¿Qué es la IA en el sector bancario?

Históricamente, los proveedores de servicios financieros tradicionales han tenido problemas con la innovación. Un estudio de McKinsey¹(enlace externo a ibm.com) descubrió que los grandes bancos eran un 40 % menos productivos que los nativos digitales. Muchas startups bancarias emergentes son pioneras en casos de uso de la inteligencia artificial, lo que hace aún más importante que los bancos tradicionales se pongan al día e innoven ellos mismos.

Las empresas de banca de inversión han utilizado durante mucho tiempo el procesamiento del lenguaje natural (PLN) para analizar las grandes cantidades de datos que tienen internamente o que extraen de fuentes de terceros. Utilizan PLN para examinar conjuntos de datos para tomar decisiones más informadas sobre inversiones clave y gestión de patrimonios.

El sector bancario, en concreto, está absorbiendo los beneficios deseados de las tecnologías de IA. Los clientes quieren experiencias de banca digital: aplicaciones en las que puedan obtener más información sobre los servicios prestados, interactuar con personas o asistentes virtuales, y gestionar mejor sus finanzas. Las empresas necesitan mejorar la experiencia del usuario para mantener contentos a esos clientes. Adoptar e implementar soluciones de IA es una forma de lograrlo.

Aunque la IA es potente por sí sola, su combinación con la automatización abre aún más posibilidades. La automatización con IA combina la inteligencia de la IA con la capacidad de repetición de la automatización. Por ejemplo, la IA puede mejorar la automatización de procesos robóticos (RPA) para analizar mejor el análisis de datos y tomar medidas basadas en lo que la IA decida que es mejor. Un ejemplo son los bancos que utilizan RPA para validar los datos de los clientes necesarios para cumplir con las restricciones de conocimiento del cliente (KYC), antiblanqueo de dinero (AML) y diligencia debida del cliente (CDD).

Las organizaciones de servicios financieros están adoptando la inteligencia artificial (IA) por varios motivos, como la gestión de riesgos, la experiencia del cliente y la previsión de las tendencias del mercado.

La IA ayuda a los clientes a mejorar su toma de decisiones en materia financiera. Es más probable que se queden en bancos que utilizan tecnología de IA de última generación para ayudarlos a gestionar mejor su dinero.

Pero dadas las amplias regulaciones del sector, los bancos y otras organizaciones de servicios financieros necesitan una estrategia integral para abordar la IA. El uso de la IA requiere un marco reflexivo para mitigar el riesgo y la exposición.

El Institute for Business Value de IBM publicó una guía para los bancos que buscan integrar herramientas y prácticas de IA en sus operaciones en su informe 2024 Global Outlook for Banking and Financial Markets. Algunas de las acciones clave son:

• Defina el gobierno de la IA y el perfil de riesgo del banco: cada banco es diferente y los líderes de cada banco deben tomar sus propias decisiones sobre el riesgo y la implementación de la IA. Los bancos deben adoptar la IA sabiendo que les obliga a contrarrestar cualquier riesgo potencial con fuertes medidas de seguridad.
• Priorice los casos de uso: las implementaciones de la IA deben estar vinculadas a casos de uso empresariales específicos que generen un impacto mensurable y se alineen con los objetivos de la organización. Ejemplos de casos de uso específicos son los chatbots orientados al cliente, las estrategias de inversión personalizadas, la prevención del fraude y la puntuación de solvencia.
• Elija una plataforma de IA de confianza: la mayoría de los enfoques de IA empresarial requieren la aplicación de múltiples modelos de IA para garantizar que una organización tiene todo lo que necesita para tener éxito. Por lo tanto, los bancos tienen que elegir entre utilizar modelos de código abierto, modelos construidos internamente o ambos.
• Adopte una arquitectura de nube híbrida: la IA requiere que los bancos aborden cualquier ineficiencia tecnológica existente que puedan tener y prioricen la gestión de recursos de aplicaciones. Al utilizar una arquitectura de nube híbrida, los bancos pueden cambiar entre nubes públicas y nubes privadas para promover la resiliencia y la capacidad de respuesta de la banca digital en tiempo real.
• Aprenda de las implementaciones iniciales: los bancos preocupados por los riesgos deberían implementar pruebas y casos de uso a pequeña escala para evaluar los impactos antes de escalar e implementar nuevas implementaciones. Las primeras lecciones son valiosas porque ayudan a los bancos a comprender mejor qué otras infraestructuras necesitan desplegar y dónde tienen que hacer ajustes.
• Crear una "fábrica de IA": una vez que una organización haya establecido una estrategia viable para crear o adoptar la IA en casos de uso específicos, debe crear un aparato que añada la IA a sus operaciones y la convierta en el centro de todos los métodos empresariales y de desarrollo.

Hay varios beneficios clave para los bancos que adoptan e implementan la IA.

• Mejora de la ciberseguridad y la detección de fraudes: los ciberatacantes utilizan cada vez más la IA para crear formas más sofisticadas de defraudar a las instituciones financieras. Pueden utilizar Audio creado por la IA² (enlace externo a ibm.com) para imitar a los clientes y confundir a los agentes del servicio de atención al cliente. Pueden utilizar la IA para hacer que los correos electrónicos de phishing parezcan cada vez más legítimos. Como resultado, esas instituciones financieras necesitan utilizar algoritmos de IA para proteger a sus empleados de las amenazas de ciberseguridad en tiempo real, al tiempo que crean herramientas para ayudar a los clientes a evitar los mismos trucos. Las instituciones financieras y las agencias gubernamentales también pueden utilizar sistemas de IA para frustrar otros delitos financieros como el blanqueo de capitales o la suplantación de identidad.
• API mejoradas: las operaciones bancarias dependen cada vez más del uso de interfaces de programación de aplicaciones (API) para permitir a los clientes realizar un seguimiento de su dinero en diversas aplicaciones. Por ejemplo, los bancos deben dar permiso de API a las aplicaciones de presupuestos de terceros para que los clientes puedan monitorizar varias cuentas bancarias. La IA mejora el uso de las API al permitir más medidas de seguridad y automatizar las tareas repetitivas, lo que las hace más potentes.
  
• Banca integrable: se trata de la introducción de la banca en experiencias no tradicionales, como cuando Starbucks lanzó su propia aplicación de pagos³. Se espera que la banca integrable crezca como servicio, especialmente a medida que la IA ayude a los minoristas y otras empresas a recopilar y analizar datos sobre posibles oportunidades de mercado, predecir la solvencia crediticia y personalizar mejor los servicios a los clientes.
• Herramientas de cliente más inteligentes: el auge de la IA generativa impulsada por el deep learning significa que los sectores de inversión y bancario pueden implementar herramientas más sofisticadas para agilizar el servicio al cliente. Los chatbots y asistentes virtuales con IA pueden mejorar la atención al cliente, ayudándolos a resolver pequeños problemas por sí solos. La IA también puede impulsar aplicaciones de elaboración de presupuestos que ayuden a los clientes a gestionar mejor sus finanzas y a ahorrar más dinero.
• Nuevos mercados y oportunidades: también utilizan la IA para el análisis predictivo para tener una mejor visión de sus clientes. El análisis predictivo basado en IA puede identificar nuevas áreas de crecimiento para su negocio y sus clientes y puede estimar mejor qué clientes son un riesgo de abandono. Por ejemplo, los bancos pueden analizar los hábitos de sus clientes, como la frecuencia con la que inician sesión o ingresan dinero, y compararlos con otros puntos de datos para determinar si clientes concretos podrían estar a punto de cancelar sus cuentas.
  
• Tarjeta de crédito y puntuación crediticia más inteligentes: determinar la solvencia es una actividad crucial de los servicios bancarios. Los bancos necesitan procesar grandes cantidades de datos de sus clientes para tomar decisiones crediticias importantes, como si aceptan una solicitud de tarjeta de crédito o aprueban un aumento del crédito. Los algoritmos de inteligencia artificial y el machine learning pueden ayudar a las instituciones financieras a aprobar o rechazar tarjetas de crédito, aumentos de crédito y otras solicitudes de clientes a gran velocidad.

La introducción de la IA en la banca no está exenta de riesgos y complicaciones. El estudio de Institute for Business Value de IBM  2024 Global Outlook for Banking and Financial Markets reveló que más del 60 % de los CEO bancarios estaban preocupados por las nuevas vulnerabilidades introducidas por la IA. Entre ellas figuran:

• Ciberseguridad: la tecnología de IA generativa puede utilizarse para la prevención del fraude y la gestión del cumplimiento, pero también genera riesgos. La incorporación de herramientas y tecnologías de IA abiertas en los sistemas informáticos bancarios plantea algunos retos de seguridad, ya que los modelos de IA son objetivos especialmente valiosos para los actores maliciosos. Es por eso que los bancos necesitan un enfoque holístico de gobierno de la IA que equilibre eficazmente la innovación y la gestión de riesgos.
• Incertidumbre legal relacionada con las operaciones: los modelos de IA generativa necesitan entrenamiento con conjuntos de datos existentes para ser efectivos. Todavía hay algunas cuestiones sin resolver sobre si el análisis de datos disponibles públicamente, como noticias y vídeos explicativos, constituye una infracción de derechos de autor⁴(enlace externo a ibm.com). Una forma de evitar este problema es utilizar modelos de IA que se hayan entrenado con datos que posea el banco, como las interacciones del servicio de atención al cliente o su propia investigación patentada.
• Dificultades para controlar la precisión de los resultados: actualmente, los modelos de IA no razonan ni "entienden" sus resultados. En su lugar, los modelos de IA detectan patrones⁵(enlace externo a ibm.com) en los datos que se les proporcionan y generan resultados. Por lo tanto, el modelo no puede decirle al empleado humano si los datos son incorrectos o inexactos.
• Prejuicio por sesgo del modelo: los bancos invierten cada vez más en iniciativas medioambientales, sociales y de gobierno (ESG) como forma de demostrar transparencia y responsabilidad por sus acciones. Dado que los modelos de IA se entrenan con datos creados por humanos, pueden heredar algunos de los sesgos que influyen en los humanos. Los bancos tienen que eliminar los sesgos en la forma de comercializar los productos y determinar factores como la solvencia, que históricamente ha afectado negativamente a determinados grupos demográficos.

Las instituciones bancarias están sometidas a una presión cada vez mayor para lograr la transformación digital. Los clientes exigen experiencias automatizadas con capacidades de autoservicio, pero también quieren que las interacciones sean personalizadas y exclusivamente humanas.

Los bancos continúan priorizando la inversión en IA para mantenerse por delante de la competencia y ofrecer a los clientes herramientas cada vez más sofisticadas para administrar su dinero e inversiones. Los clientes siguen dando prioridad a los bancos que pueden ofrecer aplicaciones de IA personalizadas que les ayuden a obtener visibilidad de sus oportunidades financieras.

En el futuro, los bancos anunciarán su uso de la IA y cómo pueden implementar los avances más rápido que la competencia. La IA ayudará a los bancos en la transición a nuevos modelos operativos, a adoptar la digitalización y la automatización inteligente, y a lograr una rentabilidad continuada en una nueva era de la banca comercial y minorista.