Preguntas y respuestas con Andrea DeSosa sobre cómo las empresas de mercados de capitales pueden conectar investigación, negociación, riesgo, operaciones y cumplimiento para llevar la AI de pilotos a flujos de trabajo gobernados.
por Kim Hatton y Andrea DeSosa
Las empresas de mercados de capitales están modernizando el ciclo de vida de las operaciones bajo presión desde todas las direcciones: volúmenes de datos crecientes, mayores expectativas de información en tiempo real, iniciativas de AI que se trasladan a producción y ciclos de liquidación más cortos. A estas alturas, nadie debate si se debe usar AI. La verdadera pregunta es si los equipos de investigación, negociación, riesgo, operaciones y cumplimiento normativo están trabajando con los mismos datos gobernados, o si simplemente se autoengañan pensando que lo hacen.
A medida que las empresas pasan de la experimentación a la producción, surge un patrón: la ventaja duradera no es un modelo aislado. Es la capacidad de hacer que los datos propietarios (como órdenes, ejecuciones, posiciones, investigación, riesgo, clientes y datos operativos) sean más fáciles de descubrir, confiables y gobernados a lo largo de todo el ciclo de vida.
Hablé con Andrea DeSosa, Global Head of Capital Markets GTM en Databricks, sobre las presiones operativas que están transformando los flujos de trabajo de prenegociación, ejecución, posnegociación y supervisión, para conocer formas prácticas de priorizar la modernización. Esta conversación ha sido editada para mayor claridad y brevedad, y se basa en los temas analizados en el libro electrónico Modernizing the Trade Lifecycle in Capital Markets.
Kim Hatton: ¿Qué está obligando a los líderes de negociación e investigación a replantearse el ciclo de vida de las operaciones en este momento?
Andrea DeSosa: Las empresas gestionan más datos alternativos, más experimentación con AI, plazos operativos más cortos y un escrutinio más estricto sobre cómo se toman y controlan las decisiones. Al mismo tiempo, la investigación, la negociación, el riesgo, las operaciones y la supervisión suelen depender de sistemas independientes y vistas de datos inconsistentes.
Esa fragmentación ralentiza la toma de decisiones, complica el análisis de la ejecución, limita la visibilidad del riesgo y dificulta la reconstrucción de los hechos cuando lo solicita un regulador, un cliente o una función de control interno.
Kim Hatton: ¿Dónde se manifiesta la fragmentación de datos en el ciclo de vida de las operaciones?
Andrea DeSosa: En la etapa de prenegociación, los equipos pueden pasar mucho tiempo preparando y conciliando datos de mercado, fundamentales, ESG y alternativos antes de poder probar una hipótesis de inversión o realizar un backtest.
Durante la ejecución, las mesas de negociación necesitan vistas oportunas de la calidad de la ejecución, la liquidez, el flujo de órdenes y el slippage por plataforma, estrategia y cliente. Sin embargo, es posible que la vista en el escritorio de un operador no coincida con los datos disponibles para los equipos de riesgo, cumplimiento normativo u operaciones.
En la posnegociación, muchas empresas aún dependen de procesos de riesgo nocturnos, conciliaciones basadas en hojas de cálculo e informes diseñados para un ciclo de liquidación más largo. Esas prácticas se vuelven más difíciles de mantener a medida que se reducen los plazos de liquidación y aumentan las expectativas de resiliencia operativa y transparencia.
Kim Hatton: ¿Dónde encaja la AI en la modernización del ciclo de vida de las operaciones?
Andrea DeSosa: Las empresas que obtienen un valor repetible de la AI no son necesariamente las que realizan el mayor número de pilotos. Son aquellas que pueden conectar y gobernar de manera segura el contexto propietario (flujo de órdenes, investigación interna, posiciones, resultados de riesgo, información del cliente y datos operativos) a lo largo de todo el ciclo de vida.
Sin esa base, la AI puede crear otro flujo de trabajo desconectado. Con ella, las empresas pueden crear herramientas que ayuden a los empleados a investigar excepciones, analizar la calidad de la ejecución, sintetizar investigaciones o detectar posibles problemas de supervisión, al tiempo que mantienen los controles de acceso y la trazabilidad adecuados.
La pregunta estratégica pasa de ser "¿Qué modelo deberíamos usar?" a "¿Cómo conectamos nuestros datos, análisis y controles en los flujos de trabajo de producción?".
Kim Hatton: ¿Qué señales indican que es hora de modernizar la arquitectura de negociación?
Andrea DeSosa: Tres de ellas se repiten constantemente.
Estas presiones conducen a una prueba práctica: cuando las tasas varían, los diferenciales (spreads) se amplían, la liquidez se deteriora o se produce un incidente operativo, ¿con qué rapidez puede la empresa ver sus posiciones, comprender las exposiciones, identificar los flujos de trabajo afectados y generar un registro auditable de los datos y las decisiones involucradas?
Kim Hatton: ¿Por dónde deberían empezar las empresas la modernización del ciclo de vida de las operaciones?
Andrea DeSosa: Comience con las decisiones que los líderes ya deben tomar:
Una vez que las preguntas prioritarias están claras, los dominios de datos requeridos también se vuelven más evidentes.
Para el análisis de la calidad de la ejecución, esto puede significar datos de mercado y de referencia junto con órdenes, ejecuciones, datos de plataformas y puntos de referencia (benchmarks). Para la resiliencia en la posnegociación, puede significar operaciones, asignaciones, confirmaciones, estado de liquidación, garantías, financiamiento y excepciones operativas.
El objetivo no es modernizar todos los sistemas a la vez. Consiste en establecer una base de datos gobernada y reutilizable para un número reducido de flujos de trabajo de alto valor, demostrar resultados medibles y expandirse a partir de ahí.
Kim Hatton: ¿Qué permite la plataforma Data + AI de Databricks en este enfoque?
Andrea DeSosa: La plataforma respalda esa progresión al reunir datos históricos y en tiempo real, análisis y AI en una base común.
Unity Catalog proporciona gobernanza centralizada, control de acceso, descubrimiento y linaje en todos los activos de datos y AI. Agent Bricks puede ayudar a los equipos a crear, implementar y gobernar agentes específicos del dominio, mientras que AI/BI permite a los usuarios de negocio explorar datos gobernados a través de paneles, visualizaciones y experiencias de lenguaje natural.
El valor no se limita a un solo flujo de trabajo. Es la capacidad de que los equipos de investigación, negociación, riesgo, operaciones y cumplimiento normativo trabajen a partir de datos consistentes y gobernados, preservando al mismo tiempo los controles y el contexto que cada función necesita.
Los modelos evolucionarán. Las preguntas de negocio, los datos propietarios y los requisitos de controles confiables permanecerán. Las empresas que abordan la modernización del ciclo de vida de las operaciones como una iniciativa de modelo operativo y datos gobernados (y no como una colección de funciones de AI aisladas) están mejor posicionadas para mejorar la velocidad de toma de decisiones, la resiliencia operativa y la capacidad de escalar nuevos casos de uso con el tiempo.
Descargue nuestro nuevo libro electrónico Modernizing the Trade Lifecycle in Capital Markets para conocer casos de uso prácticos de prenegociación, ejecución, posnegociación y supervisión, así como un marco para priorizar las iniciativas de AI y datos gobernados a lo largo de todo el ciclo de vida.
(Esta entrada del blog ha sido traducida utilizando herramientas basadas en inteligencia artificial) Publicación original
Suscríbete a nuestro blog y recibe las últimas publicaciones directamente en tu bandeja de entrada.