El mundo de posibilidades de la Inteligencia Artificial (IA) es impresionante. En cualquier ramo empresarial, la IA puede mejorar los procesos internos para aumentar la eficiencia y reducir costos, los cuales son dos de los primeros beneficios de esta tecnología. Pero hay mucho más, como que los negocios pueden tomar ventaja de la IA generativa (IA Gen) para mejorar sus capacidades; generar automáticamente código, texto, imágenes y otros medios; optimizar sus procesos, e incluso predecir situaciones para tener una toma de decisiones adecuada.

Cuando la IA y los empleados tienen una relación simbiótica, aceleran el tiempo para superar a su competencia y amplían de forma notoria su alcance y la productividad de su fuerza laboral en todos los niveles. Esto ocurre en todas industrias, independientemente de lo que esta tecnología es capaz de lograr en cada una en particular.

El sector financiero, por ejemplo, tiene un abanico enorme de aplicaciones potenciales de la IA para sus productos y servicios. Hay 4 que destacan del resto. A continuación, exploraremos sus posibilidades, los riesgos inherentes y las condiciones para su aplicabilidad a gran escala.

1. Hiper personalización de los productos financieros

La actividad de hiper personalizar es totalmente independiente de la IA Generativa (IA Gen), aunque puede actuar como su acelerador y facilitador. Significa llevar más allá la segmentación y ofrecer productos y servicios a un punto en que el cliente tiene la percepción de que esta oferta se diseñó sólo para él. Alcanzar la hiper personalización implica que la empresa haga un macro análisis de datos estructurados y no estructurados (interacciones con los clientes, sus historiales de transacciones, patrones de gasto, información no monetaria, etc.), para conocer los comportamientos y necesidades de cada cliente.

Por supuesto, hablamos de volúmenes de datos con una gran profundidad histórica, así que procesar esta información para millones de clientes y generar un motor de ofertas prácticamente en tiempo real se puede convertir en un reto computacional enorme. Para lograrlo, la sugerencia es crear simulaciones virtuales para comprender mejor al cliente y ver cómo las ofertas disponibles se adaptan a él y al portafolio de la institución, para luego alimentar el motor de gestión de clientes con todas las señales analíticas que brindan los datos transaccionales.

Si bien introducir IA Gen ayuda, los retos de la hiper personalización van más allá: implican acceder a datos en tiempo real, tener la capacidad de transformarlos en conocimiento analítico, generar ofertas a partir de este análisis y optimizarlas con el foco puesto en la rentabilidad y la satisfacción del cliente, ejecutar también en tiempo real y tener las herramientas adecuadas para interactuar con el cliente y comunicarle dichas ofertas.

2. Prevención de fraudes

Hace más de 20 años que se utiliza la IA para prevenir fraudes en transacciones financieras. Usar la IA para este fin es complejo, tanto desde el punto de vista matemático como computacional, e implica procesar grandes volúmenes de datos para crear perfiles del consumidor, de la transacción en sí, del establecimiento y de la región donde se origina la transacción, y que todo esto se haga en milisegundos, que es el tiempo de respuesta aceptable para una transacción financiera.

La IA generativa es parte de la solución, aunque no el principal facilitador. Los modelos generativos suelen ser muy pesados, computacionalmente hablando, e implican miles de millones de parámetros, lo cual no es muy positivo cuando lo que se busca es velocidad de respuesta aunada a la capacidad de hacer predicciones exactas.

Lo que ha dado resultados confiables y precisos es combinar modelos que usan diversas metodologías de IA con una cantidad de parámetros de distinta magnitud, más pequeños que la IA Gen, con la ventaja de ser más fáciles de gestionar y comprender.

3. Decisiones de crédito y riesgo

En este tema, una de las principales barreras para usar la IA generativa es el cumplimento de las regulaciones, que exige que las instituciones expliquen una determinada decisión sobre un préstamo.

La legislación bancaria global y el reciente esfuerzo mundial para regular el uso de la IA ponen un estricto enfoque en la necesidad de interpretar y explicar las decisiones y, al final, garantizar un trato justo y ético a todos los consumidores. La complicación radica en que los modelos generativos tienen muchísimos parámetros, y es difícil explicar e interpretar las decisiones tomadas.

Las instituciones financieras deben juzgar si la complejidad que surge de usar la IA Gen podría comprometer la capacidad de los modelos para explicar e interpretar. Aquí, los modelos de IA explicables (aquellos que permiten la interpretación de parámetros) y la consecuente capacidad de intervención humana sobre ellos son fundamentales para cumplir con las reglamentaciones y asegurar los principios éticos en el trato a consumidores que la ley establece.

4. Servicio al cliente

En esta área, la aplicación de la IA Gen –y en especial los Modelos de Lenguaje Extensos (LLM, por sus siglas en inglés)– tiene una clara ventaja sobre los actuales enfoques basados, por lo general, en meros árboles de decisión.

Y es que una capacidad más refinada para comprender la comunicación con el cliente y generar conversaciones similares al servicio humano puede convertirse en una poderosa herramienta para aumentar el compromiso y la satisfacción del consumidor en diversos puntos del servicio, durante todo el ciclo de la relación, incluyendo desde las notificaciones de nuevas ofertas hasta las acciones de cobranza, pasando por la comunicación general sobre transacciones, la protección y la atención de las denuncias.

En resumen, la capacidad de la IA Gen para analizar y brindar visibilidad más amplia y profunda de los datos (así sea sobre las transacciones de los clientes, o bien, del código de software que puede ser defectuoso, por ejemplo) mejora la capacidad de identificar riesgos potenciales para las empresas.

Ahora bien, lo más conveniente es analizar los beneficios del uso de la IA generativa en los procesos comerciales de cara al cliente, especialmente los discutidos en este artículo, versus los riesgos potenciales que pueden existir.

Hasta el día de hoy, el cumplimiento normativo, el uso ético, la interpretabilidad y transparencia, la confianza y la contextualización siguen siendo factores a considerar cuando hablamos de esta tecnología, y probablemente pasarán algunos años antes de que tengamos soluciones que aborden satisfactoriamente todos estos puntos.

___________

La autora de este artículo, Gilma Díaz, es directora de Ventas de FICO para la región NOLA.