Los bancos no son ajenos a la inteligencia artificial. Durante años, los modelos de aprendizaje automático y aprendizaje profundo han estado impulsando silenciosamente la detección de fraude, el monitoreo de transacciones y el análisis de riesgos. Pero la industria ahora se acerca a un cambio aún más importante: la inteligencia artificial de agentes: sistemas que no sólo pueden analizar datos sino también actuar sobre ellos. Con este cambio surge una pregunta fundamental: cuánto poder están dispuestos a dar los bancos de energía a las máquinas.
La confianza es la manzana de la discordia. ¿Está preparada la IA para que se le confíen decisiones que tengan consecuencias financieras y regulatorias? Esta pregunta salió a la luz durante una conversación reciente entre Deepak Gupta, director de ingeniería de productos y entrega de Volante, y Christopher Miller, analista principal de pagos emergentes en Javelin Strategy & Research. Si la respuesta de hoy es “todavía no”, ¿qué cambios deberán hacer los bancos para que esto suceda?
Formas de utilizar la inteligencia artificial
En todas las instituciones financieras, la adopción de la IA se está acelerando por una razón clara: la eficiencia. Internamente, los bancos están bajo presión para hacer más con menos. La inteligencia artificial se utiliza cada vez más para automatizar tareas repetitivas, mejorar la precisión y la coherencia, reducir los retrasos en las investigaciones y aportar mayor previsibilidad a operaciones que históricamente requieren mucha mano de obra.
Externamente, la atención se centra en el impacto en el cliente. Los bancos están explorando cómo la inteligencia artificial puede reducir los costos operativos para los clientes, reducir la fricción en los procesos de pago y mejorar el cumplimiento.
Algunas de las oportunidades más atractivas se encuentran en la intersección de ambas. En las operaciones de pago y el manejo de excepciones, la IA puede reparar y enriquecer los datos de pago, clasificar excepciones en tiempo real y enrutar transacciones al lugar correcto. Los modelos de aprendizaje automático pueden identificar el fraude a medida que ocurre y al mismo tiempo reducir los falsos positivos.
La IA conversacional agrega otra capa, permitiendo consultas en lenguaje natural como “¿Por qué falló este pago?” “¿Dónde está la tarjeta?” “¿Cómo se resolvieron problemas similares antes?” Mientras tanto, los bancos están aplicando la IA al enrutamiento de pagos inteligente, la optimización de la liquidez y la previsión de financiación, transformando procesos que alguna vez fueron reactivos en procesos proactivos.
Reducir el tiempo
Actualmente, la respuesta más sencilla es que la IA reduce el tiempo necesario para realizar determinadas tareas. Este progreso suele ocurrir a trompicones, lo que hace que el impacto parezca desigual, especialmente cuando la IA afecta solo a una parte de una tarea o flujo de trabajo. Para comprender el impacto final en el resultado final, es importante adoptar una visión de principio a fin.
El beneficio real no es resolver un problema específico, aunque eso sigue siendo importante. Comprender cómo la IA cambia los resultados requiere una visión de un extremo a otro de todo un dominio o conjunto de flujos de trabajo.
“Nuestro enfoque es aprender a caminar antes de correr y aprender a correr antes de correr”, dijo Gupta. “Estamos considerando la IA como un asistente para el equipo de operaciones de pagos. Tal vez en unos años, el nivel de confianza aumentará, la previsibilidad aumentará, los algoritmos ganarán más aceptación y llegaremos a la etapa en la que se le podrá decir a un subconjunto del sistema de pago: OK, adelante y apruébelo automáticamente”.
Cómo medir el éxito de la IA
La primera área de impacto es la eficiencia. Por ejemplo, ¿se reduce el costo y el esfuerzo necesarios para procesar los pagos? Dado que el volumen de pagos procesado por una sola persona es fijo, la IA puede procesar mayores volúmenes de pagos con la misma cantidad de personas. En concreto, la eficiencia se refleja en el número de transacciones procesadas por cada persona antes y después de la inteligencia artificial.
La segunda área es la reducción de riesgos, como identificar y minimizar los falsos positivos o prevenir infracciones. El objetivo es crear valor empresarial, ya sea reduciendo el coste de cada transacción o permitiendo a los clientes ampliar su base de ingresos.
Finalmente está la adopción. Incluso la mejor herramienta no tiene valor si no la usas.
generar confianza
Lograr una adopción generalizada depende de que las organizaciones confíen en la IA. Miller lo comparó con una escala profesional utilizada para desarrollar a un individuo a lo largo del tiempo, en la que las habilidades y responsabilidades aumentan gradualmente.
“Si usted se presenta como un nuevo empleado, el daño que puede causar está limitado”, dijo Miller. “Es posible que solo puedas aprobar cosas por debajo de un cierto número, o que no puedas trabajar con ciertos clientes. Construimos barreras alrededor de las personas para limitar el daño que puede causar su proceso de aprendizaje. Es posible que tengamos que volver a eso cuando pensemos en cómo medir la efectividad de la IA”.
“Estas barreras no se deben a que la IA sea peligrosa”, afirmó. “Eso se debe a que el aprendizaje es un proceso que crea riesgos. La IA tiene que demostrar que es confiable. Si no lo hace, no será adoptada. Pero para generar confianza, primero hay que empezar a usarla”.
Esta confianza debe prevalecer en ambas partes.
“Cuando me subo a un Tesla, encuentro que es más seguro conducirlo que solo porque estoy distraído”, dijo Gupta. “Recibo una llamada o estoy viendo otra cosa. Pero una vez que pongo el auto en piloto automático, sé que se detendrá solo en el momento adecuado. De hecho, cuando vamos juntos, mi familia dice: ‘Papá, ¿por qué no dejas que el auto se conduzca solo? Se conduce mejor que tú’.
“La clave es correr el riesgo y dejar que el coche se conduzca solo primero”, afirmó. “Se puede seguir teniendo el control, pero hacer que el coche se conduzca solo. Lo mismo debería ocurrir en los pagos: creer en la nueva tecnología, creer en el nuevo paradigma”.
Mirando hacia el futuro
Un avance que ya está en marcha es la aparición de sistemas capaces de actuar de forma autónoma. Las barreras de seguridad son más que simples controles: forman una base de confianza, lo que permite a los líderes y equipos de operaciones delegar más tareas a una IA que puede aprender y adaptarse.
“En lugar de delegar los flujos de trabajo existentes a otros, se puede crear un mundo donde los sistemas puedan reinventar los flujos de trabajo por sí solos”, afirmó Miller.
A medida que la inteligencia artificial siga desarrollándose, los bancos responderán a algo más que pagos. Anticiparán estos cambios y serán más proactivos, eficientes y estratégicos en la gestión de sus flujos de financiación.
“Los pagos pasarán de ser principalmente una función administrativa transaccional a una función inteligente y continuamente disponible”, dijo Gupta. “La IA permitirá a los bancos pasar del procesamiento reactivo a operaciones proactivas y predictivas. Cuando usted va a FedEx, no necesita decirles en qué avión desea que se envíe el paquete. Simplemente diga cuándo quiere que el paquete esté allí y cuánto está dispuesto a pagar. Y luego listo, FedEx hace su magia por usted y dice: OK, estas son las opciones, ¿cuál quiere?”.
“Nuevamente, no tienes que averiguar qué método de pago es más barato. ¿Debo enviar a través de RTP o FedNow? Simplemente deja que la IA lo haga por ti. La IA encontrará el camino más rápido y más barato”.
