La inteligencia artificial está transformando la banca, mejorando la detección de fraudes, el cálculo del riesgo y el servicio al cliente. Xavier Lavayssière analiza impactos y desafíos de la IA.
10 min de lectura
Acabas de ver un inspirador vídeo sobre una extraordinaria profesora que está construyendo una escuela en Mali. Conmovido por sus esfuerzos, decides hacer una donación para apoyar su causa. Abres tu aplicación bancaria, introduces los datos de la organización sin ánimo de lucro y pulsas enviar. Pero ¿te has preguntado alguna vez cómo se asegura tu banco de que tu generoso gesto está realmente apoyando la educación de los niños y no financiando sin darte cuenta una estafa o a un grupo armado de la región?Los bancos y las empresas de tecnología financiera desempeñanun papel fundamental en salvaguardar nuestras transacciones financieras. Han desarrollado tecnologías para identificarte tanto a ti como al destinatario, detectar patrones de transacción y evaluar riesgos. La inteligencia artificial (IA) está revolucionando estos procesos, pero primero debemos comprender los métodos empleados hasta la fecha.
¿Qué lugar ocupa la IA en la actual caja de herramientas de los banqueros?
Modelos estadísticos: los cimientos
El primer paso es evaluar los riesgos. Por ejemplo, ¿se cometen más fraudes al usar tarjetas de crédito o con transferencias bancarias? Para ello, la estadística ha sido desde hace mucho tiempo una vieja aliada de la banca. A principios del Renacimiento, el banquero y estadista florentino Giovanni Villani ya utilizaba métodos estadísticos para evaluar las tendencias de la población, la educación y el comercio.
En los pagos, los modelos estadísticos ayudan a evaluar la probabilidad de que se cometan transacciones fraudulentas. Si una transacción cumple determinados criterios, puede marcarse para un análisis más profundo o incluso bloquearse. Después, los analistas decidirán qué hacer a continuación . Sin embargo, identificar los criterios estadísticos de los riesgos, aplicar métodos basados en reglas y controlarlos manualmente puede resultar lento y costoso de implantar y ejecutar.
Métodos basados en reglas: el enfoque tradicional
Una vez identificados los riesgos, el cotejo basado en reglas constituye un elemento básico en las operaciones bancarias. Por ejemplo, al procesar los reembolsos de préstamos, los bancos suelen tener problemas para hacer coincidir los pagos entrantes con los préstamos correctos.
Durante mis primeras prácticas en un banco de desarrollo internacional, creé un programa que analizaba los pagos SWIFT entrantes y la lista de pagos previstos para hacerlos coincidir. Observé en la base de datos los errores y erratas más frecuentes para crear reglas que pudieran automatizar el proceso de cotejo: era más probable que los pagos llegaran más tarde que pronto, los importes podían variar en unos pocos puntos porcentuales de los pagos esperados —debido a las conversiones de divisas—, y los números de contrato podían aparecer en cualquier campo del pago.
La IA cambia las reglas del juego
La belleza de la IA reside en su capacidad para identificar patrones sin una programación explícita. Mediante el aprendizaje automático (machine learning, en inglés), la IA puede analizar enormes cantidades de datos de transacciones, previamente etiquetados como legítimos o fraudulentos, para identificar sutiles indicadores de posibles fraudes. Por ejemplo, la IA puede darse cuenta de que las transacciones fraudulentas se producen a menudo en una secuencia específica o que tienen características particulares en común.En el fondo, la lógica no difiere mucho del análisis estadístico y de los enfoques basados en reglas. Sin embargo, a diferencia de los métodos tradicionales, la IA puede adaptarse a los nuevos esquemas de fraude en tiempo real, procesar grandes volúmenes de datos con rapidez y eficacia, y aprender continuamente y mejorar su precisión con el tiempo.El aprendizaje profundo (Deep Learning) y los modelos de lenguaje masivos (Large Language Models, o LLM) van un paso más allá. Imitando el funcionamiento de un cerebro humano, ofrecen amplias interfaces que permiten a cualquiera interactuar con ellos en un lenguaje más natural, y pueden hacer uso de datos más desestructurados. El auge de la IA generativa ha despertado el interés del gran público y desencadenado una nueva oleada de aplicaciones de IA en la banca.
¿Cuáles son las potenciales aplicaciones de la IA en los pagos y la banca?
Control y prevención del fraude
En el control y prevención del fraude, la visión artificial impulsada mediante IA puede verificar la autenticidad de los documentos de identidad e incluso de su propietario, simplificando los procesos de «Conozca a su cliente» (Know Your Customer).Para la diligencia debida en las contrapartes, la IA puede analizar datos para evaluar la fiabilidad y los riesgos asociados a posibles socios comerciales o clientes.
Tratamiento de préstamos y evaluación del riesgo
La IA puede facilitar la solicitud de préstamos. La tecnología puede procesar y extraer rápidamente información relevante de varios documentos relacionados con el préstamo, reduciendo así significativamente el tiempo de procesamiento.Los modelos de puntuación de riesgos basados en IA pueden incorporar fuentes de datos no tradicionales para evaluar la solvencia crediticia, lo cual amplía potencialmente el acceso al crédito para las poblaciones más desfavorecidas. Además, estos modelos de IA también pueden ayudar a los bancos a personalizar las condiciones de los préstamos a partir de los perfiles individuales de los clientes y reducir así los riesgos de impago.
Interacciones con los clientes
Los chatbots y los asistentes virtuales, impulsados por el conocido como «procesamiento del lenguaje natural», pueden gestionar una amplia gama de consultas y transacciones de clientes. Estas interfaces basadas en IA proporcionan un servicio 24/7, lo que mejora la experiencia del cliente y reduce la carga de trabajo del personal humano.Los sistemas basados en IA pueden también proporcionar asesoramiento financiero personalizado, analizando los hábitos de gasto y los objetivos financieros del cliente para ofrecer recomendaciones de productos y estrategias de ahorro diseñadas a medida.
¿Cuáles son los riesgos del uso de la IA en la banca y los pagos?
Errores e impredecibilidad
Una de las principales preocupaciones que genera la IA en la banca es su capacidad para cometer errores y su comportamiento impredecible. A diferencia de los sistemas tradicionales basados en reglas, los modelos de IA —en particular los modelos de lenguaje masivos— pueden a veces producir resultados lógicamente incoherentes o incorrectos. Además, cuando un LLM carece de información, puede «alucinar», generando información que puede parecer plausible, pero que es totalmente falsa. En un contexto financiero, estos errores pueden tener fatales consecuencias .Además, la complejidad de los sistemas de IA a menudo incide en que sus procesos de toma de decisiones sean opacos, lo cual crea un efecto de «caja negra». Esta falta de transparencia puede ser problemática para los bancos, que necesitan sistemas predecibles a efectos de prevención del delito y cumplimiento normativo. La incapacidad de explicar plenamente cómo una IA ha llegado a una decisión concreta podría plantear problemas en las auditorías legales o a la hora de justificar las decisiones ante sus clientes.
Cuestiones de parcialidad e igualdad
Otro riesgo importante es la posibilidad de que la IA perpetúe o incluso profundice los prejuicios existentes. Actualmente, las puntuaciones de crédito en EE. UU. están reguladas para garantizar un acceso justo al crédito. Solamente pueden utilizarse algunos tipos de datos, y los particulares pueden corregir la información. Estas normas garantizan la equidad, pero también que los préstamos cumplan su función de creación de riqueza individual y colectiva, otorgando préstamos a proyectos que los merezcan.Si un modelo de IA se entrena con datos históricos que reflejan sesgos sociales y utiliza grandes cantidades de datos, puede reproducir estos sesgos en sus decisiones. Por ejemplo, un sistema de aprobación de préstamos basado en IA podría penalizar injustamente a personas en función de factores como su vecindario o sus antecedentes, sin tener en cuenta su comportamiento financiero real o su potencial. Lo que es más, una IA podría no reconocer que el historial financiero poco convencional de un solicitante se debe a circunstancias atenuantes, en lugar de a una mala gestión financiera.
Por ejemplo, ¿habría concedido una IA un préstamo a un Kylian Mbappé de 18 años, residente en Trappes, con una carrera incierta en el fútbol? Una IA que evaluara los préstamos no se fijaría en el potencial para el Balón de Oro, sino solo en el riesgo de que el préstamo no fuera devuelto.
Riesgos de ciberseguridad y privacidad
La introducción de sistemas de IA en la banca genera además nuevas vulnerabilidades potenciales que los ciberdelincuentes podrían explotar. Por ejemplo, los delincuentes podrían intentar manipular los datos de entrenamiento de los modelos de IA para influir en sus decisiones, una técnica conocida como envenenamiento de datos. Además, los propios modelos de IA podrían convertirse en objetivos de robo o espionaje corporativo. Estos nuevos vectores de ataque se suman al yacomplejo panorama de la ciberseguridad por el que deben navegar los bancos.Por otra parte, los datos utilizados para entrenar algoritmos, ya sean datos de pagos o solicitudes de préstamos, son extremadamente sensibles. Debido a los requisitos de privacidad, debería obtenerse un consentimiento previo antes de poder usarlos, y ha de garantizarse que no se filtrará información de ningún tipo durante el entrenamiento o su empleo.
Costes económicos y medioambientales
Implementar y explotar grandes modelos de IA conlleva importantes gastos, tanto económicos como medioambientales. Estos sistemas requieren importantes recursos computacionales, así como hardware y centros de datos especializados. El consumo de energía y la huella medioambiental de los grandes modelos de IA han suscitado preocupación en el sector bancario, que lucha por la sostenibilidad.Además, no todas las instituciones financieras tienen la experiencia interna necesaria para implantar y gestionar eficazmente los sistemas de IA. Esta falta de competencias podría crear una brecha competitiva en el sector, ya que las entidades más pequeñas tendrían dificultades para seguir el ritmo de las innovaciones impulsadas por la IA.
Y, ¿a largo plazo?
No cabe duda de que la IA aportará increíbles beneficios a las finanzas una vez descartados los usos innecesarios, comprendidas sus limitaciones y siempre que venga acompañada de la gestión de riesgos necesaria para cualquier mecanismo complejo.
La IA no se utilizará en todas partes. Los sistemas basados en reglas son los más adecuados cuando queremos una aplicación uniforme de reglas claras, como descartar a personas sancionadas. El aprendizaje automático puede supervisar tareas precisas cuando disponemos de conjuntos de datos entrenados. Los modelos masivos pueden funcionar para tareas complejas con las medidas de seguridad adecuadas. Los humanos, por último, siguen siendo la garantía definitiva para supervisar a las máquinas en todas sus funciones, desde el backend hasta las interfaces con los clientes.Los coches están sujetos a infinidad de normativas. Con el tiempo, la IA también lo estará. Pero las normativas sobre IA suponen un reto debido a su tecnicidad, complejidad y a la velocidad de la innovación en este campo. El desarrollo de estructuras normativas adecuadas requerirá una estrecha colaboración entre las instituciones financieras, los expertos en IA y los organismos reguladores.El futuro de los pagos y la banca con IA es prometedor, pero requiere una implementación meditada y una supervisión continua. Las instituciones financieras que encuentren el equilibrio adecuado para ofrecerla mejor calidad de servicio, preservando al mismo tiempo la seguridad y la privacidad, podrán tomar la delantera en el panorama competitivo que se avecina.
La seguridad en N26
En N26, la seguridad es nuestra prioridad. Descubre una experiencia de banca 100% móvil.
En N26 nos tomamos la seguridad muy en serio. Todas las tarjetas Mastercards N26 están protegidas con la tecnología 3D Secure y, si detectas alguna actividad sospechosa en tu cuenta, puedes bloquear tu tarjeta inmediatamente desde la app. Además, tienes notificaciones instantáneas que te ayudan a hacer seguimiento en tiempo real sobre todo lo que pasa en tu cuenta. Échale un ojo a nuestro comparador de cuentas para elegir la que mejor se ajusta a ti.
POR XAVIER LAVAYSSIÈREExperto en finanzas digitales y asesor de gobiernos y bancos centrales sobre infraestructuras financieras y políticas tecnológicas.
