La Inteligencia Artificial y su aplicación en las políticas monetarias

Lo que se presenta a continuación es una traducción al español del discurso de Tao Zhang, Representante Jefe del Banco Internacional de Pagos (BIS por sus siglas en inglés) para Asia y el Pacífico, en el Global Fintech Fest 2025, que se llevó a cabo en Mumbai el 8 de octubre de 2025.

En el siguiente texto, se explora cómo los bancos centrales utilizan la IA para respaldar sus operaciones, los desafíos que plantea y las estrategias para abordar las disyuntivas que enfrentan y así conciliar los riesgos y los beneficios.

Los bancos centrales han mejorado sus operaciones gracias al uso de la IA.

La adopción de la IA se ha extendido a los bancos centrales, donde tiene el potencial de mejorar la eficiencia, la precisión y fortalecer los procesos de toma de decisiones. La IA está teniendo un impacto significativo en tres áreas clave:

1) Análisis de datos

• Los bancos centrales están aprovechando la IA para aprovechar el potencial de las fuentes de datos tradicionales y no tradicionales. Al analizar diversos conjuntos de datos, desde imágenes satelitales hasta contenido de redes sociales, la IA ofrece nuevas formas de comprender la actividad y las tendencias económicas.
• El procesamiento del lenguaje natural (PLN) y los grandes modelos lingüísticos (LLM) ofrecen a los bancos centrales herramientas innovadoras para extraer información y analizar las respuestas a las encuestas. Por ejemplo, el Banco de Canadá utiliza modelos de IA junto con datos granulares para mejorar el seguimiento de las actividades económicas, la demanda de billetes y la confianza en sectores clave.

2) Pronóstico económico y análisis de políticas

• Los bancos centrales utilizan la IA, junto con la experiencia humana, para comprender mejor las economías y optimizar el pronóstico o el análisis de políticas.
• Por ejemplo, la IA se ha vuelto invaluable para la predicción inmediata, proporcionando evaluaciones en tiempo real de indicadores económicos clave como el crecimiento del PIB y la inflación. La IA analiza los patrones de consumo y detecta cuellos de botella en la cadena de suministro en tiempo real, ofreciendo una comprensión más clara de la dinámica económica.
• Los modelos de aprendizaje automático procesan grandes conjuntos de datos, revelando tendencias y comportamientos que a menudo pasan desapercibidos. Por ejemplo, los modelos de aprendizaje automático de código abierto optimizados resumen las narrativas económicas y predicen recesiones. Las redes neuronales también pueden aprovechar conjuntos de datos detallados para capturar relaciones no lineales complejas, lo que proporciona información valiosa durante períodos de dinámicas de inflación rápidamente cambiantes.
• La IA respalda el análisis de la estabilidad financiera al identificar patrones en grandes conjuntos de datos, lo cual resulta útil para evaluar los riesgos en empresas financieras y no financieras. Por ejemplo, durante periodos de baja liquidez y disfunciones del mercado, la IA facilita las predicciones mediante la monitorización de anomalías del mercado.

3) Supervisión de los sistemas de pago y conectividad global

• La IA está transformando los sistemas de pago al mejorar la seguridad, la eficiencia y el cumplimiento normativo. Herramientas como las redes neuronales de grafos mejoran la detección del fraude al identificar redes de transacciones sospechosas, especialmente cuando los datos se agrupan de forma segura entre instituciones o jurisdicciones.
• En la banca corresponsal, que se enfrenta a los retos derivados de los riesgos de cumplimiento normativo, la IA podría mejorar los procesos de prevención del blanqueo de capitales (AML) y de conocimiento del cliente (KYC), reduciendo los riesgos y sus costes asociados, lo que podría restablecer la conectividad global de los pagos. Al agrupar los datos de pago entre jurisdicciones, la IA refuerza la detección del fraude transfronterizo y el cumplimiento normativo.
• Los bancos centrales están adoptando la IA para mejorar las infraestructuras de pago. El Centro de Innovación del BPI colabora con siete bancos centrales, entre ellos el Banco de Francia, el Banco de Japón, el Banco de Corea y el Banco Nacional Suizo, en el Proyecto Agorá. Este proyecto aprovecha la tokenización para implementar la banca corresponsal de próxima generación. Más allá del enfoque en las características principales del libro mayor unificado, los modelos de IA podrían utilizarse en el futuro para mejorar la eficiencia de las prácticas de cumplimiento normativo.

Los bancos centrales enfrentan desafíos en sus operaciones de política.

Si bien los beneficios de la IA son innegables, su integración en la banca central presenta desafíos, especialmente en la política monetaria y la estabilidad financiera. A continuación, se presentan algunos problemas urgentes:

1) Principales limitaciones tecnológicas de la IA.

• A pesar de los avances, los modelos de IA se enfrentan a desafíos en el razonamiento lógico y el pensamiento contrafactual, y les cuesta adaptarse cuando se reformulan problemas conocidos. Esto pone de manifiesto una falta de comprensión real.
• Un problema importante es la "alucinación", donde los modelos de aprendizaje profundo generan información plausible pero incorrecta, en lugar de garantizar la precisión fáctica.
• Muchos modelos de IA, en particular los propietarios sin marcos de código abierto, funcionan como "cajas negras" opacas. Su falta de explicabilidad plantea desafíos para su aplicación en la política monetaria y las decisiones sobre estabilidad financiera.
• La naturaleza de caja negra de los modelos de IA también plantea preocupaciones sobre la confianza, la rendición de cuentas y el cumplimiento de las directrices éticas, agravadas por los riesgos legales relacionados con la calidad, la privacidad y la confidencialidad de los datos.
• Otros riesgos, conocidos como "dependencia de terceros", surgen de la dependencia de unos pocos proveedores de modelos de IA avanzados, impulsada por los altos costos de desarrollo e implementación de sistemas con uso intensivo de datos.

2) Política monetaria y eficacia de la transmisión

La IA presenta varios desafíos para la política monetaria y sus mecanismos de transmisión, como se destacó en un discurso reciente del BCE y en nuestro informe económico anual.

• La IA está a punto de transformar los mercados laborales y de capitales, influyendo en la distribución de la renta y la riqueza. Esto tiene importantes implicaciones para la política monetaria. Afecta la propensión marginal al consumo, los patrones de consumo y el acceso al crédito, factores que determinan cómo responde la demanda a los cambios de política.
• La fijación de precios algorítmica basada en IA permite ajustes de precios más rápidos y flexibles. Por ejemplo, los grandes minoristas pueden responder rápidamente a las variaciones en los precios de la gasolina o los tipos de cambio, u otras perturbaciones, lo que podría amplificar su impacto en la inflación. A medida que las empresas más pequeñas adoptan la IA, estos efectos podrían intensificarse, dificultando la predicción y la gestión de la inflación para los bancos centrales.
• Unos ajustes de precios más rápidos también pueden reducir el desfase entre las medidas políticas y sus efectos sobre la inflación. Además, las inversiones impulsadas por la IA y las ganancias de productividad podrían cambiar la rapidez y la forma en que las empresas y los hogares responden a las variaciones de los tipos de interés.
• Asimismo, si la IA impulsa algún cambio en las estructuras financieras, como una mayor intermediación no bancaria, podría alterar la transmisión de la política monetaria. En comparación con los bancos tradicionales, las entidades no bancarias son más receptivas a las medidas orientadas a los tipos de interés a largo plazo, como la compra de activos, y tienden a conllevar mayores riesgos de crédito, liquidez y duración.

3) Riesgos para la estabilidad financiera

La integración de la IA en los sistemas financieros presenta riesgos para la estabilidad financiera que los bancos centrales y los responsables políticos deben abordar:

• Las respuestas rápidas y en tiempo real de la IA pueden aumentar la volatilidad y el comportamiento gregario, creando bucles de retroalimentación desestabilizadores. También pueden surgir riesgos de liquidez. Los modelos de IA podrían provocar un acaparamiento generalizado de liquidez y desencadenar ventas forzosas, desestabilizando aún más los mercados.
• A medida que las instituciones recurren cada vez más a la IA y reducen su dependencia de la experiencia humana, el uso generalizado de algoritmos similares podría amplificar los movimientos del mercado. Por ejemplo, si numerosas instituciones adoptan modelos de IA comparables para el riesgo crediticio, la negociación o la gestión de carteras, las respuestas sincronizadas durante períodos de estrés podrían exacerbar la prociclicidad y desencadenar ventas masivas de activos.
• La colusión algorítmica es otro riesgo. La IA entrenada con conjuntos de datos similares puede generar involuntariamente recomendaciones o estrategias de precios coordinadas, simulando una colusión y socavando la competencia. Los marcos regulatorios tradicionales pueden tener dificultades para abordar estos desafíos.

4) Riesgos cibernéticos y consideraciones éticas

• Los ciberdelincuentes utilizan cada vez más la IA para crear correos electrónicos de phishing aparentemente más convincentes, desarrollar código malicioso e imitar voces o estilos de escritura. Esto ha impulsado un aumento repentino de los ataques de phishing, fraude y ransomware. Además, la IA introduce riesgos nuevos y en constante evolución, como la inyección inmediata y el envenenamiento de datos, que pueden comprometer los datos de entrenamiento y socavar la integridad de los sistemas.
• El uso ético de la IA es crucial para mantener la confianza pública. Los bancos centrales tienen la responsabilidad de garantizar que los sistemas de IA sean transparentes, justos y libres de sesgos. Sin embargo, los sistemas de IA pueden reflejar involuntariamente sesgos presentes en sus datos de entrenamiento, lo que podría dar lugar a resultados injustos. Por ejemplo, la discriminación algorítmica en la calificación crediticia podría excluir a ciertos grupos del acceso a productos financieros, agravando así las desigualdades.
• La IA también plantea importantes preocupaciones en materia de privacidad. El uso indebido o el abuso de información sensible supone graves riesgos para las personas. Las instituciones financieras y los proveedores de IA deben adoptar y cumplir estrictos estándares de privacidad para proteger los datos personales y mantener la confianza pública. Una iniciativa destacada en este ámbito es el Informe del Comité FREE-AI, elaborado por nuestros colegas del Banco de la Reserva de la India (RBI). El informe presenta un Marco para la Facilitación Responsable y Ética (FREE-AI) en el sector financiero y ejemplifica cómo los bancos centrales pueden liderar la promoción de la adopción responsable de la IA. Al abordar los principales desafíos éticos y operativos, proporciona un modelo sólido y con visión de futuro que establece un alto estándar para la comunidad global de bancos centrales.

Los bancos centrales se enfrentan a disyuntivas políticas

A medida que los bancos centrales exploran el potencial transformador de la IA, se enfrentan a complejas disyuntivas que exigen una cuidadosa consideración:

• Una de las decisiones clave gira en torno a la elección entre modelos de IA y fuentes de datos externos e internos.
• Los modelos externos y los proveedores de datos comerciales ofrecen rentabilidad, una implementación rápida y acceso a la experiencia del sector privado. Sin embargo, presentan desafíos como una menor transparencia, una mayor dependencia de un número limitado de proveedores y restricciones de uso más estrictas.
• Por otro lado, los modelos internos y los datos internos seleccionados ofrecen mayor control y adaptabilidad, pero requieren inversiones significativas en infraestructura, personal cualificado y marcos de gobernanza sólidos.
• Otro desafío crítico radica en equilibrar la velocidad y la precisión. La capacidad de la IA para permitir análisis rápidos en tiempo real es invaluable para la toma de decisiones oportuna. Sin embargo, esta velocidad debe moderarse con esfuerzos para mitigar riesgos como alucinaciones, sesgos y vulnerabilidades como los ataques de inyección rápida, para garantizar que la información generada sea fiable y confiable.
• Si bien el potencial de la IA para automatizar tareas rutinarias y mejorar la eficiencia es innegable, el criterio humano sigue siendo indispensable. Los bancos centrales deben formar equipos con una combinación equilibrada de experiencia económica y habilidades técnicas para supervisar e interpretar eficazmente la información generada por la IA, asegurando que la supervisión humana complemente los avances tecnológicos.

En general, lograr el equilibrio adecuado entre rendimiento, costo y control es vital para que los bancos centrales adopten la IA con éxito. Los bancos centrales deben evaluar cuidadosamente las inversiones inmediatas a corto plazo frente a los beneficios a largo plazo.

El papel del BPI en el apoyo a los bancos centrales

Entonces, ¿cómo pueden instituciones como el BPI ayudar a los bancos centrales a navegar por el panorama cambiante de la IA? En el BPI, brindamos apoyo a los bancos centrales a través de tres vías clave:

1) Foro de debate

Ofrecemos un espacio para que los bancos centrales intercambien ideas y creen una comunidad en torno a las tecnologías emergentes.

• Por ejemplo, nuestras conferencias, talleres y redes de investigación exploran las fronteras de la investigación y proporcionan conocimiento sobre sus implicaciones para los bancos centrales.

2) Plataforma de cooperación internacional

Facilitamos la colaboración entre bancos centrales y reguladores para mantener la estabilidad monetaria y financiera.

• A través de comités como el Comité de Supervisión Bancaria de Basilea y el Comité de Pagos e Infraestructuras del Mercado, abordamos los desafíos y las oportunidades que plantea la revolución digital. Esto nos permite intercambiar buenas prácticas, forjar consenso y mejorar los regímenes de gobernanza para la adopción de la IA.

3) Innovación experimental

A través del Centro de Innovación del BPI, facilitamos que los bancos centrales experimenten con tecnologías de vanguardia.

• Por ejemplo, el Proyecto Aurora utiliza la IA para mejorar la monitorización de transacciones sospechosas entre empresas y fronteras.

Al fomentar el debate, la colaboración y la experimentación, el BPI ayuda a los bancos centrales a aprovechar el potencial de la IA y, al mismo tiempo, mitigar los riesgos.

Conclusiones

En conclusión, la IA presenta oportunidades transformadoras para los bancos centrales, mejorando la eficiencia, la toma de decisiones y la infraestructura financiera. Desde el análisis avanzado de datos hasta una mejor supervisión de los sistemas de pago, la IA ya está transformando las operaciones de los bancos centrales. Sin embargo, desafíos como la calidad de los datos, la complejidad de los modelos, las preocupaciones éticas y los riesgos para la estabilidad financiera deben abordarse con cuidado.

Para aprovechar al máximo el potencial de la IA, los bancos centrales deben equilibrar sus beneficios y sus riesgos. La transparencia, una gobernanza sólida y el desarrollo del talento son esenciales para afrontar este panorama cambiante.

Como guardianes de la estabilidad monetaria y financiera, los bancos centrales tienen la responsabilidad de adoptar la IA de forma segura, ética y sostenible. El BPI se dedica a apoyar este proceso fomentando el diálogo, promoviendo la cooperación internacional y facilitando la innovación.

Fuente: Artificial intelligence and central banks: monetary and financial stability implications (BIS speech).

También te puede interesar:

El uso de la inteligencia artificial con fines políticos

Informe presentado a los Ministros de Finanzas y Gobernadores de Bancos Centrales del G20. El informe examina cómo los bancos centrales, los reguladores financieros y las autoridades supervisoras utilizan la IA con fines políticos. Trabajan habitualmente con grandes conjuntos de datos y complejos procesos de toma de decisiones para salvaguardar la estabilidad monetaria y financiera y garantizar la integridad de los sistemas de pago. Los nuevos y avanzados métodos de IA, incluidos los grandes modelos de lenguaje que impulsan la IA generativa, han creado nuevas oportunidades para impulsar la eficiencia y la eficacia de la formulación de políticas.

El informe destaca ejemplos reales de cómo el big data y el aprendizaje automático están transformando áreas clave de trabajo. A pesar del gran potencial de la IA, persisten desafíos, como la gobernanza de datos, la inversión en capital humano y la infraestructura de TI.

Fuente: The use of artificial intelligence for policy purposes (BIS Other).

Hasta aquí el post del día de hoy y recuerda que puedes seguirme en X y mantenerte informado de lo último de ciencia, tecnología e innovación en el mundo de la economía y las finanzas.

¡Hasta la próxima!