Ant International vende IA de FX para Barclays, Citi, Deutsche Bank e Standard Chartered
Cuatro grandes bancos globales han integrado el FalconTST 2.0 en sus sistemas de forex; el modelo de Ant afirma un recorte de más del 60% en costos de cobertura cambiaria y asignación.
Ant International anunció este jueves que Barclays, Citi, Deutsche Bank y Standard Chartered están utilizando el FalconTST 2.0, la segunda generación de su modelo de series temporales para la previsión de flujo de caja y exposición cambiaria en pagos transfronterizos. El modelo obtuvo un MASE de 0.666 en el benchmark público de referencia para modelos fundacionales de series temporales, superando a las opciones competidoras, con una precisión de previsión sostenida superior al 93%.
Según Ant, la integración permite un recorte de más del 60% en los costos de cobertura y asignación de FX para los bancos que realizan operaciones de tesorería global. Es una métrica agresiva y debe leerse dentro del contexto del productor: Ant vende el modelo, calibra el benchmark internamente y no ha publicado hasta ahora datos independientes de auditoría sobre estas ganancias en producción.
Cómo está utilizando cada banco
Barclays integró el FalconTST en su plataforma de cobertura de FX, la BARX NetFX. Citi combinó el modelo con su propio Fixed FX Rates, producto que ofrece tasas garantizadas a clientes corporativos con exposición multimoneda. Standard Chartered acopló el modelo al SCALE FX, como parte de la participación de ambos en el PathFin.ai, programa de la Monetary Authority of Singapore que prueba aplicaciones de IA en servicios financieros. Deutsche Bank no detalló públicamente qué sistema interno recibió la integración.
La ingeniería detrás es una familia de modelos fundacionales para series temporales que Ant ha estado entrenando desde 2024 con datos de pagos transfronterizos generados por su propia operación, que incluye Alipay+ y WorldFirst. FalconTST 2.0 es, por lo tanto, un modelo verticalizado, entrenado para el problema específico que los bancos necesitan resolver, y no un LLM genérico adaptado por prompt.
Por qué cuatro bancos rivales en el mismo modelo
La elección refleja dos cosas. La primera es que la economía de entrenar un modelo de series temporales especializado es hoy inviable para cualquier banco de forma aislada, aún más cuando el retorno depende de volúmenes de datos que solo un procesador de pagos global puede observar. La segunda es que el mercado de tecnología de tesorería se ha acostumbrado en los últimos dieciocho meses a comprar IA en lugar de construirla, un movimiento que ya se veía en mercados de capitales con plataformas como Adenza y Numerix.
Para el CIO de un banco de inversión, el riesgo del proveedor es el nuevo ítem en la ecuación. Un modelo que gana precisión a medida que consume más flujo de FX crea concentración de dependencia en un único proveedor asiático que también opera en la capa de pagos, un escenario que los reguladores europeos y norteamericanos aún no han normalizado en sus pautas de tercerización crítica.
Dónde llegará la presión
Dos lecturas cruzan mercados. En Singapur y Hong Kong, centros donde los cuatro bancos concentran parte relevante de la operación asiática de tesorería, el efecto es inmediato: los sistemas de FX externalizados comienzan a competir por bandwidth con plataformas domésticas de dealer banks japoneses y chinos. MUFG e ICBC están en pilotos similares con modelos propios de series temporales, y la MAS ya ha señalado que quiere estandarizar cómo se auditan estos sistemas dentro del sandbox PathFin.ai.
En el Reino Unido, Barclays opera su BARX NetFX desde Londres, donde las mesas de FX enfrentan desde hace dos trimestres compresión de spread y migración de clientes corporativos a plataformas RFQ automatizadas. Un modelo que reduce el costo de cobertura en un 60%, si se replica en rendimiento real, transfiere parte de esa ganancia al cliente antes de convertirse en margen para el dealer. Aiman Ezzat, CEO de Capgemini, llamó a este fenómeno en julio compresión de valor en los servicios de mercado.
El contraargumento proviene del propio sector. Ejecutivos de fintech europea recuerdan que la tasa de adopción de modelos fundacionales por parte de bancos globales aún es lo suficientemente pequeña como para que cualquier proyecto de tesorería funcional genere ganancias, y que el benchmark MASE en producción puede diferir del valor de leaderboard cuando los datos reales entran en el ciclo.
Lo que cambia a partir de ahora es que el comprador de tecnología de tesorería pasa a tener una referencia pública para negociar. Si la próxima RFP de FX llega con "queremos ver su MASE contra el FalconTST 2.0", el costo de entrada para proveedores occidentales como Kyriba, ION y FIS acaba de aumentar.