
La inteligencia artificial está entrando en procesos financieros donde una respuesta rápida no basta: debe ser trazable, contrastable y revisable. Chatham Financial ha descrito un caso concreto en validación de operaciones de mercados de capitales. Según la experiencia publicada por OpenAI el 2 de octubre de 2026, una aplicación creada con Codex redujo, en una medición inicial, una revisión que rondaba los 30 minutos a menos de cuatro. El dato es llamativo, pero su valor real está en cómo se delimitó el trabajo y en los controles que permanecen alrededor del sistema.
La propia fuente explica que Chatham todavía compara los resultados de la aplicación con operaciones reales y con revisores experimentados antes de ampliar la automatización. Por tanto, no estamos ante una prueba independiente ni ante una promesa aplicable a cualquier entidad. Es un caso de cliente comunicado por el proveedor tecnológico. Aun así, ofrece una guía útil para comprender qué tareas financieras pueden acelerarse y qué precauciones son necesarias.
Qué significa validar una operación financiera
Una validación de operación comprueba que el registro almacenado por los sistemas coincide con lo autorizado por el cliente y con lo que finalmente se ejecutó. Puede implicar contratos, confirmaciones, hojas de cálculo, datos de mercado y campos internos. Un error en una fecha, una moneda, un tipo, un importe o una contraparte puede trasladarse a cálculos posteriores y generar costes, discrepancias o problemas de cumplimiento.
El trabajo no consiste en «preguntar a un chatbot» si todo está bien. Primero hay que reunir las evidencias correctas; después, extraer términos relevantes; a continuación, comparar esos términos con reglas y documentos; y, por último, presentar las diferencias a una persona capaz de valorar su importancia. Esta secuencia explica por qué la automatización es más segura cuando se diseña alrededor de un proceso definido y no como una sustitución genérica del criterio profesional.
Cómo funciona el enfoque descrito por Chatham
La aplicación reúne documentación de apoyo, contrasta los términos principales y marca discrepancias para revisión. Esa formulación es importante: el sistema ayuda a localizar excepciones, mientras la decisión sobre su significado sigue dependiendo de especialistas. La IA puede reducir el tiempo empleado en buscar, copiar y ordenar datos, pero una excepción puede tener causas legítimas que solo se entienden con contexto contractual o de mercado.
Chatham encuadra el proyecto en Process Zero, un servicio que rediseña flujos partiendo del resultado deseado. Para cada flujo identifica los datos mínimos y las evidencias necesarias, determina dónde es imprescindible el juicio humano y decide cómo deben intervenir las herramientas. Es una manera más prudente de automatizar que limitarse a añadir un modelo a un procedimiento antiguo.
La empresa también utiliza Codex para construir herramientas internas y funciones orientadas a clientes. Su plataforma Chatham Onyx conecta activos, deuda y derivados con información gobernada y busca mantener la trazabilidad hasta las fuentes. El caso muestra que la productividad no depende solo del modelo: importan el acceso a datos autorizados, la calidad del software, los permisos, los registros y el diseño de la revisión.
Qué sabemos del ahorro de tiempo
El paso de aproximadamente 30 minutos a menos de cuatro procede de una medición temprana comunicada por Chatham. La fuente no publica el tamaño de la muestra, la diversidad de operaciones, la tasa de discrepancias ni un desglose de errores. Tampoco ofrece todavía el resultado completo de la comparación con revisores expertos. Por eso el porcentaje no debe extrapolarse a otras organizaciones ni convertirse en una garantía comercial.
La forma correcta de interpretar el dato es como una señal de potencial. Si una gran parte de la revisión consiste en localizar documentos, extraer campos repetitivos y comparar valores, una aplicación bien conectada puede ahorrar tiempo. La ganancia debe medirse junto con la exactitud, los falsos positivos, las omisiones y el tiempo que consume revisar cada alerta. Acelerar una tarea mientras se introducen errores silenciosos no sería una mejora.
Los controles que deberían acompañar a la IA
Datos y documentos autorizados
El sistema solo debería acceder a los repositorios necesarios para la tarea. Los permisos han de seguir el principio de mínimo privilegio. También conviene registrar qué documento y qué versión se usaron en cada comparación. Sin esa referencia, investigar una diferencia posterior se vuelve mucho más difícil.
Salidas estructuradas y verificables
En vez de una explicación libre, la aplicación puede devolver campos concretos: valor esperado, valor encontrado, fuente, nivel de confianza y motivo de la alerta. Esta estructura facilita la revisión y permite medir el rendimiento. Para mejorar la calidad de cualquier flujo automatizado también resulta útil aplicar un método de verificación de respuestas de inteligencia artificial antes de aceptar una conclusión.
Revisión humana basada en riesgo
No todas las operaciones requieren el mismo control. Un cambio pequeño y previsto puede tratarse de una forma distinta a una discrepancia material. Definir umbrales y rutas de escalado evita que los expertos pierdan tiempo con alertas irrelevantes. Las decisiones de mayor impacto deben conservar una aprobación humana clara.
Registro y capacidad de reconstrucción
Para auditar el proceso hacen falta registros de entrada, versión del sistema, reglas aplicadas, salida y decisión final. Estos datos deben conservarse con controles de acceso y plazos definidos. La trazabilidad no elimina los fallos, pero permite detectarlos, corregirlos y explicar por qué una operación siguió un camino determinado.
Riesgos que no desaparecen con una aplicación rápida
La extracción puede confundir tablas, versiones o anexos. Un documento incompleto puede producir una comparación aparentemente coherente. Los formatos cambian y las reglas se quedan obsoletas. También existe el riesgo de automatizar una práctica deficiente: si el proceso de referencia contiene excepciones mal documentadas, el software puede reproducirlas a mayor escala.
Otro peligro es la confianza excesiva. Una interfaz pulida y una respuesta inmediata pueden parecer más fiables de lo que son. Los equipos deben aprender a distinguir hechos recuperados, inferencias del modelo y decisiones humanas. La formación práctica en automatización con inteligencia artificial sin perder el control ayuda a diseñar responsabilidades, revisiones y límites desde el principio.
En finanzas también importan la confidencialidad, la residencia de los datos, la segregación de clientes y la gestión de proveedores. Cada organización debe evaluar sus obligaciones jurídicas y contractuales. El caso de una empresa no sustituye el análisis propio de riesgos ni el asesoramiento profesional que corresponda.
Cómo evaluar un proyecto similar paso a paso
El primer paso es escoger una tarea estrecha, repetitiva y medible. Conviene documentar cómo se realiza hoy, cuánto tarda, qué errores aparecen y qué evidencias utiliza el revisor. Sin una línea de base, cualquier mejora será una impresión difícil de demostrar.
Después se prepara un conjunto de operaciones representativas, incluidas las excepciones difíciles. El sistema se prueba sin tomar decisiones reales y sus resultados se comparan con los de especialistas. Las métricas mínimas deberían incluir exactitud por campo, discrepancias detectadas, omisiones, falsos avisos, tiempo total y esfuerzo de revisión.
La siguiente fase consiste en una prueba controlada con supervisión reforzada. Si el rendimiento se mantiene, se amplía gradualmente el alcance, no de golpe. Cada nueva clase de operación puede introducir documentos, terminología o reglas diferentes. La vigilancia debe continuar después del despliegue para identificar cambios en datos y comportamiento.
Las empresas que necesiten desarrollar capacidades internas pueden apoyarse en formación estructurada, por ejemplo para dominar herramientas de inteligencia artificial en el trabajo o para crear una aplicación con inteligencia artificial sin programar. La formación no reemplaza los controles técnicos y jurídicos, pero ayuda a formular mejores requisitos y a detectar usos inadecuados.
Preguntas que una dirección debería hacer
- ¿Qué decisión exacta facilita el sistema y quién conserva la responsabilidad final?
- ¿Qué documentos consulta y cómo se demuestra que son las versiones correctas?
- ¿Qué tipos de error se han medido y sobre cuántos casos?
- ¿Cómo se gestionan las excepciones, los cambios de formato y las reglas nuevas?
- ¿Qué información se registra y durante cuánto tiempo?
- ¿Puede detenerse el proceso sin perder datos si aparece un comportamiento inesperado?
Estas preguntas trasladan la conversación desde el entusiasmo por el modelo hacia la calidad del proceso. También permiten comparar herramientas distintas sin depender de una demostración preparada.
Qué puede aprender una pyme aunque no opere en mercados de capitales
El patrón es aplicable a facturas, pedidos, contratos, expedientes y controles de calidad: reunir evidencias, extraer campos, comparar reglas y elevar excepciones. Una pyme debería empezar con datos no críticos o con una segunda revisión obligatoria. El objetivo inicial puede ser preparar el trabajo del profesional, no ejecutar automáticamente la decisión.
La clave es elegir un problema en el que ahorrar búsqueda y copia aporte valor. Si el volumen es bajo o cada caso es totalmente distinto, quizá una automatización compleja no se amortice. También hay que sumar mantenimiento, seguridad, formación y supervisión al cálculo de coste.
Conclusión
El caso de Chatham Financial sugiere que una aplicación bien delimitada puede recortar de forma notable el tiempo dedicado a validar operaciones. La cifra de 30 minutos a menos de cuatro es una medición inicial de la propia empresa, no una evaluación independiente ni una garantía universal. Su lección más sólida está en el método: resultados definidos, evidencias controladas, comparación con expertos, trazabilidad y expansión gradual.
La inteligencia artificial aporta más valor cuando organiza información y señala excepciones sin ocultar la fuente ni desplazar la responsabilidad. En procesos financieros, la velocidad solo cuenta como mejora si la exactitud, la auditabilidad y la supervisión permanecen intactas.
Fuente principal: OpenAI, “Chatham scales its capital markets expertise with OpenAI”, 2 de octubre de 2026. La fuente es un caso de cliente del proveedor; sus resultados deben interpretarse con esa limitación.
