El aprendizaje automático (machine learning o ML) ya no es una tecnología futurista, es una realidad que está redefiniendo el sector bancario a nivel global, así lo dio a conocer el portal Computer Weekly.
Desde la personalización de servicios hasta la detección avanzada de fraudes, sus aplicaciones están transformando la forma en que las instituciones financieras operan e interactúan con sus clientes.
Según Fortune Business Insights, se proyecta que el mercado de la IA en el sector financiero alcanzará los $309,68 mil millones de dólares para 2032, este crecimiento refleja una ola de innovación que no puede ser ignorada. Sin embargo, en América Latina, esta transformación no está exenta de desafíos.
Fragmentación de la infraestructura: El principal obstáculo
A pesar del potencial del ML, su implementación en la región enfrenta una barrera crítica: la infraestructura financiera fragmentada. De acuerdo con Roberto Gaudelli, director comercial de Prometeo, el poder del machine learning reside en la calidad de los datos a los que tiene acceso, quien afirma que los datos deberían ser «precisos, actualizados y conectados para tener respuestas valiosas».
La realidad en Latinoamérica es que, al carecer de sistemas conectados y protocolos comunes, los modelos de IA avanzados no pueden funcionar de manera óptima.
Cada país opera con sus propias regulaciones y plataformas, creando un «cuello de botella» que impide la interoperabilidad y el aprovechamiento total de los datos.Esta falta de estandarización podría dejar a la región rezagada frente a economías con infraestructuras digitales más maduras.
La transformación cultural y organizacional es clave para el avance
El desafío no es solo técnico, sino también cultural, ya que para que el aprendizaje automático escale más allá de pruebas piloto, las instituciones deben adoptar una nueva mentalidad. Según Cristian Sánchez, vicepresidente de ventas para Latinoamérica en Temenos, se requiere una transformación organizacional completa.
Los «silos» internos entre departamentos (productos, TI, servicio al cliente) deben romperse. La agilidad se vuelve clave para pasar de prototipos a productos a escala.
La gobernanza de datos también es fundamental, ya que el ML se basa en información limpia, segura y regulada. No basta con tener sistemas conectados; es necesario que las personas y los procesos internos se adapten para maximizar el valor de esta tecnología.
El Rol del ML en la Lucha contra el Fraude Digital
Uno de los campos donde el aprendizaje automático marca la mayor diferencia es la prevención del fraude. La digitalización masiva ha dado lugar a nuevas amenazas, como el fraude de pagos (APPF), que ya representa el 75% de las estafas bancarias en línea a nivel global.
Los delincuentes utilizan la IA para generar identidades sintéticas y perfeccionar sus ataques, lo que hace que los enfoques tradicionales, basados en reglas estáticas, sean insuficientes. Aquí es donde los modelos de ML demuestran su poder, puesto que al entrenarse con historiales transaccionales, pueden detectar patrones sospechosos en milisegundos, reduciendo falsos positivos y protegiendo la experiencia del cliente.
Alyssa Iyer, directora de Producto de Lynx Tech, subraya la importancia de la actualización constante: «Un modelo que no se actualiza, pierde efectividad rápidamente». Por ello, los sistemas deben reentrenarse de manera continua para estar un paso adelante de las tácticas criminales en evolución.
Sin duda la apuesta por el ML permitirá que la experiencia bancaria digital sea tan confiable y transparente como la relación presencial que, en el pasado, definía la confianza del cliente, por lo que, ahora, es el momento de que la región fortalezca sus cimientos tecnológicos para abrazar el futuro de las finanzas.
