+ Reflexionando con Diego San Esteban

Diego San Esteban

Navegando por la Tormenta: El Desafío de la Inteligencia Artificial Generativa en la Banca

Para lograr una implementación exitosa de la IAG en la industria financiera, es imprescindible tener una comprensión matizada de sus desafíos y limitaciones.

19 Febrero, 2024 / 7:13 am

En mi experiencia recorriendo Latinoamérica y dialogando con líderes de la industria financiera, he observado la complejidad multifacética que representa la implementación de la inteligencia artificial generativa (IAG) en los canales de atención al cliente. La promesa de la IAG, que abarca desde la personalización excepcional hasta la optimización de la eficiencia operativa, se ve a menudo desafiada por obstáculos que incluyen desde la infraestructura tecnológica hasta la confianza del consumidor.

Por razones de confidencialidad, los nombres en los ejemplos siguientes han sido anonimizados, pero reflejan observaciones directas de mis visitas a clientes en la región. En este análisis, busco no solo ilustrar las dificultades inherentes mediante ejemplos vivenciales, sino también ofrecer una reflexión profunda y estrategias palpables para navegar y superar estos obstáculos. Es mi intención colaborar con la comunidad financiera para abrazar el potencial transformador de la IAG, afrontando sus desafíos con una mirada crítica y constructiva.

Expectativas Desmedidas

En mi recorrido he presenciado cómo la brecha entre las aspiraciones elevadas y la funcionalidad tangible de la Inteligencia Artificial Generativa (IAG) actúa como un considerable escollo. La visión de la IAG como una solución integral para los desafíos del servicio al cliente a menudo ignora la complejidad de su implementación efectiva. Tomemos, por ejemplo, el ambicioso proyecto de chatbot de IA del Banco Innovador, concebido para transformar radicalmente la atención al cliente. Este enfrentó obstáculos notables en la interpretación y gestión de las peticiones complejas de los usuarios, evidenciando así la notable distancia entre las expectativas optimistas y las capacidades reales de la IAG en ese momento. Este caso ilustra no solo la necesidad de alinear las expectativas con la realidad tecnológica actual, sino también el imperativo de abordar y recalibrar nuestra comprensión y aplicación de la IAG en el ámbito financiero.

Para recalibrar efectivamente las expectativas sobre la implementación de la Inteligencia Artificial Generativa (IAG) en el sector financiero, propongo un enfoque pragmático y entusiasta. Primero, fomentemos un ecosistema de aprendizaje continuo, iluminando el camino con seminarios que revelen el verdadero alcance y los límites de la IAG, preparando el terreno para expectativas realistas. Establezcamos objetivos estratégicos, empleando la metodología SMART, para asegurar su viabilidad y relevancia. Iniciativas piloto nos permitirán navegar el terreno práctico, ajustando nuestras velas según las corrientes reales de implementación. A través de una cultura de retroalimentación activa y una comunicación transparente, podremos alinear nuestras aspiraciones con la realidad tangible, manteniendo viva la llama del entusiasmo por las transformaciones que la IAG promete en nuestro sector.

Calidad y Acceso a Datos

La calidad de los datos representa un desafío significativo en la implementación de la Inteligencia Artificial Generativa (IAG) en la banca. Para entrenar modelos de IAG que sean efectivos y precisos, se requiere de datos que no solo sean abundantes, sino también limpios, organizados y pertinentes. Instituciones como el hipotético Banco Tradicional se han enfrentado a dificultades al intentar purificar y estructurar sus vastos repositorios de datos históricos. Esta situación subraya un problema fundamental: sin una base de datos sólida, la IAG no puede alcanzar su pleno potencial de aprendizaje, lo que a su vez limita su capacidad para revolucionar los servicios financieros con la precisión y personalización prometidas.

Para abordar el desafío de la calidad de datos en el Banco Tradicional, se adoptó un enfoque multifacético. Primero, se realizó un diagnóstico exhaustivo de los sistemas de almacenamiento de datos existentes, identificando las principales fuentes de inexactitud y desorganización. A continuación, se implementó un programa de limpieza de datos, utilizando algoritmos avanzados para detectar y corregir errores automáticamente. Paralelamente, se desarrolló un marco de gobernanza de datos para asegurar la integridad y relevancia de la información a largo plazo. Este proceso incluyó la estandarización de formatos y la creación de protocolos para la actualización y mantenimiento continuos de los datos. Finalmente, se capacitó al personal en las mejores prácticas de gestión de datos, asegurando que el esfuerzo por mejorar la calidad de los datos sea una responsabilidad compartida en toda la organización.

Preguntas frecuentes que enfrento?

¿Es importante entonces tener Gobierno de datos?

Absolutamente, el gobierno de datos es fundamental en la era de la inteligencia artificial. Actúa como el pilar que sostiene la integridad, seguridad y eficacia de los datos, asegurando que sean precisos, consistentes y accesibles. Un gobierno de datos robusto no solo mejora la calidad de los datos para entrenar modelos de IA más precisos y eficientes, sino que también fomenta la confianza entre los usuarios y cumple con las regulaciones de privacidad y protección de datos.

¿Entonces que uso un datawarehouse o un Data Lake?

La elección entre un data lake y un data warehouse depende de las necesidades específicas de gestión de datos de una organización. Un data lake es óptimo para almacenar grandes volúmenes de datos en su formato natural, lo que es ideal para tareas de minería de datos y análisis predictivo que requieren flexibilidad en el manejo de datos no estructurados. Por otro lado, un data warehouse está estructurado para almacenar datos procesados y organizados, lo que facilita el acceso y análisis de datos para informes y consultas específicas. La decisión entre uno y otro debe basarse en la estrategia de datos y objetivos analíticos de la empresa.

“El gobierno de datos, combinado con el uso de un data lake, representa la estrategia más efectiva para maximizar el potencial analítico y operativo en la era digital, asegurando una gestión óptima y flexible de los activos de información”
Diego San Esteban

Desafíos de Integración Tecnológica

La integración de tecnologías emergentes de Inteligencia Artificial Generativa (IAG) con sistemas bancarios heredados representa un desafío monumental. Durante mi travesía por el mundo financiero, he sido testigo del arduo camino que enfrenta instituciones emblemáticas como Finanzas Siglo XXI al intentar armonizar estas tecnologías punteras con una infraestructura tecnológica arraigada en el pasado. Los desafíos que enfrentan son diversos, desde problemas de compatibilidad hasta la disminución de la funcionalidad inherente a sistemas más antiguos. Este obstáculo es un recordatorio contundente de la necesidad de una adaptación ágil y estratégica para navegar con éxito en el cambiante panorama tecnológico de la industria financiera.

La integración de tecnologías de Inteligencia Artificial Generativa (IAG) con sistemas bancarios heredados representa un desafío monumental. Durante mi travesía por el mundo financiero, he sido testigo del arduo camino que enfrenta instituciones emblemáticas como Finanzas Siglo XXI al intentar armonizar estas tecnologías punteras con una infraestructura tecnológica arraigada en el pasado. Los desafíos que enfrentan son diversos, desde problemas de compatibilidad hasta la disminución de la funcionalidad inherente a sistemas más antiguos. Este obstáculo es un recordatorio contundente de la necesidad de una adaptación ágil y estratégica para navegar con éxito en el cambiante panorama tecnológico de la industria financiera.

Para abordar eficazmente este desafío, es imperativo seguir una metodología estructurada. En primer lugar, se requiere realizar una evaluación exhaustiva de la infraestructura existente. Esta evaluación proporcionará una comprensión clara de la arquitectura de los sistemas bancarios heredados, identificando sus limitaciones y áreas de mejora. A continuación, es crucial identificar los puntos de integración, determinando dónde la IAG puede integrarse de manera efectiva con la infraestructura existente y estableciendo posibles sinergias y áreas de conflicto.

Después, se debe desarrollar un plan de integración paso a paso. Este plan detallado describirá los pasos necesarios para integrar la IAG con los sistemas bancarios legados, priorizando las áreas de mayor impacto y minimizando el riesgo de interrupciones en la operatividad. Seguidamente, se procederá con la implementación gradual y pruebas exhaustivas. Adoptar un enfoque gradual garantizará una transición suave y efectiva hacia el nuevo entorno tecnológico, asegurando la compatibilidad, estabilidad y funcionalidad óptima del sistema integrado.
Finalmente, se proporcionará capacitación adecuada al personal. Esta capacitación será fundamental para asegurar que estén equipados para aprovechar al máximo las capacidades de la IAG, y para garantizar una transición fluida y exitosa hacia el nuevo entorno tecnológico. Siguiendo esta metodología estructurada, las instituciones financieras pueden superar los desafíos de integración y aprovechar al máximo el potencial de la IAG para mejorar la eficiencia y la experiencia del cliente.

Privacidad y Seguridad

La protección de la privacidad y la seguridad de los datos es una prioridad fundamental en el entorno actual. Los clientes depositan su confianza en las instituciones financieras con la expectativa de que su información personal y financiera será manejada con el más alto grado de cuidado y protección. Sin embargo, en un contexto donde los casos de mal uso de datos por parte de empresas tecnológicas han aumentado la preocupación pública, las expectativas sobre cómo se utilizan los datos en el sector financiero se han vuelto aún más rigurosas. Bancos como Seguridad Fiduciaria (Centroamérica) se encuentran bajo un escrutinio cada vez mayor para garantizar la integridad y la confidencialidad de los datos de sus clientes. Este escenario ha llevado a la implementación de medidas de seguridad y privacidad aún más estrictas, destinadas a fortalecer la confianza del cliente y cumplir con las regulaciones cada vez más rigurosas en materia de protección de datos. En este sentido, la adopción de prácticas sólidas de seguridad y privacidad se ha convertido en un pilar fundamental en la estrategia operativa de las instituciones financieras, reflejando su compromiso continuo con la protección de los intereses y la confianza de sus clientes.

En el Banco Seguridad Fiduciaria, hemos implementado una serie de pasos clave para garantizar la privacidad y seguridad de los datos en el contexto de la implementación de la Inteligencia Artificial Generativa (IAG). En primer lugar, llevamos a cabo una evaluación exhaustiva de los riesgos de seguridad y privacidad asociados con la IAG, identificando posibles vulnerabilidades y amenazas específicas para nuestro entorno. Luego, desarrollamos e implementamos políticas y procedimientos claros para proteger los datos confidenciales de nuestros clientes. Esto incluyó el establecimiento de medidas de cifrado de datos, controles de acceso robustos y la implementación de sistemas de monitorización continua para detectar cualquier actividad sospechosa. Además, realizamos auditorías regulares para evaluar la efectividad de nuestras medidas de seguridad y privacidad, y ajustamos nuestros procedimientos según sea necesario para estar al día con las mejores prácticas y regulaciones de seguridad de datos en constante evolución. Al seguir este enfoque, hemos logrado mitigar los riesgos y garantizar la confidencialidad de los datos de nuestros clientes mientras aprovechamos los beneficios de la IAG para mejorar nuestros servicios y la experiencia del cliente.

Entonces un breve recordatorio de como superar estos desafíos.

Para superar los desafíos inherentes a la implementación de la Inteligencia Artificial Generativa (IAG), las instituciones financieras pueden adoptar varias estrategias clave:

1. Ajuste de Expectativas: Es crucial ser realistas sobre lo que la IAG puede y no puede lograr. Establecer metas claras y alcanzables garantizará una implementación más efectiva y evitará decepciones.

2. Inversión en Datos: Priorizar la limpieza y organización de datos es fundamental. Garantizar que los sistemas de IAG tengan acceso a información de alta calidad mejorará la precisión y eficacia de los modelos.

3. Modernización de Sistemas: Actualizar las infraestructuras existentes es esencial para facilitar la integración de tecnologías de IAG. La adopción de arquitecturas flexibles y escalables permitirá una implementación más fluida y una adaptación ágil a futuros desarrollos tecnológicos.

4. Énfasis en la Seguridad: Implementar prácticas de seguridad de datos de vanguardia es una prioridad. Proteger la privacidad del cliente y la integridad de los sistemas garantizará la confianza del cliente y el cumplimiento de las regulaciones de seguridad de datos en constante evolución.

Reflexión personal

Para lograr una implementación exitosa de la Inteligencia Artificial Generativa (IAG) en la industria financiera, es imprescindible tener una comprensión matizada de sus desafíos y limitaciones. Solo así podremos adoptar estrategias enfocadas y realistas que nos permitan aprovechar plenamente su potencial transformador. Es hora de que las instituciones financieras den el salto hacia el futuro, utilizando la IAG para mejorar la atención al cliente de manera significativa, mientras protegen la confianza y seguridad de sus usuarios.

Como profesional de la industria financiera, te invito a reflexionar sobre el papel crucial que desempeña la IAG en la evolución de nuestro sector. Aprovechemos esta oportunidad para abrazar la innovación y liderar el camino hacia una experiencia bancaria más inteligente y centrada en el cliente. ¡Es hora de actuar y convertir estas palabras en acción!

Fuerte abrazo!
Diego San Esteban

Agregue un comentario

(*) Son campos obligatorios.


Diego San Esteban

Presidente Latam Open Finance & Chief Sales Director N5

Soy un profesional pragmático, de visión estratégica, referente de la región. Mas de 30 años de experiencia transformando la industria financiera, desarrollada en más de 180 clientes, 120 de ellos, bancos y aseguradoras de la región.

Trabajando en 4 mesas de innovación de bancos centrales de la región, colaborando con 3 ministerios de desarrollo tecnológico e innovación de Centro América y Latam Norte.

Soy presidente de Latam Open Finance una organización internacional que fomenta la inclusión financiera. Director del posgrado de especialización de gestión de entidades financieras de la Universidad de Buenos Aires, una de las mejores de América. Responsable del desarrollo y estrategia comercial de N5, una empresa dedicada a la industria financiera con un crecimiento anual del 500% y nombrada por Microsoft como la startup del año 2021 para Latam & Caribe.

Vamos a reflexionar sobre los temas que afectan, impactan o modifican los comportamientos de la industria financiera, vamos a fundamentar la reflexión en datos, en comportamientos del mercado, en la realidad contextual y fundamentalmente en el sentido común, buscando romper silos de pensamiento

Reflexionar en tiempos de crisis es una necesidad, hay que detener toda acción producida por la inercia para generar valor.