Una decisión financiera obliga a ponerle número a situaciones inciertas: el valor de una empresa, la pérdida potencial de un portafolio o la liquidez necesaria ante un escenario adverso. Para estimarlas, un modelo selecciona variables, descarta otras y postula relaciones entre ellas. Esa simplificación permite valorar y gestionar riesgos, pero también introduce fragilidad: una estimación puede parecer rigurosa aunque el entorno que hacía razonables sus supuestos haya cambiado.

La inteligencia artificial no elimina esa fragilidad; la lleva a otra escala. Puede procesar estados financieros, precios de mercado, noticias y otras señales; detectar patrones y actualizar estimaciones con rapidez. Sus resultados dependen de datos disponibles, del objetivo optimizado y de regularidades tratadas como persistentes. Si el entorno se mueve fuera de esa experiencia, el riesgo no es que la IA sea inútil, sino que siga optimizando una pregunta que ya no organiza bien la decisión.

Mientras la estabilidad de esas relaciones siga siendo razonable, el desafío principal es medir. Cuando la evidencia admite modelos razonables pero incompatibles, la decisión ya no depende solo de precisión estadística, sino de qué representación se acepta como guía. Si el escenario decisivo surge de un cambio de régimen o eventos apenas representados en la muestra histórica, extrapolar regularidades pasadas deja de bastar.

Esa fragilidad se vio en Silicon Valley Bank (SVB), ligado al ecosistema tecnológico y de venture capital, que colapsó en marzo de 2023. Tras acumular un volumen extraordinario de depósitos a la vista, debía decidir cómo invertir esos recursos: en instrumentos de menor duración, con menor rendimiento y menor sensibilidad a tasas, o en títulos de mayor plazo, con mayor rendimiento y mayor duración. La duración resume cuán sensible es el precio de un bono ante cambios en los rendimientos de mercado. Esa exposición se volvió crítica cuando la inflación en Estados Unidos empujó a la Reserva Federal a subir su tasa de política monetaria. Ese giro monetario elevó los rendimientos de mercado y redujo el valor de esos títulos.

El problema no era que los bonos dejaran de pagar, sino que exigían tiempo. La caída de valor podía permanecer como pérdida no realizada si SVB no tenía que vender los títulos a precios deprimidos. Los depósitos a la vista, en cambio, podían retirarse de inmediato, a su valor nominal. La estrategia era viable mientras el banco pudiera mantener esos bonos hasta el vencimiento; se volvía vulnerable si los depositantes exigían liquidez antes de que los activos devolvieran sus pagos.

Incluso un buen análisis de escenarios puede subestimar el estado del mundo que domina una decisión. La IA podría haber explorado combinaciones más severas de tasas y depósitos, sin eliminar esa limitación. En SVB, prudencia financiera consistía en valorar el margen de acción antes de que la combinación de tasas más altas y retiros de depósitos pasara de hipótesis incómoda a restricción efectiva.

En contextos de ambigüedad, un modelo no vale solo por producir una estimación: también importa mostrar de qué supuestos depende y cuándo pierden fuerza. La IA puede ampliar esa capacidad, pero no sustituye la decisión de preservar margen de acción. Más información no elimina la incertidumbre: desplaza la pregunta hacia qué supuestos estamos dispuestos a revisar antes de que el mercado lo haga por nosotros.

Este artículo fue publicado en El Mercurio el 09 de junio, 2026.