El reinicio de la IA en el sector bancario: de la histeria a la rentabilidad

Después de años de invertir fuertemente en IA, los bancos están empezando a hacerse una pregunta diferente: no qué puede hacer la IA, sino por qué tan poco de ella se ha traducido en un impacto empresarial medible. En toda la industria, el enfoque se está desplazando desde el potencial teórico de la IA hacia su impacto empresarial real, y para muchos bancos, los resultados han sido mixtos hasta ahora.

El “reinicio de la IA” refleja un cambio más amplio en la forma en que los bancos están abordando la IA, alejándose de la fase de experimentación y centrándose en construir soluciones que entreguen resultados reales y medibles.

Cuando la experimentación no se tradujo en impacto

La primera ola de adopción de la IA estuvo impulsada por el momentum, ya que los directivos exploraban casos de uso en servicio al cliente, underwriting, cumplimiento y operaciones. Si bien la innovación y la inversión fueron altas, la traducción a un impacto operativo medible fue limitada.

Con el tiempo, se hizo evidente un patrón. Los equipos estaban construyendo pilotos sólidos, pero estas soluciones permanecían desconectadas de los flujos de trabajo diarios. Integrar con sistemas heredados es más complejo de lo esperado, los datos son inconsistentes y la propiedad entre los equipos de negocio y tecnología sigue fragmentada. En muchos casos, el problema no era la solución de IA en sí, sino su incapacidad para integrarse en los sistemas y procesos existentes.

Por ejemplo, un banco podría construir un modelo de IA para apoyar la toma de decisiones crediticias, pero si su salida no se integra en el flujo de trabajo de origen de préstamos más amplio, los equipos siguen dedicando tiempo a revisar, validar y transaccionar su salida en lugar de centrarse en análisis y actividades de toma de decisiones de mayor valor. El resultado es más actividad, pero no necesariamente mejores decisiones crediticias más eficientes.

La experiencia ha demostrado que construir capacidades de IA y entregar valor empresarial no son lo mismo. El éxito a menudo se ha medido a través de métricas transaccionales, como el número de casos de uso lanzados o procesos automatizados. El enfoque debe desplazarse hacia impulsar mejores resultados empresariales, como decisiones crediticias mejoradas, incorporación de comerciantes acelerada, reducción de costos de cumplimiento o procesamiento de préstamos y, en última instancia, una mejora de la línea superior.

Un enfoque más disciplinado está tomando forma

Los líderes están volviéndose más selectivos, centrándose en un conjunto más pequeño de casos de uso específicos del dominio con un impacto medible claro. Funciones como fraude, KYC (Conoce a tu cliente), cobro y toma de decisiones crediticias están emergiendo como prioridades porque combinan volúmenes altos con procesos estructurados y resultados definidos que tienen un significado empresarial significativo.

Los programas de IA se están reformulando con el desafío empresarial en el corazón de la discusión. El punto de partida es el problema empresarial: ¿Dónde están las ineficiencias? ¿Dónde se puede profundizar en la perspicacia y el análisis? ¿Dónde las decisiones están ralentizando las cosas? ¿Dónde el riesgo no se está gestionando de manera efectiva?

La IA como habilitadora de resultados

Los datos han pasado de ser una preocupación de fondo a una prioridad estratégica. Sin datos limpios, consistentes y bien gobernados, incluso los modelos de IA más avanzados luchan por entregar resultados significativos.

Para muchas instituciones, encontrar formas de desbloquear el valor de los entornos heredados a través de API, middleware y una mejor arquitectura de datos es más importante que un reemplazo completo del núcleo, que a menudo es costoso, consume mucho tiempo y conlleva riesgos. Para avanzar, la IA debe estar incrustada directamente en los flujos de trabajo diarios, en lugar de introducirla como una herramienta o panel de control independiente que los empleados deben trabajar alrededor.

A medida que se establecen estos cimientos, los bancos están comenzando a ver ejemplos claros de la IA que entrega resultados tangibles.

En la incorporación de KYC, el procesamiento y la toma de decisiones impulsados por la IA han reducido significativamente los tiempos de incorporación, mejorando al mismo tiempo la precisión. Al aprovechar una asociación de transformación digital liderada por el dominio, un banco asiático líder redujo su tiempo de incorporación de KYC en un 50%, las tasas de error en un 67% y el tiempo de manejo en más de la mitad. Además, sus costos operativos disminuyeron en un 15% y los niveles de precisión mejoraron al 96%.

Esta diferencia no se logró solo con la tecnología, sino con el enfoque de proceso. En lugar de superponer la IA a los flujos de trabajo existentes, el proceso se volvió a ingeniar de extremo a extremo. Este es el lugar al que los bancos están dirigiendo cada vez más su atención.

Un cambio similar está en marcha en la lucha contra el crimen financiero. Tradicionalmente, gran parte del esfuerzo ha sido reactivo, centrado en investigar alertas enviadas después de que ocurren incidentes. Los bancos ahora están utilizando la IA para identificar patrones, anticipar posibles fraudes y mitigar riesgos. Este cambio de reactivo a proactivo es donde la IA crea un valor real.

La supervisión humana está evolucionando, no disminuyendo

En la industria de servicios financieros altamente regulada, las decisiones conllevan consecuencias financieras y de reputación sustanciales. Los reguladores esperan transparencia y responsabilidad, lo que significa que la supervisión humana sigue siendo esencial.

A medida que la IA asume tareas repetitivas y basadas en reglas, los roles humanos se están desplazando hacia el manejo de excepciones, la toma de decisiones complejas y la supervisión. En lugar de procesar transacciones, los equipos se centran cada vez más en revisar salidas, manejar casos de borde, garantizar la calidad y mitigar el riesgo.

En términos prácticos, esto significa que la IA maneja tareas rutinarias y mundanas, mientras que las personas retienen la responsabilidad final. El énfasis se está desplazando desde el trabajo basado en el volumen hacia resultados mejorados con calidad de decisión, control y confianza regulatoria.

La gobernanza es central en el ecosistema digital

A medida que los modelos de IA se despliegan a gran escala, necesitan ser monitoreados, probados y perfeccionados continuamente. Las preguntas sobre la explicabilidad, el sesgo y el cumplimiento no son preocupaciones secundarias, sino centrales para cómo se evalúan estos sistemas.

La propiedad se está expandiendo más allá de TI, con los equipos de negocio, riesgo y cumplimiento desempeñando un papel mucho más activo en cómo se despliega y gobierna la IA. Sin una sólida gobernanza, la confianza en las decisiones impulsadas por la IA es difícil de mantener. Las organizaciones que están haciendo más progreso están tratando la gobernanza, la explicabilidad y la auditoría como requisitos de diseño, no como posterioridades.

Qué separará a los líderes del resto

Las instituciones que se muevan hacia adelante serán aquellas que se mantengan enfocadas, priorizando menos casos de uso de alto impacto, reimaginando completamente los procesos para aprovechar mejor la IA, fortaleciendo sus fundamentos de datos y construyendo la gobernanza desde el principio.

Otros pueden seguir experimentando, pero sin disciplina enfocada, será más difícil traducir el esfuerzo en resultados.

Qué viene a continuación

Si los últimos años han sido sobre explorar el potencial de la IA, la próxima fase estará definida por su impacto en las operaciones bancarias diarias.

La conversación se está desplazando desde la automatización básica hacia sistemas más avanzados y agentes que puedan manejar procesos multietapa y tomar decisiones contextuales. Ya estamos viendo esta mejora en la lucha contra el crimen financiero, el crédito y el servicio – y el próximo paso es centrarse en la escala.

En gran medida, escalar de manera efectiva depende de saber dónde tiene sentido la autonomía y dónde es necesaria la intervención.

En procesos de bajo riesgo y alto volumen, hay más espacio para probar la toma de decisiones autónoma. En áreas de mayor riesgo, el modelo de IA puede entregar la primera fase de salida, pero la perspicacia y la supervisión humanas siguen siendo clave. Este equilibrio estará determinado por el apetito de riesgo, las expectativas regulatorias y si la economía tiene sentido.

La capacidad de escalar de manera efectiva mientras se demuestra un impacto empresarial medible es cómo los líderes se separarán del resto. Las instituciones que lo hagan correctamente serán aquellas que se mantengan enfocadas en resultados empresariales claros, inviertan en fortalecer sus fundamentos de datos y construyan la IA en sus flujos de trabajo centrales, en lugar de tratarla como una herramienta independiente. Justo tan importante, pondrán en lugar la gobernanza adecuada para monitorear y perfeccionar continuamente cómo funcionan estos sistemas.

La IA en el sector bancario está aquí para quedarse, pero ya no se trata solo de adoptar tecnologías avanzadas. Se trata de cómo esa tecnología mejora las decisiones, reduce la fricción y entrega valor real en el mundo.