ML en la banca de LATAM permite innovar sin perder confianza

ML también requiere una transformación cultural

Internamente, las instituciones financieras se enfrentan a cómo adaptarse para aprovechar estas tecnologías. No basta con contar con sistemas conectados; las organizaciones deben también transformar su cultura interna y sus procesos de gestión para escalar el uso del aprendizaje automático más allá de las pruebas piloto.

“El aprendizaje automático y la IA generativa no solo plantean retos técnicos; su adopción exige una transformación organizacional completa. El principal obstáculo es la combinación de cultura, gestión del cambio y capacidad de integración. Para pasar de prototipos a productos a escala, las instituciones deben incorporar procesos ágiles; derribar silos entre productos, TI y servicio al cliente; y trabajar sobre una base de datos limpia, segura y alineada con la regulación”, explica Cristian Sánchez, vicepresidente de ventas para Latinoamérica en Temenos.

La oportunidad es enorme: implementado correctamente, el ML puede reducir drásticamente el time-to-market y optimizar el ciclo de diseño, prueba y lanzamiento de productos. “La clave está en equilibrar velocidad e innovación con gobernanza: acelerar sin controles deja exposiciones regulatorias y operativas; no acelerar, deja a la banca tradicional atrás frente a fintechs y neobancos que ya operan con ciclos de semanas”, añade Sánchez.

El fraude en la mira

Sin embargo, la digitalización masiva también trae nuevos riesgos. La última ola de fraude digital ha demostrado que las reglas estáticas no son suficientes, pues los criminales han encontrado en la inteligencia artificial (IA) un aliado para sofisticar sus ataques. De hecho, el fraude digital, y en particular el authorized push payment fraud (APPF), representa ya el 75 % de las estafas bancarias en línea a nivel global, con pérdidas proyectadas en más de 5.250 millones de dólares para 2026, según FinTech Global.

De acuerdo con Lynx Tech, los delincuentes aprovechan la IA para generar identidades sintéticas, perfeccionar técnicas de ingeniería social y probar vulnerabilidades en tiempo real. “Este dinamismo hace que los enfoques tradicionales, basados únicamente en reglas predefinidas o modelos estáticos, resulten insuficientes. Son demasiado rígidos frente a un entorno en constante cambio”, afirma Alyssa Iyer, directora de Producto para prevención de lavado de dinero (AML) de la compañía de lucha contra el fraude y el crimen financiero con IA.

Aquí el ML marca la diferencia. Al entrenar modelos con historiales transaccionales y actualizarse de manera continua, las instituciones pueden detectar patrones sospechosos en milisegundos, reduciendo falsos positivos y protegiendo la experiencia del cliente.

Iyer enfatiza: “Un modelo que no se actualiza, pierde efectividad rápidamente, porque los patrones de fraude cambian con frecuencia. Por eso, las instituciones financieras necesitan sistemas que no solo aprendan de datos históricos, sino que se reentrenen continuamente, idealmente de manera diaria, para mantenerse al nivel de las nuevas tácticas criminales”.

La unión de interoperabilidad, infraestructura ágil y seguridad robusta marca el rumbo del ecosistema financiero latinoamericano. Además de ampliar la inclusión financiera, las fintech también están enseñando a la banca tradicional que la innovación sostenida requiere colaboración. Pero, en términos de tecnología, la apuesta por aprovechar las ventajas del uso del aprendizaje automático y la IA permitirán lograr que la experiencia digital sea tan confiable y transparente como la relación presencial que antes definía la confianza bancaria.