Ciudad de México,
Sergio F Cara
Crédito foto: Sergio F Cara (NotiPress/Ilustración)
La adopción de inteligencia artificial en procesos financieros y legales continúa enfrentando límites estructurales debido a la falta de resultados determinísticos, explicó Haig Hanessian de Cognition en entrevista con NotiPress. Señaló que, a diferencia de los sistemas tradicionales, los modelos generativos deIA no garantizan respuestas idénticas ante una misma consulta, lo cual representa un obstáculo en operaciones críticas.
Para el especialista, los modelos de lenguaje de gran escala (LLMs) están diseñados para ofrecer respuestas probabilísticas. Esa característica resulta adecuada en tareas exploratorias o creativas, aunque introduce riesgos en entornos donde cada ejecución debe producir el mismo resultado sin variaciones. "Cuando un proceso exige exactitud absoluta, esa diferencia se vuelve un problema operativo", explicó durante la conversación.
En el ámbito financiero, el cofundador y CEO de Lidd AI, Fernando Leibowich Beker, detalló que funciones como conciliaciones contables, auditorías internas, validación de transacciones y reportes regulatorios requieren consistencia total. Aclaró que incluso pequeñas variaciones pueden afectar controles, trazabilidad y cumplimiento normativo, por lo cual muchas instituciones mantienen sistemas determinísticos para esas tareas.
Por su parte, el sector legal enfrenta una situación similar. Leibowich Beker señaló que la revisión de contratos, el análisis normativo y la verificación de cumplimiento demandan resultados reproducibles. Cualquier variación en la interpretación de un texto puede derivar en consecuencias jurídicas, lo que limita el uso directo de IA generativa en etapas críticas del proceso.
Ante estas restricciones, ambos especialistas describieron un enfoque híbrido como el más extendido en la actualidad. Hanessian explicó que muchas organizaciones combinan automatización tradicional, reglas lógicas y modelos determinísticos con capas de IA generativa utilizadas solo en fases no decisorias. De ese modo, la IA aporta eficiencia sin comprometer la estabilidad del sistema central.
Leibowich Beker agregó que el machine learning clásico continúa siendo preferido en procesos donde la repetibilidad resulta obligatoria. Árboles de decisión, modelos supervisados y sistemas basados en reglas ofrecen resultados predecibles, aunque requieren mayor esfuerzo de implementación y mantenimiento.
Desde la gestión del riesgo, Hanessian sostuvo que la falta de determinismo obliga a sumar controles adicionales cuando se utiliza IA generativa. Esos controles incluyen validaciones humanas, auditorías posteriores y sistemas de verificación paralelos, lo cual reduce parte del ahorro operativo esperado.
A nivel empresarial, Leibowich Beker afirmó que esta limitación llevó a ajustar expectativas. Indicó que la inteligencia artificial no reemplaza procesos financieros o legales críticos, sino que funciona como una herramienta de apoyo. Su uso se concentra en análisis preliminares, detección de patrones y asistencia en la toma de decisiones, no en la ejecución final. Una de las barreras invisibles identificadas por el especialista se relaciona con el status quo en la toma de decisiones y esto frena el impacto real en las organizaciones.
Ambos coincidieron en que el desafío no se resuelve únicamente con mayor capacidad de cómputo o más datos. Hanessian explicó que el problema se relaciona con la arquitectura misma de los modelos actuales, motivo por el cual parte de la investigación en IA apunta a sistemas capaces de combinar flexibilidad con control como el modelo JEPA propuesto por Meta.
Finalmente, los expertos coincidieton en que la adopción de IA en finanzas y derecho avanzará de forma gradual. La prioridad seguirá siendo la confiabilidad operativa, mientras la industria explora soluciones que permitan integrar inteligencia artificial sin sacrificar determinismo ni cumplimiento regulatorio.