¿Qué es la IA en la banca?

Históricamente, los proveedores de servicios financieros tradicionales tuvieron dificultades para innovar. Un estudio de McKinsey¹(el enlace reside fuera de ibm.com) encontró que los grandes bancos eran 40% menos productivos que los nativos digitales. Muchas compañías bancarias emergentes son pioneras en casos de uso de inteligencia artificial, lo que hace aún más importante que los bancos tradicionales se pongan al día e innoven.

Las compañías de banca de inversión emplearon durante mucho tiempo el procesamiento de lenguaje natural (NLP) para analizar las grandes cantidades de datos que tienen internamente o que extraen de fuentes de terceros. Emplean el NLP para examinar conjuntos de datos y tomar decisiones más informadas en torno a inversiones clave y gestión patrimonial.

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 compañías necesitan mejorar la experiencia del usuario para mantener contentos a esos clientes. Adoptar y desplegar soluciones de IA es una forma de lograrlo.

Si bien la IA es poderosa por sí sola, combinarla con la automatización desbloquea aún más potencial. La automatización impulsada por IA combina la inteligencia de la IA con la repetibilidad de la automatización. Por ejemplo, la IA puede mejorar la automatización robótica de procesos (RPA) para una mejor analytics de datos y tomar medidas en función de lo que la IA decida que es mejor. Un ejemplo son los bancos que emplean RPA para validar los datos de los clientes necesarios para cumplir con las restricciones de conocimiento del cliente (KYC), contra el lavado de dinero (AML) y diligencia debida del cliente (CDD).

Las organizaciones de servicios financieros están adoptando la inteligencia artificial (IA) por varias razones, 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 sobre asuntos financieros. Es más probable que permanezcan en bancos que empleen tecnología de IA de vanguardia para ayudarlos a gestionar mejor su dinero.

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

El IBM Institute for Business Value publicó una guía para bancos que buscan integrar herramientas y prácticas de IA en sus operaciones en su informe Perspectivas Globales para los Mercados Bancarios y Financieros 2024. Algunas de las acciones clave son:

• Definir la gobernanza de la IA y el perfil de riesgo del banco: Cada banco es diferente y los responsables de cada uno deben tomar sus propias decisiones sobre el riesgo y el despliegue de la IA. Los bancos deberían adoptar la IA sabiendo que ésta requiere contrarrestar cualquier riesgo potencial con fuertes medidas de seguridad.
• Priorizar los casos de uso: Los despliegues de IA deben estar vinculados a casos de uso empresariales específicos que generen un impacto medible 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 el puntaje de solvencia.
• Eligir una plataforma de IA confiable: La mayoría de los enfoques de IA empresarial requieren la aplicación de múltiples modelos de IA para garantizar que una organización tenga todo lo que necesita para alcanzar el éxito. Por lo tanto, los bancos deben elegir si emplearán modelos de código abierto, modelos desarrollados internamente o ambos.
• Adoptar 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 emplear una arquitectura de nube híbrida, los bancos pueden alternar entre nubes públicas y privadas para promover la resiliencia y la capacidad de respuesta de la banca digital en tiempo real.
• Aprender de los despliegues iniciales: Los bancos preocupados por los riesgos deben implementar pruebas y casos de uso a pequeña escala para evaluar los impactos antes de escalar y desplegar nuevas implementaciones. Las primeras lecciones son valiosas porque ayudan a los bancos a comprender mejor qué otra infraestructura necesitan desplegar y dónde deben hacer ajustes.
• Crear una "fábrica de IA": Una vez que una organización ha establecido una estrategia viable para crear o adoptar la IA para casos de uso específicos, debe construir un aparato que agregue la IA a sus operaciones y la convierta en el centro de todos los métodos de desarrollo y negocio.

Existen varios beneficios clave para los bancos que adoptan y despliegan la IA.

• Ciberseguridad mejorada y detección de fraude: Los ciberatacantes utilizan cada vez más la IA para crear formas más sofisticadas de defraudar a las instituciones financieras. Pueden usar audio creado por IA² (el enlace reside fuera de ibm.com) para imitar a los clientes, confundiendo a los agentes de atención al cliente. Pueden usar la IA para hacer que los correos electrónicos de phishing parezcan cada vez más legítimos. Como resultado, esas instituciones financieras necesitan usar algoritmos de IA para proteger a sus empleados de las amenazas de ciberseguridad en tiempo real, además de crear herramientas para ayudar a los clientes a evitar los mismos trucos. Las instituciones financieras y las agencias gubernamentales también pueden usar sistemas de IA para frustrar otros delitos financieros como el lavado de dinero 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 otorgar licencia de API a aplicaciones de cotización de terceros para que los clientes puedan monitorear múltiples cuentas bancarias. La IA mejora el uso de las API al permitir más medidas de seguridad y automatizar las tareas repetitivas, haciéndolas más poderosas.
  
• 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 compañías a recopilar y analizar datos sobre posibles oportunidades de mercado, predecir la solvencia y personalizar mejor los servicios a los clientes.
• Herramientas más inteligentes para los clientes: El auge de la IA generativa impulsada por el aprendizaje profundo significa que las industrias de inversión y bancarias pueden desplegar herramientas más sofisticadas para optimizar la atención al cliente. Los chatbots y asistentes virtuales impulsados por IA pueden mejorar la atención al cliente, ayudando a los clientes a resolver pequeños problemas por su cuenta. La IA también puede impulsar aplicaciones presupuestarias que ayuden a los clientes a gestionar mejor sus finanzas y ahorrar más dinero.
• Nuevos mercados y oportunidades: También emplean la IA para el análisis predictivo a fin de obtener mejores insights sobre sus clientes. El análisis predictivo impulsado por IA puede identificar nuevas áreas de crecimiento para su negocio y sus clientes, así como estimar mejor qué clientes están en riesgo de abandono. Por ejemplo, los bancos pueden analizar los hábitos de sus clientes, como la frecuencia con la que inician sesión o depositan dinero, y compararlos con otros puntos de datos para determinar si los clientes individuales podrían estar a punto de cancelar sus cuentas.
  
• Tarjetas de crédito y puntaje crediticio más inteligentes: Determinar la solvencia es una actividad crítica de los servicios bancarios. Los bancos necesitan procesar cantidades significativas de datos de clientes para tomar decisiones crediticias importantes, como si aceptan una solicitud de tarjeta de crédito o aprueban un aumento de 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 del IBM Institute for Business Value Perspectivas Globales para la Banca y los Mercados Financieros 2024 encontró que más del 60% de los directores ejecutivos de banca estaban preocupados por las nuevas vulnerabilidades introducidas por la IA. Estas incluyen:

• Ciberseguridad: La tecnología de IA generativa puede emplearse para la prevención del fraude y la gestión del cumplimiento, pero también genera riesgos. La integración de herramientas y tecnologías abiertas de IA en los sistemas informáticos bancarios plantea algunos problemas de seguridad, ya que los modelos de IA son objetivos especialmente valiosos para los agentes maliciosos. Por eso los bancos necesitan un enfoque holístico de gobernanza 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 en conjuntos de datos existentes para ser eficaces. Todavía hay algunas cuestiones sin resolver sobre si el análisis de datos disponibles públicamente, como noticias y videos explicativos, constituye una infracción de derechos de autor⁴(enlace externo a ibm.com). Una forma de evitar este problema es emplear modelos de IA que se hayan entrenado con datos que posee el banco, como las interacciones de atención al cliente o su propia investigación.
• Dificultades para controlar la precisión de los resultados: Actualmente, los modelos de IA no razonan ni “entienden” sus resultados. En cambio, los modelos de IA detectan patrones⁵(enlace externo a ibm.com) en los datos que reciben y generan resultados. Por lo tanto, el modelo no puede decirle al empleado humano si los datos son incorrectos o inexactos.
• Prejuicio por sesgo de modelo: Los bancos están invirtiendo cada vez más en iniciativas ambientales, sociales y de gobernanza (ESG) como una 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 necesitan eliminar los sesgos en la forma en que comercializan sus productos y determinan factores como la solvencia crediticia, que históricamente ha afectado de manera negativa a ciertos grupos demográficos.

Las instituciones bancarias están bajo una mayor presión para la transformación digital. Los clientes desean tener experiencias automatizadas con capacidades de autoservicio, pero también quieren que las interacciones sean personalizadas y particularmente 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 gestionar su dinero e inversiones. Los clientes continúan priorizando a los bancos que pueden ofrecer aplicaciones de inteligencia artificial personalizadas que los ayuden a ganar visibilidad de sus oportunidades financieras.

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