta muy útil. El resultado es una reducción en la carga de trabajo general para los analistas y un ciclo de incorporación más rápido para los clientes, manteniendo los estándares de gobernanza requeridos en la banca.

Es crucial que Bandyopadhyay enfatice que las plataformas de contabilidad y cumplimiento siguen siendo los sistemas de registro canónicos. Claude se sitúa en la capa de flujo de trabajo, responsable de la extracción y comparación, mientras que los analistas humanos manejan las excepciones que el código detecta. En su opinión, el valor operativo en sectores altamente regulados como la banca radica en esta división del trabajo, más que en una automatización total.

Gestión de riesgos, incertidumbre y supervisión humana

Jonathan Pelosi, jefe de servicios financieros en Anthropic, afirma que Claude está entrenado para detectar incertidumbre y proporcionar atribución de fuentes, creando un rastro de auditoría que reduce el efecto de alucinaciones. Además, estas decisiones de diseño buscan hacer que el comportamiento de la IA sea más transparente para los equipos de riesgo y reguladores, vinculando los resultados con las evidencias que los respaldan.

Bandyopadhyay también destaca la importancia de la supervisión y validación humanas, instando a las instituciones a diseñar sistemas que detecten errores tempranamente en el flujo de trabajo. Dicho esto, reconoce que, cuando se monitorean adecuadamente, los agentes de IA pueden manejar una gran parte de las verificaciones y comparaciones repetitivas mucho más rápido que el personal humano.

Marco Argenti de Goldman rechaza la idea de que los sistemas de IA sean inherentemente más fáciles de engañar que los humanos. Argumenta que los ataques de ingeniería social explotan principalmente vulnerabilidades humanas, mientras que los modelos de IA pueden detectar anomalías sutiles a gran escala. Sin embargo, reitera que la configuración óptima combina juicio humano con escrutinio automatizado en equipos integrados.

Implicaciones para las operaciones bancarias

Según Argenti, esta combinación implica un aumento significativo en la capacidad operativa sin incrementos proporcionales en el personal, incluso considerando los problemas conocidos en el despliegue de IA. Además, permite a los bancos gestionar las crecientes cargas regulatorias y de documentación manteniendo control sobre el crecimiento del personal.

En todo el sector bancario, la IA generativa está emergiendo como una herramienta para mejorar el rendimiento operativo acelerando el procesamiento de documentos, reduciendo los tiempos de manejo de excepciones y aumentando el rendimiento en flujos de trabajo de alto volumen. Sin embargo, la necesidad continua de supervisión humana significa que las instituciones deben mantener sus sistemas de registro y estructuras de gobernanza existentes, usando la IA principalmente para optimizar las capas que se sitúan sobre ellos.

En resumen, el trabajo de Goldman con Claude y agentes relacionados sugiere un modelo pragmático para la IA generativa en finanzas: automatizar tareas intensivas en documentos y cercanas a reglas; detectar claramente las excepciones; y mantener a los expertos humanos responsables de decisiones críticas y cumplimiento regulatorio.