El rendimiento operativo está adquiriendo la misma relevancia que el rendimiento de inversión en el crédito privado. A medida que la captación disminuye y las expectativas de los inversores aumentan, las firmas enfrentan una presión creciente para modernizar la infraestructura de TI que respalda sus carteras.
De hecho, la transparencia y la generación de informes más rápidos se están convirtiendo en prioridades clave. Sin estas capacidades, los fondos no pueden ver claramente toda su cartera en tiempo real, lo que amplifica el estrés cuando los mercados son menos indulgentes.
A medida que el crédito privado escala y la diligencia operativa se vuelve central para las decisiones de asignación, estos problemas de back-office se vuelven más estructurales.
Afortunadamente, las gestoras que invierten correctamente en sus cimientos operativos ahora estarán mejor preparadas para gestionar las crecientes demandas que enfrentará la industria del crédito privado en el futuro.
Análisis de las Presiones Operativas
El crédito privado es operativamente intensivo. Y muchas firmas nunca construyeron sistemas para igualar la creciente complejidad de sus carteras a medida que crecían y evolucionaban. En su lugar, las operaciones suelen estar dispersas entre plataformas de servicios heredadas, hojas de cálculo, flujos de trabajo impulsados por email y herramientas internas desconectadas, dejando a las firmas sin una vista única y en tiempo real de los datos de la cartera.
La mayor parte del servicio de préstamos opera en ciclos como conciliaciones mensuales, informes trimestrales y procesamiento de pagos por lotes. Este modelo refleja las limitaciones de los sistemas heredados y de los flujos de trabajo manual. Los datos deben ser recopilados, validados y procesados en etapas. En consecuencia, los fondos a menudo observan sus carteras a través de instantáneas periódicas en lugar de en tiempo real.
Muchos fondos también mantienen hojas de cálculo paralelas para verificar los cálculos de su servicer. Conocido como shadow booking, esta redundancia no tiene otro fin que aumentar el control. Sin embargo, es una señal de desconfianza en los datos proporcionados y los cálculos subyacentes a menudo son difíciles de inspeccionar. Cuando surgen discrepancias, se descubren a posteriori y requieren una inversión manual, a menudo a través de múltiples sistemas.
Estas realidades de la industria del crédito privado chocan ahora con un entorno de captación de fondos más competitivo. Incluso si sus acuerdos subyacentes no son catastróficos, los fondos de crédito privado comienzan a parecer frágiles si no pueden rendir operativamente bajo una presión creciente.
No es sorprendente que muchas firmas de crédito privado estén mirando hacia la IA para abordar estos problemas. Pero la automation software por sí sola no puede reparar cimientos operativos rotos. La pregunta crítica es si su infraestructura está realmente preparada para soportar el modelo de IA que elijan utilizar.
La IA Por Sí Sola No Es la Respuesta
Los agentes de IA pueden ejecutar el trabajo operativo de forma fiable mientras las plataformas pueden proporcionar visibilidad en tiempo real y total auditoría. Las piezas están listas. Pero hay un patrón en cómo fracasan los proyectos de IA en la industria financiera que vale nombrar y casi nunca es el modelo el problema.
Lo que suele faltar es la infraestructura que rodea al modelo, los sistemas, flujos de trabajo, acceso a datos, permisos y controles que permiten que la IA opere de forma fiable dentro de procesos financieros reales. También conocido como la harness. Las herramientas de IA genéricas no saben qué es una notificación de tasa.
No saben que una solicitud de prepago desencadena un flujo de trabajo de múltiples pasos en todas las entidades sindicadas de una facilities. No saben la diferencia entre una tranche financiada y un revolver comprometido pero sin desembolsar, ni por qué esa distinción importa para cómo debe calcularse una cifra de pago.
Esta falta de contexto operativo es también una de las mayores razones por las que ocurren alucinaciones de IA en finanzas. La mayoría de las alucinaciones no son fallos aleatorios, son un problema de contexto. El modelo de IA quiere dar una respuesta adecuada. Cuando no tiene acceso a los datos específicos que necesita, razona con lo que sí sabe y produce algo plausible.
Los datos de portafolio de crédito privado no están incrustados en ningún modelo de lenguaje público. Si el harness no los proporciona, a través de herramientas, memoria o acceso a datos en tiempo real, el modelo llenará el vacío con algo que suena correcto. Lo cual, en un contexto de operaciones financieras, es un problema real.
La solución no es un modelo mejor. Es un harness que permita al agente acceder a los datos correctos, en el momento adecuado, con las herramientas y controles adecuados para recuperarlos.
Las firmas que se enfocan en construir sistemas operativos que proporcionen contexto, transparencia, auditabilidad y supervisión humana serán las que obtengan mayor valor de sus inversiones en IA. En el crédito privado, la ventaja a largo plazo puede no venir de adoptar IA más rápido que los competidores, sino de construir la infraestructura, o el harness, capaz de soportarlo de forma responsable y a escala.
Estableciendo Nuevos Diferenciadores Competitivos
A medida que estos sistemas operativos maduran y avanzan, también redefinirán lo que significa la excelencia dentro de las firmas de crédito privado. La capacidad de respuesta ya no será un diferenciador. Se asumirá. La entrega en tiempo real e instantánea se convertirá en la nueva línea de base.
Esto se debe a que la mayoría de las interacciones rutinarias ya no requerirán intervención humana. Con sistemas en tiempo real, capas de datos compartidos y flujos de trabajo automatizados, la información será accesible directamente y se actualizará de forma continua. Lo que antes requería un ciclo de solicitud y respuesta se resolverá en la fuente.
Como resultado, el papel del servicer cambia. Ya no se mide por la rapidez con la que procesan o responden, sino por cuán bien manejan lo que no puede automatizarse: excepciones, casos límite y juicios.
Por ello, la próxima generación de líderes en crédito privado puede parecer fundamentalmente diferente de las firmas que definieron el crecimiento de la industria en sus primeras etapas. El acceso al capital y la experiencia en suscripción seguirán siendo esenciales, pero la ejecución operativa se está volviendo cada vez más estratégica.
La mayoría de los fondos están utilizando IA de propósito general para análisis ad hoc o están en una fase de espera. Un pequeño grupo está comenzando a construir su propia infraestructura operativa especializada y descubren lo mucho que es más difícil de lo que esperaban. Los fondos que actúen primero en una infraestructura operativa especializada tendrán una ventaja que se acumula. No porque hayan elegido el modelo correcto (el modelo seguirá mejorando y siendo más barato independientemente), sino porque construyeron o adoptaron el harness adecuado, lo entrenaron con el contexto correcto y proporcionaron los controles que lo hacen confiable a escala.
En muchos sentidos, las firmas de crédito privado están evolucionando hacia organizaciones operativas tanto como financieras. La capacidad de gestionar flujos de trabajo, datos, supervisión y ejecución se volverá una parte definitoria del rendimiento competitivo de una firma.
Este artículo fue producido como parte de TechRadar Pro Perspectives , nuestro canal para presentar a las mentes más brillantes de la industria tecnológica hoy.
Las opiniones expresadas aquí son de quien escribe y no necesariamente las de TechRadar Pro o Future plc. Si está interesado en contribuir, descubra más aquí: https://www.techradar.com/pro/perspectives-how-to-submit
from Latest from TechRadar https://ift.tt/J6cEo7r
via IFTTT IA
