El regulador financiero de Corea planea un investigador de IA, pero las pruebas siguen necesitando humanos

El Servicio de Supervisión Financiera de Corea del Sur ha seleccionado a un desarrollador para un investigador de IA, lo que plantea una nueva tensión entre una detección más rápida de abusos de mercado y unas pruebas que puedan sostenerse. El proyecto salió a la luz a través de Google News después de que Seoul Economic Daily informara de que LG CNS había obtenido la condición de licitador preferente. Según se informa, la operación completa está prevista para 2028.

Esto es más que otro sistema que puntúa operaciones inusuales. El modelo previsto conectaría cuentas sospechosas, recomendaría pruebas adicionales, reevaluaría los casos después de que los investigadores incorporen material y ayudaría a redactar documentos oficiales. Estas funciones trasladan la IA de la vigilancia del mercado a la propia investigación.

La distinción importa porque Korea Exchange ya opera un sistema de IA para la vigilancia temprana del mercado. Según se informa, el nuevo proyecto de la FSS se adentra más en material de casos no público y flujos de trabajo de investigación. También ejerce mayor presión sobre los investigadores humanos para explicar cuándo un algoritmo influyó en un caso, incluso si una persona firma la decisión final.

Lo que dice el informe de Google News que Corea está construyendo

El sistema previsto convertiría la IA de generador de alertas en asistente activo de investigación.

Según el plan de investigación publicado, LG CNS se convirtió recientemente en licitador preferente para un proyecto de la FSS valorado en unos 4.500 millones de wones. Bespin Global y Konan Technology también compitieron por el trabajo.

Seoul Economic Daily afirma que el proyecto debería completarse para diciembre de 2027. La operación práctica completa comenzaría en 2028. Ni ese calendario ni la configuración técnica final deben considerarse definitivos hasta que la FSS o el contratista seleccionado publiquen documentación concluyente del proyecto.

El sistema previsto tiene dos componentes estrechamente conectados. El primero es un modelo especializado para investigaciones del mercado de capitales. El segundo es una colección de agentes de IA que apoyarían a los investigadores con investigación, preparación de documentos, priorización de avisos, transcripción y resumen.

Un agente de IA es un software capaz de completar una tarea de varios pasos mediante modelos, herramientas y flujos de trabajo definidos. En este caso, el agente no se limitaría a responder preguntas generales. Operaría dentro de los sistemas de trabajo existentes de la FSS y utilizaría información disponible para investigadores autorizados.

Según se informa, el modelo aprendería de información pública del mercado, incluidos precios, volúmenes de negociación y declaraciones regulatorias. También utilizaría material no público reunido durante las investigaciones. Los planes de investigación anteriores, los informes y las opiniones de resolución aportarían contexto institucional adicional.

Esa combinación podría ofrecer al modelo una visión mucho más rica que una pantalla de datos públicos de negociación. Los movimientos de precios por sí solos rara vez explican quién coordinó una actividad o por qué varias cuentas se comportaron de forma similar. Los registros de casos pueden contener relaciones, razonamientos de investigación y patrones de prueba que son invisibles en una fuente de datos de mercado.

El sistema trazaría entonces conexiones entre cuentas sospechosas de negociación desleal. Podría agrupar cuentas relacionadas, analizar su comportamiento combinado y sugerir qué deberían recopilar los investigadores a continuación. Esas sugerencias podrían dirigir la atención hacia registros de transacciones, comunicaciones, vínculos de propiedad u otro material que pueda obtenerse legalmente.

Los investigadores reunirían el material propuesto y lo devolverían al sistema. El modelo reevaluaría la probabilidad de una infracción utilizando esas pruebas. El informe describe este proceso repetitivo como un sistema circular de investigación.

Ese ciclo es la característica más trascendental del proyecto. El software de vigilancia tradicional suele crear una alerta, asignar una puntuación o identificar un patrón. Un sistema circular participa en la teoría en desarrollo de un caso.

El asistente previsto también redactaría registros de preguntas y respuestas, informes de investigación y opiniones de resolución en formatos de la FSS. La redacción puede reducir el trabajo repetitivo, pero también afecta a cómo se organizan y presentan los hechos. Una narrativa generada puede influir en un investigador incluso cuando este siga siendo formalmente responsable.

Se espera que el sistema funcione en una red cerrada, separada de la internet pública. El informe afirma que la FSS excluyó servicios de modelos externos como ChatGPT y Gemini porque el proyecto manejará información sensible de investigación.

Según se informa, LG CNS propuso dos grandes modelos de lenguaje nacionales que pueden ejecutarse en servidores internos. EXAONE de LG AI Research fue identificado como uno de los candidatos porque los pesos del modelo están disponibles para su instalación local. La selección final del modelo no se ha confirmado públicamente.

Una implementación cerrada reduce el riesgo de enviar registros protegidos a un punto de acceso externo en la nube. No elimina los problemas de seguridad, gobernanza o precisión. Los modelos internos siguen requiriendo controles de acceso, registro de actividad, evaluación, gestión de parches y protecciones contra datos contaminados.

Por tanto, los lectores de Google News se encontraron con una historia sobre algo más que automatización gubernamental. El proyecto combina registros sensibles, análisis de cuentas vinculadas, recomendaciones de investigación y generación de documentos dentro de un único flujo de trabajo regulado. Ese alcance crea la tensión central: la rapidez solo tiene valor si las pruebas resultantes siguen siendo revisables.

Corea ya utiliza IA para encontrar señales sospechosas del mercado

El proyecto de la FSS parece ampliar un programa de cumplimiento que pasó de la vigilancia en línea a una investigación centrada en las personas.

La Comisión de Servicios Financieros de Corea anunció que Korea Exchange comenzaría a operar un sistema de supervisión con IA el 3 de febrero de 2026. Ese sistema se dirige a señales tempranas de manipulación bursátil y otras transacciones desleales.

El sistema de KRX analiza publicaciones en línea, informes de mensajes de spam, vídeos de YouTube, noticias, divulgaciones y movimientos de precios de acciones. Asigna puntuaciones a empresas cotizadas e identifica valores con una alta probabilidad de actividad sospechosa.

Después, los humanos examinan las empresas señaladas y deciden si se justifica un análisis más profundo. Esta estructura sitúa la IA al comienzo del proceso. Ayuda a las autoridades a reducir un gran flujo de información a un conjunto menor de posibles casos.

El proyecto de la FSS descrito en Google News se situaría más adelante en el proceso. Trabajaría con cuentas sospechosas, registros no públicos, documentos de casos acumulados y solicitudes de pruebas. También podría ayudar a dar forma al registro escrito utilizado durante una investigación.

Esa progresión sigue las medidas anunciadas por la FSC, la FSS y KRX en julio de 2025. Las agencias señalaron que las responsabilidades fragmentadas habían retrasado las respuestas a casos urgentes de manipulación. KRX gestionaba el examen del mercado, mientras que la FSC y la FSS ejercían distintas facultades de investigación.

El plan de cumplimiento de 2025 del Gobierno creó una estructura de respuesta conjunta y pidió un uso más amplio de la IA en la vigilancia. También vinculó una detección más rápida con congelaciones de cuentas, sanciones económicas, restricciones de negociación y límites para ejercer como ejecutivo de una empresa cotizada.

Esas sanciones elevan la importancia de cualquier sistema analítico que alimente el proceso. Una puntuación de alto riesgo no genera simplemente un dato interesante. Puede contribuir a una investigación que afecte a activos, acceso al mercado, empleo y reputación.

Corea también comenzó a desplazar la vigilancia de cuentas individuales hacia las personas que están detrás de ellas. La supervisión basada en cuentas puede tratar varias cuentas controladas por un mismo actor como si no estuvieran relacionadas. También puede dejar a los investigadores con una población innecesariamente amplia de posibles objetivos.

Los cambios regulatorios autorizaron al personal de vigilancia de KRX a procesar datos de identificación seudonimizados. Según la FSC, se esperaba que la vigilancia centrada en las personas redujera los objetivos de vigilancia en aproximadamente un 39 por ciento.

Ese cambio de política proporciona parte de la base para el análisis de cuentas vinculadas. Si las autoridades pueden conectar cuentas con una entidad común bajo controles legales definidos, un modelo de IA puede buscar comportamientos coordinados en toda la red.

Consideremos un escenario simplificado de manipulación. Varias cuentas compran una acción con poca liquidez mientras se difunden mensajes promocionales en línea. Otras cuentas negocian entre sí, creando la apariencia de actividad. Un grupo final vende ante la demanda creada por la promoción.

Un sistema de alertas convencional podría señalar el aumento de precio, el volumen inusual o la conversación en línea. Un modelo de relaciones podría preguntar si las cuentas comparten fuentes de financiación, dispositivos, información de contacto, titulares reales o patrones sincronizados de órdenes.

El valor no proviene de declarar automáticamente la culpabilidad. Proviene de formular hipótesis de investigación comprobables a través de conjuntos de datos que a los humanos les llevaría más tiempo conectar. El investigador aún debe determinar si esos vínculos tienen explicaciones inocentes.

La agenda más amplia de cumplimiento de Corea explica por qué el proyecto está ocurriendo ahora. Los reguladores se enfrentan a flujos de información digital más grandes mientras buscan actuar con mayor rapidez contra la manipulación coordinada. Las plataformas sociales, la mensajería privada, la negociación algorítmica y múltiples cuentas de corretaje dificultan la revisión manual.

El sistema KRX de 2026 abordó el problema del descubrimiento. El sistema FSS previsto se dirige al cuello de botella de la investigación. Juntos, delinean una cadena desde la detección de señales públicas hasta el desarrollo de pruebas.

La verdadera pugna es entre la velocidad de la IA y unas pruebas defendibles

Una investigación solo se fortalece cuando el sistema puede mostrar cómo cada recomendación se conecta con hechos fiables.

El diseño comunicado promete un mapeo de relaciones más rápido, una recopilación de pruebas más focalizada y menos redacción repetitiva. Esos beneficios son plausibles porque los casos de abuso de mercado suelen implicar grandes volúmenes de operaciones, declaraciones, mensajes y registros históricos.

Sin embargo, la eficiencia de la investigación no equivale a fiabilidad jurídica. Un modelo puede encontrar una asociación estadística que no tenga relevancia probatoria. También puede pasar por alto una explicación común para un comportamiento que parece coordinado.

Las cuentas vinculadas ofrecen un ejemplo útil. Dos inversores pueden negociar valores similares porque siguen al mismo analista, estrategia de índice o señal pública. Los familiares pueden compartir direcciones o dispositivos sin coordinar una manipulación. Los grupos empresariales pueden realizar transferencias legítimas entre entidades relacionadas.

El modelo debe separar una pista útil de una conclusión. Si los investigadores tratan un resultado clasificado como un hecho, un sistema diseñado para acotar la búsqueda podría, en cambio, consolidar una sospecha inicial.

Los componentes generativos crean un segundo problema. Los grandes modelos de lenguaje producen texto prediciendo secuencias probables, en lugar de recuperar la verdad mediante un proceso garantizado. Pueden omitir hechos contrarios, fusionar acontecimientos separados o describir relaciones inciertas con demasiada seguridad.

Ese riesgo se vuelve grave cuando el texto generado entra en un informe de investigación. Un párrafo pulido puede parecer autoritativo incluso cuando su cadena de respaldo está incompleta. Los investigadores necesitan acceso directo a los registros subyacentes, las entradas del modelo y los resultados de recuperación.

Cada afirmación importante de un borrador generado debería poder rastrearse hasta una fuente identificable. El sistema debería distinguir entre datos de mercado, declaraciones oficiales, observaciones de investigadores, alegaciones de terceros e inferencias del modelo. Esas categorías no tienen el mismo peso probatorio.

Una salida útil indicaría que tres cuentas operaron dentro de un intervalo definido y compartían un atributo documentado. Una salida peligrosa describiría esas cuentas como un grupo coordinado sin exponer la base de esa caracterización.

Por tanto, la revisión humana forma parte del mecanismo del sistema, no es una capa de seguridad opcional. El flujo de trabajo circular solo puede mejorar un caso cuando los investigadores cuestionan las recomendaciones, añaden material contradictorio y documentan por qué aceptaron o rechazaron cada pista.

El mismo principio se aplica a la redacción administrativa. Las plantillas pueden agilizar el trabajo rutinario, pero un funcionario debe verificar nombres, fechas, valores de transacciones, estándares jurídicos y material citado. El registro final debe conservar las ediciones e identificar qué pasajes fueron generados originalmente por IA.

Las autoridades financieras de otros lugares enfrentan preguntas similares sobre explicabilidad. El Banco de Pagos Internacionales identifica la opacidad, una gobernanza de datos deficiente, las ciberamenazas y la concentración en terceros entre los principales riesgos de gobernanza de modelos.

La explicabilidad no exige que todos los modelos se vuelvan matemáticamente simples. Exige una explicación adecuada para la decisión. Un investigador necesita saber por qué se señaló una cuenta, qué registros respaldaron la vinculación y con qué intensidad influyó cada característica en el resultado.

El sistema también debe preservar la incertidumbre. Un mapa de relaciones debe comunicar si una arista representa propiedad compartida, una sincronización similar, infraestructura común o una inferencia no verificada. Presentar cada conexión con el mismo peso visual puede inducir a error a los usuarios.

Las métricas importan en este ámbito. La precisión en un conjunto de pruebas general no sería suficiente. La FSS necesita datos de rendimiento para distintos patrones de manipulación, condiciones de mercado, tamaños de empresa y estructuras de cuentas.

Los falsos positivos consumen capacidad investigadora y pueden someter a partes inocentes a escrutinio. Los falsos negativos permiten que la conducta indebida continúe. Optimizar una tasa sin informar sobre la otra puede ocultar la disyuntiva operativa.

Los datos históricos presentan otra complicación. Las investigaciones pasadas reflejan prioridades de supervisión anteriores, hábitos de investigación y tecnología disponible. Entrenar con esos expedientes puede reproducir puntos ciegos en lugar de revelar patrones nuevos.

Las etiquetas también pueden ser incoherentes. Un caso cerrado por pruebas insuficientes no demuestra necesariamente que nunca se produjera actividad sospechosa. Un modelo entrenado para tratar todos los casos cerrados como negativos podría aprender una distinción equivocada.

El titular de Google News hace que el sistema parezca un investigador autónomo. Una descripción más precisa sería una colección de herramientas analíticas y de redacción integradas en un proceso dirigido por personas. Que esa distinción sobreviva al uso diario determinará la credibilidad del proyecto.

Una red cerrada protege los registros, pero crea nuevas limitaciones

Mantener el modelo dentro del perímetro de la FSS mejora el control de los datos, al tiempo que hace más exigentes el mantenimiento, la evaluación y la rendición de cuentas.

Según se informa, la FSS descartó las llamadas a modelos externos porque sus expedientes de investigación contienen información sensible. Esa decisión limita la exposición a servicios de nube pública y otorga a la agencia un control más directo sobre el almacenamiento, el acceso y la retención.

Una implementación local puede evitar que los prompts y los documentos de los casos salgan del entorno del regulador. También puede respaldar registros de auditoría detallados vinculados a empleados autenticados. Estos controles son esenciales cuando el modelo puede acceder a información personal y de mercado no pública.

Sin embargo, una red aislada no es automáticamente un sistema seguro. Los administradores aún necesitan controlar quién puede recuperar qué casos. Una interfaz interna de búsqueda demasiado amplia podría exponer registros a empleados sin una necesidad legítima de investigación.

Los permisos deben seguir a los sistemas de origen. Si un investigador no puede abrir un documento directamente, la IA no debería revelar su contenido mediante un resumen. De otro modo, los sistemas de recuperación pueden convertirse en una vía indirecta para sortear los controles de acceso existentes.

Las respuestas del modelo también necesitan registros duraderos. Los investigadores y revisores deberían poder reconstruir el prompt, los registros recuperados, la versión del modelo, la salida, las acciones del usuario y la decisión final. Sin ese historial, resulta difícil resolver impugnaciones posteriores.

Los modelos locales generan una carga de mantenimiento. Las nuevas versiones pueden cambiar las salidas incluso cuando los prompts y las pruebas siguen siendo idénticos. Por ello, las actualizaciones requieren pruebas de regresión con casos representativos antes de su implementación.

La FSS también necesitará un método para importar correcciones de seguridad y mejoras validadas del modelo al entorno cerrado. Un modelo desactualizado puede volverse menos preciso o más vulnerable. Una actualización aplicada con demasiada rapidez puede alterar comportamientos establecidos sin una revisión suficiente.

El ajuste fino plantea más preguntas. El ajuste fino adapta un modelo general mediante ejemplos específicos de una tarea. Puede mejorar la familiaridad con el lenguaje de investigación y los formatos de documentos, pero no garantiza un razonamiento fiel sobre las pruebas.

Los datos de entrenamiento sensibles deben regirse por separado de la recuperación habitual de casos. Los desarrolladores necesitan saber si la información personal es necesaria, cuánto tiempo permanecen disponibles los ejemplos y si los registros pueden eliminarse de futuros conjuntos de entrenamiento.

La distinción entre entrenamiento y recuperación es importante. La recuperación proporciona documentos al modelo cuando responde a una solicitud específica. El ajuste fino cambia el comportamiento del modelo mediante datos de ejemplo, lo que puede complicar la eliminación y la atribución.

El uso informado de pesos de modelos disponibles públicamente también merece una redacción cuidadosa. Los pesos disponibles permiten una implementación local, pero su disponibilidad no establece automáticamente la auditabilidad. Los reguladores aún necesitan documentación sobre datos de entrenamiento, limitaciones, licencias y métodos de evaluación.

La relación con el contratista añade otra capa. Según se informa, LG CNS aporta capacidades de integración de servicios financieros, modelos, plataformas y TI. No obstante, la FSS debe conservar la capacidad de evaluar el rendimiento de forma independiente del proveedor.

Eso implica definir pruebas de aceptación antes de la implementación. Las pruebas deben abarcar la precisión de las cuentas vinculadas, la recuperación de pruebas, la fidelidad de las citas, las tasas de alucinación, el cumplimiento de controles de acceso y la resistencia a contenido malicioso.

Los registros de mercado pueden contener material adversarial. Una presentación, denuncia o publicación en línea capturada podría incluir texto destinado a manipular el comportamiento de un modelo. Los sistemas que recuperan texto no confiable deben impedir que ese material anule las instrucciones de investigación.

El proyecto también necesita modos de fallo claros. Si el modelo no puede acceder a una fuente requerida, debe revelar esa carencia. Si las pruebas entran en conflicto, debe presentar el conflicto en vez de forzar una única narrativa.

Una interfaz de chatbot puede facilitar la solicitud de análisis complejos, pero puede ocultar límites técnicos. Los investigadores podrían asumir que el sistema buscó en todas las bases de datos autorizadas cuando solo consultó un subconjunto. La interfaz debe indicar su cobertura de búsqueda para cada respuesta.

Ninguna de estas limitaciones invalida la estrategia de red cerrada. Demuestran por qué la arquitectura de implementación no puede sostener por sí sola todo el argumento de seguridad. La confidencialidad, la precisión, la autoridad legal y la equidad procesal requieren controles distintos.

Quién enfrenta presión cuando la IA entra en el expediente

La presión inmediata recae sobre los investigadores y diseñadores de sistemas, mientras que los corredores y operadores enfrentan un proceso de vigilancia que puede conectar señales más fragmentadas.

Los investigadores de la FSS son el primer grupo afectado. Podrían dedicar menos tiempo a recopilar registros rutinarios y más a poner a prueba teorías. Al mismo tiempo, asumirían la responsabilidad de revisar resultados producidos mediante procesos técnicos que no diseñaron.

La formación deberá abarcar más que el uso de chatbots. Los investigadores deben comprender los falsos positivos, las lagunas de datos, la deriva del modelo, las puntuaciones de confianza y la diferencia entre correlación y atribución. También deben reconocer el lenguaje generado que exagera las pruebas disponibles.

Los supervisores enfrentan un reto relacionado. Necesitan reglas coherentes sobre cuándo las recomendaciones de IA pueden influir en un paso de investigación. Una cultura informal de confianza en el modelo podría llegar a ser tan trascendental como una política escrita.

LG CNS y cualquier proveedor de modelos enfrentan presión para diseñar con trazabilidad, en lugar de priorizar la calidad de presentación. Una respuesta fluida es menos valiosa que una afirmación vinculada a registros exactos. La calidad del sistema debe medirse mediante la precisión de los casos y la auditabilidad, no por el rendimiento en demostraciones.

Los corredores podrían recibir más solicitudes relacionadas con cuentas vinculadas e historiales de transacciones. Las empresas con una resolución de identidad deficiente o registros incoherentes podrían tener dificultades para responder. Unas mejores herramientas analíticas regulatorias pueden revelar problemas de calidad de datos en todo el sector supervisado.

Los operadores que usan cuentas coordinadas enfrentan una amenaza más directa. Un sistema centrado en la persona puede hacer que la fragmentación sea menos efectiva como técnica de ocultación. Órdenes similares repartidas entre corredurías podrían resultar más fáciles de analizar como un único patrón.

Los inversores ordinarios también tienen interés. Una identificación más rápida de la manipulación puede reducir el periodo durante el cual señales engañosas distorsionan una acción. Sin embargo, una detección demasiado amplia puede someter actividades legítimas a un escrutinio innecesario.

Por tanto, las salvaguardias procesales son importantes para la confianza del mercado. Las autoridades deberían poder explicar que una alerta inició una investigación sin dar a entender que la alerta estableció una infracción. Los anuncios públicos de aplicación de la ley deben preservar esa distinción.

La Korea Exchange no es simplemente un competidor del nuevo sistema. Su monitor de IA sirve como punto de referencia previo. La cuestión institucional clave es cómo las alertas de KRX, el trabajo de respuesta conjunta y las investigaciones de la FSS intercambiarán información sin duplicar ni amplificar errores.

Si la puntuación de riesgo de un modelo se convierte en la señal de entrenamiento de otro, la cadena puede crear bucles de retroalimentación. Una sospecha generada repetidamente por máquinas podría parecer una confirmación independiente cuando se originó en los mismos datos iniciales.

Las autoridades deben etiquetar la procedencia de cada señal. Una puntuación de publicaciones en línea, una alerta de patrones de negociación, una observación del investigador y una relación generada por el modelo deben seguir siendo identificables por separado durante todo el caso.

El proyecto puede influir en otros reguladores porque reúne varias funciones que normalmente se adquieren por separado. Los productos comerciales de vigilancia ya respaldan la clasificación de alertas, la resolución de entidades, la gestión de casos y la redacción narrativa. Según se informa, la FSS está combinando esas capacidades en torno a sus propios registros y procedimientos.

Ese diseño ofrece especificidad institucional. También concentra el riesgo. Un fallo en una plataforma compartida puede afectar a la detección, la investigación y la documentación al mismo tiempo.

Para desarrolladores y compradores empresariales, la lección va más allá de la aplicación de la normativa financiera. Añadir un agente a un flujo de trabajo cambia dónde se forman los juicios. La pregunta importante no es si el modelo puede redactar una respuesta convincente, sino si cada afirmación relevante permanece conectada a pruebas inspeccionables.

Los trabajadores del conocimiento enfrentan el mismo problema a menor escala. Un sistema puede organizar documentos y sugerir conexiones, pero los usuarios aún necesitan acceso al material primario. La asistencia vinculada a pruebas es más duradera que un resumen pulido con orígenes poco claros.

Google News hace visible el proyecto como una historia de adopción de IA. Su significado más profundo reside en la autoridad del flujo de trabajo. Según se informa, la FSS se prepara para permitir que un modelo recomiende dónde debería buscar una investigación a continuación.

Tres señales mostrarán si funciona el investigador de IA

El proyecto debe juzgarse por una validación documentada, reglas de control humano y resultados investigativos medibles.

La primera señal será la especificación final del sistema antes de su finalización en diciembre de 2027. Debería identificar el modelo seleccionado, las fuentes de datos autorizadas, la arquitectura de seguridad, los requisitos de pruebas y los límites de las recomendaciones generadas.

Una especificación detallada reforzaría la confianza en que el proyecto ha superado una visión amplia de contratación pública. El silencio sobre la evaluación y la trazabilidad debilitaría la afirmación de que el sistema está listo para un trabajo de investigación con consecuencias relevantes.

La segunda señal será un marco publicado de supervisión humana. La FSS debería aclarar quién aprueba las solicitudes de pruebas, verifica los documentos generados, modifica las salidas del modelo y asume la responsabilidad de las conclusiones finales.

Ese marco también debería abordar las impugnaciones y correcciones. Si un vínculo entre cuentas resulta inexacto, los investigadores necesitan un proceso para corregir el expediente del caso e impedir que el mismo error se propague en análisis futuros.

Unas normas claras de supervisión respaldarían la conclusión central de que la IA puede acelerar la investigación sin convertirse en quien toma las decisiones. Las vagas garantías de que los humanos siguen participando aportarían pruebas mucho más débiles.

La tercera señal será el rendimiento operativo tras el despliegue. Las autoridades deberían informar de métricas útiles, como la precisión de las alertas, el tiempo ahorrado por los investigadores, los patrones de falsos positivos, el tiempo de tramitación de los casos y la proporción de recomendaciones rechazadas por el personal.

Estas métricas necesitan contexto. Una investigación más corta no es mejor si pasa por alto pruebas contradictorias. Un mayor número de detecciones no es mejor si la mayoría de los casos se desmoronan durante la revisión.

El rendimiento también debería compararse con la etapa de monitorización de KRX. Los reguladores necesitan saber si la herramienta de la FSS descubre nuevas relaciones o simplemente repite alertas generadas aguas arriba. La contribución independiente es crucial cuando varios sistemas operan en una misma cadena de aplicación de la normativa.

El uso práctico pleno en 2028 da a la agencia tiempo para establecer estos controles. También crea un largo período durante el cual las afirmaciones de contratación pueden superar a los resultados demostrados. Los lectores deberían considerar los hitos como pruebas solo cuando vengan acompañados de detalles verificables.

La historia de Google News marca el comienzo de ese escrutinio, no el final. Según se informa, el organismo supervisor financiero de Corea está desarrollando un asistente capaz de conectar cuentas, solicitar más pruebas y redactar documentos de casos. Son capacidades significativas, pero ninguna debería sustituir una conclusión humana razonada.

Observe la especificación técnica final, las normas de supervisión y las primeras divulgaciones de rendimiento. En conjunto, responderán a la pregunta más importante: ¿el investigador de IA de Corea agiliza los casos de abuso de mercado al tiempo que preserva una ruta transparente desde la sospecha hasta las pruebas?