Estrategia de IA para bancos: una hoja de ruta a tres años

Un piloto de IA bancario que deslumbra al consejo y después se estanca en la revisión de riesgo de modelos es una historia conocida. Una buena estrategia de IA para bancos lo evita avanzando en cuatro etapas, desde datos gobernados hasta agentes que hacen trabajo real.

Gracias a mi función en DXC he trabajado con bancos de Oriente Medio y África. La ambición rara vez es su problema.

El problema son los datos. Los registros de clientes, cuentas y transacciones están repartidos entre un core bancario, una plataforma de tarjetas, un CRM y una docena de hojas de cálculo. Cada uno tiene su propia idea de quién es un cliente.

Esta hoja de ruta funciona con cualquier plataforma de core bancario, proveedor de nube o proveedor de modelos que su regulador acepte. Cubre la banca minorista, la banca para pymes y la banca corporativa.

Tres años, cuatro etapas

1. 01

   Ahora: cimientos de datos

   Datos de clientes, productos y riesgos en una sola plataforma gobernada, con un linaje que los reguladores pueden rastrear.

2. 02

   Año 1: inteligencia gobernada

   Un solo lenguaje de negocio para clientes, cuentas y transacciones, gobierno de la IA y los primeros resultados rápidos.

3. 03

   Año 2: escalar los agentes de IA

   Agentes de incorporación, crédito, fraude y AML, además de una relación con el cliente casi en tiempo real.

4. 04

   Año 3: IA integrada a escala

   IA dentro de las funciones clave del negocio, con personas y agentes trabajando juntos y cada decisión trazable.

Los cimientos se pagan solos con datos confiables y reportes regulatorios más limpios. El primer valor de la IA aparece en el año uno, y las ganancias mayores llegan cuando los agentes empiezan a hacer trabajo real en el año dos.

Los bancos ya saben por qué importan los datos, porque los reguladores se lo enseñaron. Los principios BCBS 239 sobre agregación de datos de riesgo exigen datos de riesgo exactos, completos y oportunos, con responsables claros. Unos buenos cimientos para la IA aplican esa misma disciplina y la extienden a los datos de clientes y productos.

Este es el trabajo, en el orden en que yo lo haría.

1. Llevar a una sola plataforma los datos del core bancario, tarjetas, pagos, préstamos, CRM y canales digitales. Suele ser un lakehouse, un único almacén para datos en bruto y depurados, en la nube o dentro del país.
2. Añadir un catálogo y un linaje, para que cada cifra de un reporte regulatorio y cada dato de entrada de un modelo se pueda rastrear hasta su sistema de origen.
3. Dar a los equipos de producto, riesgos y finanzas reportes de autoservicio basados en las mismas cifras de clientes y saldos.

Lo más difícil es la vista única del cliente. Piense en una mujer con una cuenta corriente y una tarjeta de crédito en su banco. Además es avalista del préstamo empresarial de su hermano y consejera de uno de sus clientes corporativos.

En la mayoría de los bancos ella figura como cuatro registros. El core escribe su nombre de una manera, la plataforma de tarjetas de otra, y el expediente corporativo tiene su número de pasaporte pero no su fecha de nacimiento. Un agente de IA que revisara su exposición total pasaría por alto el aval por completo.

La solución es aburrida. Defina reglas de coincidencia por número de identificación, fecha de nacimiento y dirección, y construya un único registro maestro con un responsable de negocio designado. Hágalo una vez en los cimientos y todos los modelos lo heredarán.

Un segundo caso. Su reporte de riesgos y su libro mayor muestran cifras de exposición distintas para el mismo cliente corporativo. La plataforma de tarjetas contabiliza durante la noche y el sistema de préstamos al mediodía.

Con el linaje en su lugar, un analista rastrea ambas cifras hasta el origen y ve el desfase horario. Sin él, alguien reconstruye la cifra en una hoja de cálculo antes de cada reunión del consejo.

1. 01Core bancarioCuentas, saldos y transacciones
2. 02Tarjetas y pagosGasto con tarjeta, transferencias y nóminas
3. 03Préstamos y CRMPréstamos, límites e historial de contactos
4. 04Zona de aterrizajeCopias en bruto con linaje desde el primer día
5. 05Vista única del clienteUna persona, todos los roles que ocupa
6. 06Reportes y declaracionesCifras de producto, riesgo y regulatorias que coinciden

Datos confiables que usted puede rastrear para el regulador

El núcleo del primer año es una capa semántica. Es un lenguaje de negocio único, compartido por personas y agentes de IA, en el que cliente, cuenta, producto, límite, exposición, transacción y reclamación tienen cada uno una sola definición.

¿Por qué importa? Pregunte a tres equipos cuántos clientes activos tiene.

Marketing cuenta a cualquiera que abrió la app en los últimos 90 días. Finanzas cuenta a cualquiera con saldo, y riesgos cuenta a cualquiera con un producto abierto.

Un agente que responda esa pregunta para el consejo debe usar la definición del informe al consejo. La capa semántica es donde usted la deja por escrito una sola vez.

El gobierno de la IA llega ese mismo año, diseñado en torno a su regulador. En los Emiratos Árabes Unidos eso significa las directrices conjuntas para instituciones financieras que adoptan tecnologías habilitadoras. En el Reino Unido, son los principios de gestión del riesgo de modelos de la PRA (SS1/23).

En la Unión Europea, el AI Act considera de alto riesgo la evaluación de la solvencia de personas físicas. Mi consejo es llevar un único registro de casos de uso de IA. Asigne a cada uno un responsable, una calificación de riesgo, resultados de pruebas y un paso de revisión humana, y después mapee el registro a cada norma que usted debe cumplir.

Luego busque resultados rápidos que noten el personal y los clientes. Yo elegiría entre estos:

1. Un copiloto para el personal, un asistente que responde preguntas a partir de políticas, condiciones de productos e historial del cliente.
2. Resúmenes de reclamaciones que dan al gestor del caso toda la historia en una sola pantalla.
3. Un asesor de gastos personal dentro de la app que los clientes ya usan.
4. Alertas de retención que avisan a un gestor de relación cuando un cliente parece a punto de irse.

Este es un copiloto para el personal en un centro de contacto. Una clienta llama por una comisión en un pago con tarjeta que hizo en el extranjero. El copiloto encuentra la cláusula de la comisión, comprueba el nivel de su tarjeta y muestra la respuesta con la cláusula citada.

Devolver la comisión como gesto comercial sigue siendo decisión del agente de atención, y creo que así debe seguir.

El asesor de gastos trabaja con patrones que los clientes ya viven. Digamos que el salario entra el día 25, el alquiler sale el día 1 y las cuotas escolares llegan cada septiembre. El asesor sugiere ahorrar un poco cada mes para septiembre.

Las alertas de retención leen señales más discretas, como un salario que de repente deja de entrar el día 25. El gestor de relación se entera esa misma semana, cuando todavía hay tiempo para llamar.

1. 01El gestor de relación pregunta¿Cuáles de mis clientes parecen a punto de irse?
2. 02Capa semánticaDefiniciones del banco para cliente, producto y activo
3. 03Datos gobernadosCuentas, transacciones y reclamaciones
4. 04El copiloto respondeCon el motivo y la fuente de cada uno
5. 05El gestor verificaLlama al cliente o descarta la alerta

La misma respuesta que daría el informe al consejo

Valor de negocioAltoMedioBajo

• Asesor de gastos personal

• Alertas de retención
• Triaje de alertas AML

• Apoyo a decisiones de crédito

• Copiloto de políticas para el personal
• Resúmenes de reclamaciones

BajoMedioAltoRiesgo regulatorio

• Bajo
• Moderado
• Crítico

El segundo año pasa de los asistentes a los agentes. Un asistente responde la pregunta de una persona. Un agente hace una parte del trabajo dentro de los límites que usted fija y después se la entrega a una persona.

En banca, el volumen y el valor están en cuatro lugares:

1. Incorporación y KYC, las comprobaciones de conocimiento del cliente que exige cada cuenta nueva.
2. Crédito, desde la recopilación de documentos hasta la redacción del memorando de crédito.
3. Fraude, donde el agente puntúa las transacciones con tarjeta y los pagos casi en tiempo real.
4. AML (prevención del lavado de dinero), donde las alertas se acumulan más rápido de lo que los investigadores pueden resolverlas.

Tome la incorporación de una pyme. Una empresa comercial sube una licencia comercial, una escritura de constitución y los pasaportes de sus accionistas. Uno de los accionistas es una sociedad registrada en otro país.

El agente lo resuelve paso a paso:

1. Lee cada documento y extrae nombres, fechas y números de registro.
2. Contrasta la licencia con el registro mercantil y filtra cada nombre en las listas de sanciones y de vigilancia.
3. Sigue la cadena del accionista extranjero hasta encontrar al beneficiario final, la persona real que es dueña del negocio.
4. Encuentra una coincidencia parcial en una lista de sanciones para un consejero, con el mismo nombre y otra fecha de nacimiento.
5. Prepara el expediente con esa coincidencia señalada y la evidencia adjunta.

Una oficial de cumplimiento revisa la señal y decide. El agente hizo la recopilación, y ella hace el juicio.

El crédito funciona igual. Para una pyme que pide una línea de capital de trabajo, el agente reúne los estados de cuenta, las cuentas auditadas y el informe del buró de crédito. Presenta las cifras en el formato estándar del banco (los equipos de crédito lo llaman spreading) y redacta el memorando de crédito.

Puede señalar que la mayoría de las ventas van a un solo comprador. La decisión sigue siendo del analista de crédito.

El fraude va más rápido. Alguien usa una tarjeta en una tienda de su ciudad y, cuarenta minutos después, en línea desde otro país. El agente retiene el segundo pago, pide al cliente que lo confirme en la app y muestra a un analista por qué actuó.

El AML va más despacio. Se repiten depósitos en efectivo justo por debajo del umbral de reporte en distintas sucursales. El agente reúne el historial y redacta la narrativa del caso, y el investigador decide si presenta un reporte de operación sospechosa.

Ese mismo año llega la relación con el cliente casi en tiempo real. El dueño de un pequeño negocio ve un pronóstico de flujo de caja una semana antes de que venza un pago importante a un proveedor.

El modelo operativo también cambia. Cada agente necesita un responsable, un límite claro sobre lo que puede hacer, monitoreo y un interruptor de apagado. Los equipos de riesgo de modelos deberían revisar los agentes con el mismo cuidado que dedican a los modelos.

1. 01AlertaEl monitoreo de transacciones genera una alerta
2. 02ReunirCuentas, contrapartes, historial y coincidencias en listas
3. 03EvaluarPuntúa la alerta frente a casos anteriores
4. 04RedactarRedacta la narrativa del caso con la evidencia
5. 05DecidirEl investigador cierra o escala
6. 06AprenderLos resultados ajustan el siguiente triaje

Riesgo de modelos revisa el agente como un modelo

En el tercer año, la IA está dentro de los préstamos minoristas, las tarjetas, la banca para pymes, la tesorería, las operaciones y los riesgos. Personas y agentes trabajan codo con codo, y cada ruta de decisión tiene un responsable designado y una pista de auditoría.

Compartir datos amplía lo que los agentes pueden ver. Las API de banca abierta permiten a los clientes compartir, con su consentimiento, cuentas que tienen en otros bancos. ISO 20022, el estándar más reciente para mensajes de pago, transporta un detalle más rico sobre quién pagó a quién y por qué.

Tome un cliente corporativo que recibe cientos de pagos al día. Un agente concilia cada uno con la factura correcta usando los datos de remesa de ISO 20022. Señala el resto para el equipo de tesorería del cliente.

El trabajo de back office también cambia. Al cierre de mes, un agente concilia línea por línea las cuentas nostro del banco (sus cuentas en otros bancos, en divisas). Un analista de operaciones trabaja solo las diferencias que el agente no puede explicar.

Los socios se conectan a la misma capa gobernada y usan sus definiciones y sus controles. Un competidor no puede copiar rápido tres años de infraestructura.

1. Director de operacionesResponsable del portafolio de agentes y de sus resultados
   Riesgo de modelos y cumplimientoValidación, monitoreo y un interruptor de apagado
2. Directores de negocioResponsables de los agentes de su línea de negocio

• Agente de incorporaciónA cargo del director de incorporación
• Agente de créditoA cargo del director de crédito
• Agente de fraudeA cargo del director de fraude
• Agente AMLA cargo del MLRO

1. 04Agentes y copilotos de IAAgentes de incorporación, crédito, fraude, AML y relación con el cliente, con puntos de aprobación humana
2. 03Capa de inteligencia gobernadaModelo semántico de clientes, cuentas, productos y transacciones, más el registro de IA
3. 02Cimientos de datosLakehouse con linaje, catálogo y calidad de datos, dentro del país cuando se exija
4. 01Sistemas centralesCore bancario, tarjetas, pagos, préstamos, CRM y canales digitales

Cuatro compromisos atraviesan cualquier estrategia de IA para bancos.

1. Opciones de IA dentro del país y soberanas. Muchos reguladores esperan que los datos de los clientes permanezcan en el país. Elija plataformas y modelos que puedan funcionar allí, incluidos modelos abiertos alojados por usted.
2. Una arquitectura abierta y multiplataforma. Los modelos cambian cada pocos meses, así que mantenga al banco libre para cambiar de proveedor de IA.
3. Un gobierno alineado con su regulador. Un registro de IA y un proceso de riesgo de modelos, mapeados a cada norma que usted debe cumplir.
4. Personas capaces de trabajar con agentes. Los gestores de relación, analistas e investigadores necesitan saber cuándo confiar en un agente y cuándo contradecirlo.

Así se ve contradecirlo. Un agente AML marca una alerta como de bajo riesgo porque los depósitos coinciden con el salario habitual del cliente. La investigadora sabe que el empleador cerró el mes pasado, así que reabre el caso.

El primer error es empezar con un chatbot de cara al cliente. Sin una capa semántica, da respuestas distintas a la misma pregunta.

Pregunte dos veces por el límite de su tarjeta y puede recibir dos cifras. Una salió de la plataforma de tarjetas y la otra de una copia desactualizada del CRM.

Yo empezaría la estrategia de IA de su banco dentro del propio banco. Los copilotos para el personal y los agentes de operaciones son lugares más seguros para aprender, porque una persona revisa cada respuesta antes de que la vea un cliente.

El segundo error es construir la IA al margen de la gestión del riesgo de modelos. Un piloto que se saltó la validación no puede pasar a producción, así que el equipo vuelve a empezar. Involucre a riesgos y cumplimiento desde el primer caso de uso, aunque parezca lento.

Cómo fallaQué funciona

1. 01Cómo falla: Un chatbot para clientes como primer proyecto→Qué funciona: Primero copilotos internos y agentes de operaciones
2. 02Cómo falla: Pilotos construidos al margen de la gestión del riesgo de modelos→Qué funciona: Riesgo de modelos involucrado desde el primer caso de uso
3. 03Cómo falla: Cada modelo con su propia definición de cliente→Qué funciona: Una vista del cliente gobernada para todos los modelos
4. 04Cómo falla: Riesgos y cumplimiento invitados al final→Qué funciona: Riesgos, cumplimiento y el negocio como dueños conjuntos

Si quiere saber en qué etapa está hoy su banco, reserve una llamada conmigo. Traiga su lista actual de casos de uso de IA y le diré por dónde empezaría yo.

¿Qué debe incluir la estrategia de IA de un banco?

Una buena estrategia de IA para bancos necesita unos cimientos de datos gobernados, una capa semántica y un gobierno de la IA alineado con su regulador. Después añade agentes de incorporación, crédito, fraude y AML. Por debajo de todo están las opciones dentro del país, una arquitectura abierta y la capacitación del personal.

¿Por dónde debe empezar un banco con la IA?

Empiece por los cimientos de datos y los casos de uso internos. Los copilotos para el personal, los resúmenes de reclamaciones y un asesor de gastos personal aportan valor con un riesgo manejable. Las decisiones de crédito llegan después, con los controles más fuertes y una persona que aprueba cada una.

¿La IA para la calificación crediticia es de alto riesgo según el EU AI Act?

Sí, el EU AI Act clasifica como de alto riesgo los sistemas de IA que evalúan la solvencia de personas físicas o establecen su calificación crediticia. La detección de fraude es una excepción. Los sistemas de alto riesgo necesitan gestión de riesgos, gobierno de datos, documentación, supervisión humana y monitoreo.

¿En qué se diferencian los agentes de IA de los asistentes de IA en banca?

Un asistente responde preguntas para una persona. Un agente realiza acciones dentro de los límites que usted fija, como reunir documentos de KYC, hacer el triaje de alertas o redactar un memorando de crédito. En banca, los agentes deberían preparar las decisiones y una persona debería aprobarlas.

¿Pueden los bancos usar IA y mantener los datos en el país?

Sí. Muchos proveedores de nube ofrecen regiones dentro del país, y los modelos abiertos pueden funcionar en servidores que controla el banco. Decida qué datos pueden salir del país antes de elegir plataformas y modelos.