Por qué las operaciones post-trade están preparadas para la IA agéntica
El cambio global hacia la liquidación T+1 ha puesto de manifiesto una brecha fundamental en las operaciones post-trade: los datos y los procesos adecuados ya existen, pero ejecutarlos con la suficiente rapidez en cientos de excepciones simultáneas está más allá de lo que pueden ofrecer los flujos de trabajo manuales. En un artículo para Global Custodian, Yogesh Shenai, Director de Gestión de Producto en Smartstream, sostiene que este es precisamente el problema que la IA agéntica se ha creado para resolver. En lugar de señalar excepciones y esperar, los agentes investigan, se comunican, enriquecen, priorizan y resuelven de forma autónoma, a una velocidad que la ventana de liquidación comprimida realmente requiere.
Los mercados norteamericanos realizaron la transición a T+1 en mayo de 2024, y el Reino Unido, la UE y Suiza lo harán el 11 de octubre de 2027. Shenai señala que las empresas que ya han realizado la transición descubrieron que, en esencia, se habían limitado a hacer más rápido las mismas tareas manuales. Las colas de excepciones no se priorizaban por urgencia de liquidación, la investigación de incidencias en múltiples sistemas era demasiado lenta y los flujos de trabajo posteriores para la notificación a contrapartes y el seguimiento de penalizaciones seguían siendo en gran medida manuales. La IA agéntica aborda directamente cada uno de estos puntos de fallo.
De la investigación reactiva al triaje preventivo
Hoy, cuando un analista humano se hace cargo de una excepción, empieza desde cero: iniciando sesión en múltiples sistemas, leyendo el historial de correos electrónicos y reconstruyendo lo ocurrido. Un flujo de trabajo agéntico cambia por completo ese modelo. Al supervisar en tiempo real los datos de negociación en vivo frente a patrones de resolución conocidos, Smart Agents puede identificar señales que históricamente preceden a una incidencia —una contraparte que responde sistemáticamente tarde, una clase de activo con retrasos crónicos de SSI o un tipo de operación en el que se agrupan los desajustes de confirmación— y activar una investigación antes de que se confirme la incidencia. El analista recibe un caso ya preparado y toma una decisión, en lugar de llevar a cabo la investigación por sí mismo.
La comunicación por correo electrónico entre los equipos de operaciones y las contrapartes también se transforma. Un agente puede redactar y enviar comunicaciones, supervisar las respuestas, leer las contestaciones en lenguaje natural, evaluar el sentimiento y la intención, y devolver esa determinación al flujo de trabajo como datos estructurados. Según Shenai, este enfoque reduce las tasas de intervención manual en un 60-80 % en los flujos de trabajo dentro del alcance, mientras que una investigación que llevaría a un analista cualificado de 30 a 45 minutos puede completarse por un agente en menos de dos minutos.
Diseñar deliberadamente el papel humano
La IA agéntica no sustituye el juicio humano; redistribuye dónde se aplica ese juicio. Shenai es claro en este punto: las actividades que requieren intervención humana deben diseñarse deliberadamente como exclusivamente humanas desde el principio, y no tratarse como un recurso de última instancia cuando un agente se queda atascado. Las llamadas de relación, las escaladas a contrapartes con peso reputacional y las decisiones con implicaciones legales son ejemplos en los que la autoridad humana es la opción de diseño correcta. Del mismo modo, los agentes están diseñados para reconocer barreras que no pueden resolver —disputas que requieren interpretación contractual, fallos complejos de múltiples tramos o interrupciones de infraestructura de terceros— y escalar en consecuencia.
Más allá de la gestión de excepciones, el valor más profundo de los flujos de trabajo agénticos reside en codificar el conocimiento institucional. El criterio que aportan los analistas con experiencia —qué procesos seguir, qué contrapartes requieren un trato cuidadoso, qué excepciones son rutinarias frente a señales de algo mayor— ahora puede codificarse en el diseño del flujo de trabajo, inspeccionarse y transferirse. Los nuevos miembros del equipo heredan ese conocimiento desde el primer día, y mejora con el tiempo a medida que se refinan los flujos de trabajo. La plataforma Smart Agents de Smartstream se basa exactamente en este modelo: autonomía controlada por políticas, auditabilidad completa y aprendizaje continuo a partir del comportamiento y los resultados de los analistas.
