El riesgo moderno exige una base en tiempo real: el mandato del CRO

En un entorno macroeconómico volátil, la gestión de riesgos empresariales hoy en día está menos limitada por la sofisticación de los modelos y más por la latencia de los datos. Si bien los modelos financieros han evolucionado significativamente en las últimas dos décadas, la arquitectura de datos subyacente que respalda estos modelos a menudo sigue anclada en arquitecturas heredadas orientadas a lotes.

Para muchas instituciones financieras de primer nivel (Tier-1), la agregación de riesgos sigue dependiendo de entornos de datos fragmentados, procesamiento por lotes nocturno, conciliación manual de datos entre unidades de negocio y marcos de informes retrospectivos. Sin embargo, los acontecimientos recientes del mercado demuestran que cuando el riesgo se materializa en mercados modernos e interconectados, la arquitectura heredada crea graves brechas de visibilidad que impiden una intervención oportuna.

Esa brecha es importante porque el rol del Chief Risk Officer (CRO) está cambiando. La encuesta sobre gestión de riesgos de Deloitte reveló que más del 90 por ciento de los encuestados creen que la gestión de riesgos es cada vez más importante para alcanzar los objetivos estratégicos, y que las organizaciones con programas de riesgo más integrados tienden a superar a aquellas con enfoques menos integrados. La implicación es clara: los directorios esperan cada vez más que la función de riesgo contribuya al crecimiento, la resiliencia y la calidad de las decisiones, y no que actúe simplemente como un punto de control retrospectivo.

Ese cambio estratégico requiere una base operativa diferente.

Los puntos ciegos arquitectónicos son ahora responsabilidades estratégicas

Las recientes perturbaciones del mercado han dejado claro un patrón: las instituciones a menudo disponen de abundante información, pero carecen de una visión oportuna, integrada y lista para la toma de decisiones.

Episodios como los de Silicon Valley Bank (SVB), Archegos y la crisis de LDI en el Reino Unido expusieron debilidades recurrentes en la arquitectura de riesgo moderna.

1. Silicon Valley Bank (2023): El impacto de la velocidad de las corridas de liquidez digitalizadas

Silicon Valley Bank (SVB) mantenía un balance general fuertemente expuesto a bonos del Tesoro de EE. UU. a tasa fija y largo plazo, financiados por depósitos concentrados de capital de riesgo. Cuando las tasas de interés subieron rápidamente, el banco acumuló pérdidas no realizadas sustanciales. Para cumplir con las solicitudes de retiro de depósitos, SVB liquidó una parte de sus valores disponibles para la venta, materializando una pérdida de 1.8 mil millones de dólares.

• La brecha en la arquitectura de datos: Los modelos tradicionales de Asset Liability Management (ALM) y los marcos de informes regulatorios (como FR 2052a) se diseñaron históricamente en torno a ciclos de lotes semanales o mensuales, asumiendo que las salidas de depósitos ocurrirían en horizontes prolongados. Impulsados por los canales de banca digital y la rápida difusión de información a través de redes sociales y canales digitales, los clientes de SVB iniciaron solicitudes de retiro que sumaron 42 mil millones de dólares en un solo día. La infraestructura de riesgo del banco carecía de las canalizaciones de datos en tiempo real y streaming necesarias para realizar un seguimiento dinámico de los cambios en la posición de liquidez intradiaria durante una corrida de hipervelocidad.

2. Archegos Capital Management (2021): El alto costo de los datos fragmentados de contrapartes

Archegos Capital Management, una oficina familiar (family office), utilizó un apalancamiento extremo para construir posiciones concentradas en un número reducido de acciones a través de Total Return Swaps (TRS). Debido a que estas posiciones sintéticas estaban distribuidas entre múltiples corredores principales (prime brokers), incluidos Credit Suisse, Nomura, Morgan Stanley y Goldman Sachs, la escala real de la exposición total del fondo permaneció oculta para los participantes individuales del mercado. Cuando las acciones subyacentes disminuyeron de valor, Archegos incumplió con las llamadas de margen, generando más de 10 mil millones de dólares en pérdidas colectivas para sus instituciones prestamistas.

• La brecha en la arquitectura de datos: Solo Credit Suisse sufrió una pérdida de 5.5 mil millones de dólares, lo que contribuyó a una pérdida más amplia de confianza en el mercado. Las investigaciones internas revelaron que los sistemas de riesgo del banco no sufrían por falta de datos, sino por una grave fragmentación sistémica. Las métricas de exposición estaban aisladas en unidades de negocio y sistemas geográficos independientes. Debido a que la arquitectura carecía de una plataforma de datos unificada capaz de agregar el riesgo de crédito de contraparte en mesas de negociación dispares en tiempo real, los gestores de riesgos no podían ver la exposición total agregada de la institución a un solo cliente.

3. La crisis de Liability-Driven Investment (LDI) en el Reino Unido (2022): Pruebas de estrés estáticas frente a dinámicas

En septiembre de 2022, los anuncios repentinos de política fiscal en el Reino Unido provocaron que los rendimientos de los bonos del gobierno británico (Gilts) se dispararan a un ritmo sin precedentes. Esta volatilidad afectó gravemente a los fondos de pensiones del Reino Unido que utilizaban estrategias de Liability-Driven Investment (LDI), las cuales dependen de derivados para cubrir pasivos a largo plazo. A medida que los precios de los bonos se desplomaban, estos fondos se enfrentaron a llamadas de margen de garantía inmediatas y masivas por parte de sus contrapartes. Para obtener efectivo, los fondos de pensiones se vieron obligados a liquidar sus gilts subyacentes, lo que empujó los precios de los bonos aún más a la baja y creó un bucle de retroalimentación adverso que requirió la intervención de emergencia del Banco de Inglaterra.

• La brecha en la arquitectura de datos: Los modelos de riesgo históricos estáticos y estándar indicaban que estas carteras estaban adecuadamente cubiertas contra los movimientos convencionales del mercado. La arquitectura tecnológica subyacente no tuvo en cuenta los bucles de retroalimentación correlacionados y multivariables, específicamente, cómo una caída rápida en el valor de los activos forzaba liquidaciones sistémicas de esos mismos activos. La gestión de este riesgo requiere simulaciones de escenarios concurrentes y de alto rendimiento que sean capaces de procesar cambios macro complejos en clases de activos interdependientes de forma simultánea.

El costo de la fricción: Limitaciones operativas y estratégicas

El análisis de las fallas operativas modernas revela que las vulnerabilidades estructurales provienen en gran medida de una arquitectura de datos fragmentada y la dispersión de proveedores ("vendor sprawl"), más que de modelos defectuosos. Esto crea una fricción estructural que afecta a tres áreas clave:

1. La carga de la conciliación (Impacto en métricas: Alfa operativo y eficiencia de FTE): Los modelos de datos aislados y los controles inconsistentes obligan a los equipos de riesgo, finanzas y operaciones a realizar ejercicios repetidos de validación en hojas de cálculo, sistemas de proveedores y extracciones personalizadas. Crucialmente, esto degrada una métrica clave del CRO: el tiempo de obtención de información (Time-to-Insight). En lugar de centrarse en la gestión proactiva de la exposición, los equipos de riesgo consumen su ancho de banda operativo validando cifras de partidas individuales en hojas de cálculo y bases de datos desconectadas.
2. Latencia de los informes (Impacto en métricas: Precisión de Value-at-Risk (VaR) y vida media del Liquidity Coverage Ratio (LCR)): Los datos desactualizados degradan las decisiones. Depender del procesamiento por lotes nocturno para cálculos complejos (como el Expected Shortfall o las pruebas de estrés macro) hace que los comités de riesgo operen con datos obsoletos. En entornos de alta velocidad y mercados volátiles, esta latencia crea un punto ciego en el seguimiento de la liquidez intradiaria (Intraday Liquidity Tracking) y degrada la precisión de los límites de VaR, lo que obliga a las instituciones a asumir riesgos no cubiertos o a mantener reservas de efectivo subóptimas que no generan rendimientos.

3. Puntos ciegos en el linaje de datos (Impacto en métricas: Costo de cumplimiento y gestión de riesgos de modelos - SR 11-7):

   Un linaje débil aumenta la carga tanto operativa como regulatoria. Esto expone a la empresa a sanciones de auditoría (como CCAR o FR 2052a) bajo BCBS 239 y SR 11-7 (marcos de gestión de riesgos de modelos). Sin un linaje automatizado, rastrear los resultados inesperados del modelo hasta la fuente y distinguir entre cambios estructurales del mercado y datos ascendentes corruptos se convierte en un cuello de botella costoso y que consume mucho tiempo.

El cambio de arquitectura: Operacionalizar al CRO estratégico

Si se espera que el CRO moderno actúe como un líder estratégico, la pila de riesgo debe evolucionar de una infraestructura de informes fragmentada a una capa de inteligencia unificada.

Ahí es donde entra en juego Databricks Data and AI Platform. El valor de la plataforma para las organizaciones de riesgo no es simplemente la velocidad de forma aislada. Es la combinación de unificación, gobernanza e IA en una sola base:

• Agregación de posiciones en tiempo real y optimización de capital: Al reunir posiciones, límites, resultados de estrés y datos de mercado en una base unificada y gobernada en Unity Catalog, Databricks elimina la carga de la conciliación. Los equipos de riesgo operan con un modelo de permisos único y consistente y un linaje de datos verificado. Esta visibilidad centralizada reduce el tiempo de agregación (Time-to-Aggregation) de días a minutos, lo que permite al CRO optimizar los activos ponderados por riesgo (RWA) y reasignar dinámicamente el capital fuera de los sectores de alta exposición hacia activos de mayor rendimiento.
• Simulaciones "What-If" en menos de un segundo y defensa del margen: Pasar de las redes de procesamiento por lotes nocturnas heredadas a un procesamiento simultáneo de alto rendimiento permite a los equipos transicionar de la ceguera del modo por lotes a la vigilancia en tiempo real. Los gestores de riesgos pueden ejecutar análisis complejos y multivariables de operaciones "What-If" y ver las deltas de VaR o Expected Shortfall en segundos antes de que se registre una posición. Esta capacidad en tiempo real protege los márgenes netos de interés (NIM) y garantiza que los cambios repentinos en las variables macroeconómicas no desencadenen llamadas de margen sin cobertura.

• Flujos de trabajo de IA auditables y gobernanza simplificada: A medida que la IA se integra en la toma de decisiones crediticias de primera línea y en las señales de riesgo de mercado, Unity AI Gateway añade una capa de gobernanza de nivel empresarial para el tráfico de LLM y ML. Ofrece gestión de acceso automatizada, limitación de velocidad, seguimiento de uso, registro de carga útil y medidas de protección (guardrails). En combinación con Databricks Genie, que permite a los analistas de riesgos acceder a datos gobernados y consultarlos mediante lenguaje natural al tiempo que conservan historiales de auditoría SQL completos y el seguimiento de MLflow, la plataforma reduce drásticamente el coste de cumplimiento y acelera los plazos de validación de modelos (SR 11-7). El resultado es un panel de control de riesgos unificado que respalda una transición verificable de vistas de riesgo retrasadas y unidas manualmente a una agregación más en tiempo real, una investigación más rápida y una reproducibilidad absoluta de los modelos en todos los dominios de riesgo.

Databricks impulsa al CRO moderno en todos los servicios financieros

En el sector bancario

El banco moderno ya no puede gestionar el riesgo como un conjunto de funciones de control desconectadas. El CRO necesita un plano de control de capital y riesgo único y gobernado: señales de liquidez, capital, tipos de interés, operativas y de cumplimiento agregadas desde una base única y gobernada bajo Unity Catalog, en lugar de unidas a partir de una dispersión de soluciones puntuales después de que se liquide el lote nocturno. Sobre esa base, cuatro capacidades llevan al banco de los informes retrospectivos a la defensa proactiva del capital:

• Liquidez y ALM (LCR, NSFR, HQLA). La tesorería pasa de la ceguera del modo por lotes a la visibilidad intradiaria: un control minuto a minuto de las posiciones de liquidez en lugar de una cifra que siempre va un día por detrás del balance. Como muestra el panel de control de riesgos, los equipos pueden realizar un seguimiento de LCR, NSFR y HQLA en tiempo real, reducir los colchones de efectivo no productivos y rastrear cualquier ratio publicado hasta su origen sin salir de la pantalla; precisamente la visibilidad de la que se carecía cuando una fuga de depósitos a hipervelocidad superaba a un marco de ALM por lotes semanales.

• Riesgo de tipo de interés en la cartera bancaria (IRRBB). Todos los escenarios de perturbación de tipos de la supervisión residen en tablas gobernadas que el tesorero puede leer, anular y volver a ejecutar en minutos, en lugar de presentar una solicitud de cambio al proveedor. El ΔEVE de cada escenario como proporción del CET1 (y cualquier incumplimiento de la prueba de valores atípicos de Basilea) se puede consultar frente a la estructura de capital, de modo que el tesorero, el director financiero (CFO) y el CRO ven la misma cifra al mismo tiempo.
• Planificación y adecuación del capital (CCAR). La proyección de capital pasa de ser un proyecto de cuadernos y hojas de cálculo a un flujo de trabajo gobernado y reproducible. Las nuevas ejecuciones de CCAR con seguimiento de MLflow capturan cada hipótesis, entrada y salida, transformando una conversación de validación de modelos SR 11-7 que antes tomaba una semana en una que se resuelve con una consulta, y llevando la planificación de capital de un ejercicio anual a una postura continua.
• Informes regulatorios adaptados a las necesidades. La misma base gobernada que impulsa la vista de liquidez genera los resultados destinados al regulador. La generación simplificada de FR 2052a sustituye a la cadena de Excel a proveedor con múltiples transferencias intermedias, y la presentación se rige por el mismo linaje y controles de acceso que el cuadro de mando, lo que elimina las pilas duplicadas de informes regulatorios y la deuda de auditoría asociada a ellas.

El resultado es una organización de riesgos que optimiza los RWA y reasigna el capital de forma proactiva, en lugar de gastar su ancho de banda validando partidas en sistemas desconectados.

En los mercados de capitales

En los mercados de capitales, la limitación es más estricta, porque el coste de la latencia se mide en minutos. Los equipos de riesgos siguen trabajando con múltiples sistemas, múltiples versiones de la realidad y múltiples antigüedades de datos: plataformas OMS, motores de riesgo, herramientas analíticas, hojas de cálculo y correo electrónico funcionando en paralelo. Databricks rediseña el flujo de trabajo en torno a una única base gobernada de riesgo de mercado (posiciones propias, datos de contrapartes, datos de mercado, límites y fuentes de socios en una sola plataforma bajo Unity Catalog), visible a través del panel de control de riesgos y un Risk Genie en lenguaje natural. Cuatro capacidades definen el nuevo modelo operativo:

• Agregación de exposición en tiempo real. VaR, Expected Shortfall, DV01, CS01, incumplimientos de límites activos y exposiciones entre fondos en una sola pantalla, con acceso gobernado y linaje completo detrás de cada métrica, sustituyendo a la red de procesamiento por lotes nocturna donde el VaR llega como la cifra de ayer.
• Visibilidad de contrapartes y entre fondos. La exposición total agregada a una sola contraparte, a través de mesas de negociación y brókeres principales (prime brokers), se convierte en una respuesta de autoservicio en lugar de un proyecto de conciliación trimestral, cerrando la brecha de fragmentación que ocultaba el verdadero apalancamiento de una oficina familiar (family office) hasta que las pérdidas ya se habían materializado.
• Pruebas de estrés y simulaciones what-if en menos de un segundo. Los gestores de riesgos ejecutan pruebas de estrés simultáneas y en vivo de escenarios correlacionados y multivariables (las dinámicas de bucle de retroalimentación que los modelos históricos estáticos pasan por alto) y ven una delta de VaR o Expected Shortfall en segundos, antes de que se registre una operación, protegiendo los márgenes contra cambios macroeconómicos repentinos en lugar de descubrir los incumplimientos a la mañana siguiente.
• Investigación mejorada por IA con procedencia auditable. Un Risk Genie en lenguaje natural permite a la mesa interrogar datos gobernados en un lenguaje sencillo al tiempo que conserva un historial de auditoría SQL completo, y la procedencia del modelo respaldada por MLflow ofrece a los validadores y reguladores una cadena reproducible desde las entradas del escenario hasta las métricas de salida, respondiendo a preguntas de riesgo novedosas a la velocidad del mercado en lugar de dirigir cada una a una cola de analistas cuantitativos (quants).

Así es como se ve el riesgo de mercado moderno en Databricks: no otro cuadro de mando superpuesto a silos heredados, sino una superficie de control en vivo, gobernada y mejorada por IA para la gestión de la exposición, la transparencia de los modelos y decisiones más rápidas en las oficinas front, middle y back office.

Pruebas en producción

Esto no es una aspiración. Las instituciones de nivel 1 (Tier-1) ya están ejecutando funciones principales de riesgo y capital en la plataforma de datos e IA de Databricks.

En el sector bancario, el ejemplo de Raiffeisen Bank International muestra cómo una organización bancaria puede consolidar un entorno analítico fragmentado en una base más estandarizada y gobernada, al tiempo que mejora la velocidad, la rentabilidad y la auditabilidad. Para el banco moderno, eso significa que los debates sobre liquidez y capital pueden acercarse más al tiempo real, con menos conciliación manual y una mayor confianza en las cifras presentadas.

En los mercados de capitales, Morgan Stanley escaló uno de sus calculadores regulatorios más importantes, el riesgo de crédito de contraparte SACCR en Databricks, mejorando el rendimiento, la precisión del cálculo y el cumplimiento regulatorio, al tiempo que se consolidaba en una plataforma de datos e IA totalmente gestionada para cumplir con sus obligaciones regulatorias con un esfuerzo sustancialmente menor. State Street está liderando un nuevo estándar en IA empresarial para el sector financiero, unificando datos estructurados y no estructurados bajo Unity Catalog para equilibrar la rápida adopción de la IA con estrictos requisitos regulatorios y de seguridad. En ambos mundos, el patrón es el mismo: una base gobernada, agregación en tiempo real e IA auditable; el mandato del CRO moderno, en producción.

La próxima crisis no esperará al procesamiento por lotes nocturno

SVB, Archegos y la liquidación de LDI no fueron fallos matemáticos. Los modelos eran sólidos. Lo que falló fue la arquitectura que los sustentaba: datos que se agregaban con demasiada lentitud, exposición fragmentada en varios sistemas y pruebas de estrés que no podían ver los bucles de retroalimentación que se formaban en tiempo real. En cada caso, el riesgo era previsible. Simplemente no fue visible a tiempo para actuar.

Esa es la brecha que define la gestión de riesgos moderna. Los mercados se mueven ahora a la velocidad digital de una publicación viral y una retirada digital en el mismo día; la infraestructura de riesgos construida en torno a ciclos por lotes semanales y conciliación manual no puede mantener el ritmo, y el coste de ese desajuste se mide en miles de millones y, cada vez más, en la supervivencia institucional.

Cerrar la brecha ya no es una actualización tecnológica; es la condición previa para el mandato en evolución del CRO. La agregación en tiempo real, el análisis de escenarios en menos de un segundo y la AI auditable son lo que transforma la función de riesgo de un punto de control retrospectivo en un motor con visión de futuro para la asignación de capital y el crecimiento.

La plataforma de datos y AI de Databricks hace que ese cambio sea posible hoy mismo. Al unificar el riesgo de mercado, de liquidez, de capital, operativo y de cumplimiento en una única base gobernada, con linaje en cada métrica y transparencia en cada modelo, ofrece al CRO una visión única, en tiempo real y defendible de la empresa. Las instituciones que ya operan con ella no solo informan sobre el riesgo más rápido, sino que lo detectan antes y actúan antes de que se agrave.

La pregunta para todo líder de riesgos ya no es si el modelo es correcto. Sino si la arquitectura les permitirá ver con claridad y actuar con decisión cuando llegue la próxima crisis. El riesgo moderno exige una base moderna. La arquitectura heredada ya nos ha mostrado sus límites.

(Esta entrada del blog ha sido traducida utilizando herramientas basadas en inteligencia artificial) Publicación original