Habilidades técnicas más demandadas en el sector FinTech

I. Introducción: la transformación del talento financiero en el ecosistema FinTech

El perfil del profesional financiero está cambiando de forma acelerada. Según la Finance Skills Pulse Survey del CFA Institute, realizada entre 1.350 profesionales financieros con cargo de manager o superior en Estados Unidos, Reino Unido y Canadá, la industria demanda cada vez más conjuntos de habilidades híbridas: el conocimiento técnico central sigue siendo la base, pero las carreras en finanzas dependerán progresivamente de un equilibrio entre habilidades blandas —comunicación, colaboración y gestión de relaciones—, competencia en inteligencia artificial y experiencia práctica. El propio informe advierte de una brecha entre lo que esperan los profesionales ya establecidos y el nivel de preparación de quienes se incorporan al mercado, lo que subraya la necesidad de un aprendizaje continuo (upskilling) a lo largo de toda la carrera.

Este cambio no es cosmético. En el informe The Future of Global Fintech: Towards Resilient and Inclusive Growth, elaborado por el Cambridge Centre for Alternative Finance junto al Foro Económico Mundial, el 70% de las fintechs encuestadas señala la inteligencia artificial como el tema más relevante para el desarrollo del sector en los próximos cinco años, por delante de la economía digital, las finanzas embebidas y la banca abierta. En paralelo, el Banco Central Europeo documenta que el número de empleos relacionados con IA, así como las patentes vinculadas a estas tecnologías, crece de forma sostenida desde 2022, y estima que la IA generativa podría añadir entre 2,6 y 4,4 billones de dólares de valor económico anual a escala global, con la banca como una de las principales beneficiarias. El profesional financiero tradicional —centrado en el análisis fundamental o la contabilidad— da paso así a un perfil híbrido, capaz de dialogar tanto con modelos econométricos como con pipelines de datos y modelos de lenguaje.

II. Competencias técnicas clave (Hard Skills) en la intersección tecnológica y económica

A. Modelado predictivo y Machine Learning aplicado a finanzas

Una revisión académica publicada en PMC sobre el papel del machine learning en los servicios financieros del Reino Unido concluye que estas técnicas han tenido un impacto considerable en áreas como la detección de fraude y cumplimiento normativo, el scoring crediticio, la predicción de dificultades financieras, el robo-advising y el trading algorítmico. El mismo estudio recoge una cifra ilustrativa: Jamie Dimon, CEO de J.P. Morgan, ha señalado que el uso de IA únicamente en detección de fraude le ahorra a su banco 150 millones de dólares al año. Para desarrollar estas competencias de forma estructurada, el CFA Institute diseñó su Data Science for Investment Professionals Certificate, un programa de cinco cursos —fundamentos de datos y estadística, estadística para machine learning, machine learning, procesamiento de lenguaje natural y mitigación de sesgos— pensado para analistas de inversión, gestores de carteras, relationship managers y traders sin conocimientos previos de ciencia de datos.

B. Procesamiento de lenguaje natural (NLP) y análisis de datos no estructurados

El Bank for International Settlements (BIS) identifica el acceso a fuentes de datos no estructurados como uno de los factores de oferta que están impulsando la adopción de IA en el sector financiero, junto con los avances en grandes modelos de lenguaje (LLM), las técnicas de deep learning y el aumento de la capacidad computacional. En su informe anual sobre economía e implicaciones para bancos centrales, el propio BIS explica que la novedad de los LLM reside en su capacidad de imponer orden matemático a escala sobre datos cotidianos no estructurados —texto, imágenes, audio—, algo que antes escapaba a las generaciones previas de herramientas de IA. En este contexto, saber aplicar NLP para extraer señales de informes corporativos, noticias o comunicados regulatorios se ha convertido en una competencia diferenciadora, y es precisamente uno de los cinco módulos del certificado de ciencia de datos del CFA Institute.

C. Programación estadística y visualización de datos (Python y R)

Entre las competencias prácticas que enseña el certificado del CFA Institute figura explícitamente la capacidad de seleccionar y desarrollar visualizaciones de datos usando Python y R, dos lenguajes que se han consolidado como estándar de facto para el análisis cuantitativo en finanzas. Como recuerda un artículo del propio CFA Institute, la democratización tecnológica del acceso a la información ha hecho que casi todos los actores del mercado dispongan de los mismos datos; la diferencia competitiva ya no está en poseer la información, sino en la capacidad de estructurarla y modelarla. Para quienes se acercan a estas herramientas desde un perfil más técnico o buscan comparar su papel con otros lenguajes de propósito general, puede resultar útil revisar esta comparativa técnica de lenguajes de programación backend más utilizados, que ayuda a contextualizar por qué Python domina también en el análisis de datos financiero.

D. Gestión, calidad del dato y linaje de transformaciones financieras

La calidad y trazabilidad del dato es, según la encuesta de IA en servicios financieros del Banco de Inglaterra y la Financial Conduct Authority (FCA) de 2024, una de las principales fuentes de riesgo percibido: de los cinco riesgos actuales más señalados por las firmas, cuatro están relacionados con el dato —privacidad y protección, calidad, seguridad y sesgo o representatividad—. Un profesional de inversión, apunta el CFA Institute, debe poder explicar de dónde proviene un dato, cómo ha sido transformado y si algo ha cambiado en ese proceso, tal como cualquier empleado de un banco entiende los fundamentos de la gestión de riesgo aunque exista un departamento dedicado a ello.

III. Casos de uso prácticos y aplicaciones sectoriales

A. Banca y pagos: detección de fraude, scoring crediticio y prevención de blanqueo de capitales (AML)

El informe de 2022 del Banco de Inglaterra sobre machine learning en servicios financieros del Reino Unido, resumido por el despacho Gowling WLG, detalla que en banca el machine learning se emplea principalmente en funciones de prevención de blanqueo de capitales, riesgo de crédito y modelado de capital regulatorio. La encuesta más reciente, de 2024, confirma esta tendencia: los beneficios actuales mejor percibidos por las firmas se concentran en los conocimientos analíticos derivados del dato, la lucha contra el fraude y el blanqueo de capitales, y la ciberseguridad. Un 75% de las firmas encuestadas ya utiliza IA, frente al 58% registrado en la encuesta de 2022, y un 10% adicional planea adoptarla en los próximos tres años.

B. Gestión de inversiones y trading: señales operativas, enrutamiento de órdenes y robo-advising

En gestión de inversiones, el mismo informe del Banco de Inglaterra señala que el machine learning se utiliza sobre todo para el enrutamiento y ejecución de órdenes y para la generación de señales de trading. La revisión académica publicada en PMC añade el robo-advising y el trading algorítmico como aplicaciones consolidadas en el Reino Unido, mientras que organismos como la International Capital Market Association documentan iniciativas regulatorias específicas sobre IA en trading, incluido un informe de 2026 de la Financial Markets Stability Board dedicado en exclusiva a este uso.

C. Modelado de riesgo regulatorio y capital de reserva

En el sector asegurador, el informe de 2022 del Banco de Inglaterra identifica la gestión de siniestros, la fijación de precios de productos y el modelado de capital de reserva como los usos típicos del machine learning, mientras que en banca destaca el modelado de capital regulatorio junto al riesgo de crédito. A nivel global, la Financial Stability Board —resumida en el sitio del BIS— constata que las instituciones financieras utilizan la IA sobre todo para mejorar operaciones internas y el cumplimiento regulatorio, y que los casos de uso orientados a generación directa de ingresos siguen siendo limitados, aunque las firmas experimentan con cautela con IA generativa.

IV. Gestión del riesgo de modelos, gobernanza y explicabilidad

A. Mitigación de sesgos en pipelines de datos y modelos

El quinto y último curso del Data Science for Investment Professionals Certificate del CFA Institute se dedica íntegramente a la mitigación de sesgos en el pipeline de ciencia de datos, una competencia que responde a un riesgo real: la encuesta 2024 del Banco de Inglaterra y la FCA identifica el sesgo y la representatividad del dato entre los cinco riesgos actuales más citados por las firmas del sector financiero.

B. El desafío de la interpretabilidad de modelos complejos ('cajas negras')

Tanto el informe de 2022 como el de 2024 del Banco de Inglaterra coinciden en que la falta de explicabilidad e interpretabilidad es uno de los principales riesgos que enfrentan las firmas al usar machine learning. La encuesta de 2024 precisa que solo un 34% de las firmas declara tener una "comprensión completa" de las tecnologías de IA que emplea, frente a un 46% que reconoce tener solo una "comprensión parcial", en gran medida por la dependencia de modelos desarrollados por terceros. Este vacío ha motivado iniciativas regulatorias concretas: el rastreador de desarrollos normativos de la ICMA documenta, entre otros, el Proyecto Noor del BIS Innovation Hub, desarrollado junto a la Autoridad Monetaria de Hong Kong y la FCA británica para prototipar técnicas de IA explicable destinadas a supervisores financieros, así como un documento del BIS centrado específicamente en cómo los reguladores pueden abordar la explicabilidad de la IA.

C. Dependencia de terceros e infraestructura tecnológica externa

La encuesta 2024 del Banco de Inglaterra revela que un tercio de todos los casos de uso de IA en el sector financiero corresponde a implementaciones de terceros, frente al 17% registrado en 2022, y que los tres principales proveedores externos concentran el 73%, el 44% y el 33% de todos los servicios de nube, modelos y datos reportados, respectivamente. El informe de la Financial Stability Board resumido por el BIS advierte que esta creciente dependencia de infraestructura y hardware especializado, concentrada en pocos proveedores, puede amplificar vulnerabilidades financieras si no se acompaña de controles adecuados; el Banco Central Europeo añade que una adopción generalizada de IA con proveedores concentrados puede incrementar el riesgo operacional, incluido el riesgo cibernético, así como el comportamiento de manada y la correlación entre mercados.

V. Habilidades complementarias (Soft Skills) y aprendizaje continuo

A. Traducción y comunicación de conceptos técnicos a audiencias no expertas

Entre las competencias que enseña explícitamente el certificado de ciencia de datos del CFA Institute está la capacidad de explicar técnicas de machine learning a una audiencia no experta. Un artículo del propio instituto recoge el testimonio de Sree Mallikarjun, Chief Scientist y Head of AI Innovation en Reorg, quien señala que, aunque los profesionales de inversión no necesitan ser científicos de datos expertos, sí deben conocer los conceptos generales para comunicarse eficazmente con el equipo técnico, por ejemplo indicando qué tipo de modelo de previsión necesitan o qué nivel de robustez exige su caso de inversión.

B. Colaboración multidisciplinaria y gestión de relaciones

La Finance Skills Pulse Survey del CFA Institute sitúa la colaboración y la gestión de relaciones entre las habilidades blandas que, junto a la comunicación y la competencia en IA, definirán el futuro de la profesión financiera. En la misma línea, Mark Ainsworth, experto en datos que dirigió el área de insight y data science en Schroders, explica en declaraciones recogidas por el CFA Institute que cuando la interfaz entre el negocio y el equipo de ciencia de datos no funciona, este último puede terminar dedicado a proyectos condenados al fracaso, intentando ajustar un modelo a un conjunto de datos que es puro ruido. Esta necesidad de integrar perfiles técnicos dentro de equipos financieros conecta directamente con la forma en que las organizaciones diseñan la incorporación de nuevo talento: para las empresas que buscan estructurar ese proceso, resulta relevante revisar cómo diseñar un proceso de onboarding técnico eficaz para nuevos empleados, de forma que los especialistas cuantitativos se integren con rapidez en la cultura y los flujos de trabajo financieros.

C. Cierre de la brecha formativa mediante upskilling y certificaciones especializadas

La brecha de habilidades es cuantificable. Según datos citados en el lanzamiento del Data Science for Investment Professionals Certificate, solo uno de cada cuatro profesionales de inversión interesados en adquirir conocimientos de ciencia de datos está haciéndolo activamente, y una encuesta previa del CFA Institute mostró que, si bien el 64% de los profesionales de inversión declara interés en aprender más sobre IA y machine learning, apenas un 3% se considera ya proficiente en estos conceptos. El interés, además, varía según la etapa de la carrera: los datos recogidos por el CFA Institute muestran que los profesionales de carrera temprana y media declaran tasas más altas de estar cursando o planeando cursar formación en IA y machine learning que quienes están en etapas avanzadas de su trayectoria. La propia Finance Skills Pulse Survey remarca la importancia del upskilling continuo precisamente para cerrar la brecha entre lo que el mercado exige y lo que los nuevos entrantes pueden ofrecer. Para quienes buscan traducir estas certificaciones y competencias híbridas en una candidatura sólida, conviene revisar también los principios detrás de cómo redactar un currículum técnico para perfiles de ingeniería de software, muchos de cuyos criterios de contratación —evidencia de proyectos reales, dominio de herramientas concretas y comunicación clara de resultados— resultan igualmente aplicables al analista cuantitativo que busca posicionarse en la intersección entre finanzas y tecnología, un terreno que comparte más de un punto en común con el perfil descrito en qué hace un desarrollador backend y cuál es su ruta de aprendizaje, en tanto ambos exigen rigor técnico combinado con capacidad de traducir soluciones complejas a decisiones de negocio.

Fuentes Oficiales y Referencias Consultadas

• cfainstitute.org - cfainstitute.org
• bankofengland.co.uk - bankofengland.co.uk
• bankofengland.co.uk - bankofengland.co.uk
• ecb.europa.eu - ecb.europa.eu
• jbs.cam.ac.uk - jbs.cam.ac.uk
• cfainstitute.org - cfainstitute.org
• bis.org - bis.org