Resumen:
Cada día, ahorrantes e inversores depositan su dinero en instituciones financieras con la esperanza de que su capital esté seguro y crezca con el tiempo. Sin embargo, tras cada decisión subyace una realidad compleja: comprender la verdadera salud financiera de estas instituciones es difícil y la información necesaria (aunque de acceso público) suele ser abrumadora, técnica y difícil de interpretar. En Costa Rica, la Superintendencia General de Entidades Financieras (SUGEF) publica un amplio conjunto de indicadores destinados a informar al público; no obstante, el enorme volumen y la naturaleza multidimensional de estos datos generan una brecha entre la información disponible y aquella que las personas pueden utilizar realmente para tomar decisiones financieras con confianza. Para reducir esta brecha, este trabajo presenta WISE Investors, una solución que transforma datos financieros dispersos en información clara y accesible mediante una combinación de aprendizaje automático (machine learning), herramientas visuales interactivas y un agente conversacional basado en grandes modelos de lenguaje (LLMs), que integra RAG (Generación Aumentada por Recuperación) con SQL generado por IA. La metodología analítica incorpora el algoritmo Isolation Forest para detectar comportamientos inusuales, K-Means para agrupar instituciones con perfiles financieros similares e indicadores sintéticos que permiten a los usuarios comparar entidades mes a mes. Asimismo, se propone un enfoque de clasificación prudencial basado en percentiles que ayuda a resaltar tendencias significativas, evitando al mismo tiempo fluctuaciones a corto plazo que podrían inducir a error. La evaluación experimental, realizada con 50 consultas del ámbito financiero, demuestra que el agente conversacional alcanza una fidelidad del 100 %, una similitud semántica máxima del 28,1 % y una cobertura de respuesta de hasta el 86 %, dependiendo del modelo utilizado. En términos de eficiencia, la configuración recomendada (OpenAI gpt-5.4-mini) ofrece respuestas en un promedio de 7,3 segundos con un consumo de 4955 tokens por consulta, logrando el mejor equilibrio entre precisión, coste y escalabilidad. El estudio aporta tres avances clave: un método para convertir indicadores financieros públicos en una medida interpretable del desempeño institucional; un sistema de clasificación sensible al riesgo que incorpora el contexto histórico para ofrecer evaluaciones más estables y realistas; y una plataforma integrada donde los usuarios pueden explorar los resultados visualmente y formular preguntas en lenguaje natural. Este prototipo busca reducir la asimetría de información y empoderar a las personas para que tomen decisiones financieras más informadas y seguras.
