Creando el banco inteligente

El análisis de Bloomberg sobre la IA en el sector bancario se basó en una encuesta a 93 líderes de bancos de todo el mundo, incluidas instituciones tradicionales y neobancos.

Pese a que el progreso de la IA en la banca ya supera lo esperado por los analistas, la transición hacia una adopción completa y capacidades agénticas autonómas  podría extenderse más de cinco años, debido al contexto regulatorio particular del sector, según indicó el relevamiento de Bloomberg. 

La infraestructura heredada de la banca también representa una barrera para la adopción generalizada de la IA. Más de una cuarta parte de los líderes del sector bancario y de servicios financieros encuestados para el Informe de Preparación 2025 de Kyndryl afirma que sus sistemas operativos, servidores y redes están en o cerca de su punto de fin de servicio, mientras que el 58 % reconoce haber llegado a su entorno actual en la nube “por accidente”, en vez de mediante una estrategia deliberada.

Aun así, hay aspectos alentadores. El 54 % de los encuestados de todos los sectores indica que sus inversiones en IA y aprendizaje automático ya están generando retorno sobre la inversión. 

Y, como apunta Arora, cada desafío trae consigo una oportunidad.

Una de ellas es priorizar un enfoque “API-first”, una tendencia del sector que permite desarrollar productos discretos y definidos, en lugar de integraciones que deban incorporarse dentro de otros sistemas. Diseñados para ser modulares e interoperables, los productos basados en API permiten a bancos y fintech enfocarse en servicios veloces y confiables, alineados con lo que los clientes demandan. 

“Todo el mundo necesita avanzar paso a paso”, señala Arora. “Un enfoque en las API permite a los bancos integrar la IA sin una transformación masiva de tipo ‘big bang’”.

Arora señala que este enfoque beneficia especialmente a los bancos más pequeños, ya que, al no estar atados a infraestructuras tecnológicas heredadas, pueden avanzar en IA con menos fricción que los grandes jugadores del sector. 

En ese contexto, hay mayor agilidad”, señala Arora. 

Anju Tiwari, Vicepresidenta y Socia consultora, Servicios Financieros en Kyndryl, observa que la adopción de la IA avanza con mayor rapidez en el segmento medio de la banca. Al no ser demasiado pequeño para escalar IA ni tan grande como para quedar atrapado en las barreras de datos de sistemas heredados, este grupo intermedio está mejor posicionado para avanzar con mayor velocidad. 

“Cuando se conversa con los bancos tradicionales de mayor tamaño, especialmente los que hoy compiten con los neobancos, la tendencia es clara: buscan evitar la fase de banco digital y avanzar de inmediato hacia el modelo de banco inteligente”, afirma Tiwari.

Desde el Wyoming Blockchain Symposium del pasado verano, el boletín Banking Industry Monitor informó que Michelle Bowman, Vicepresidenta de Supervisión de la Junta de Gobernadores de la Reserva Federal, advirtió a los bancos que corrían el riesgo de perder relevancia en la economía si no flexibilizaban las normas que rigen la IA y las criptomonedas en su sector. Esta fue una de las señales más claras hasta la fecha de que incluso los reguladores están reconociendo no solo lo inevitable, sino también la oportunidad que presenta la IA.

Esta recomendación está alineada con lo que Arora y Tiwari perciben entre los clientes financieros de Kyndryl, que avanzan en tecnologías emergentes sin descuidar el cumplimiento regulatorio. 

Lo positivo, según Arora, es que una inversión en gobernanza de IA con transparencia puede hacer que la regulación pase de ser carga a convertirse en ventaja competitiva.

Los organismos reguladores que supervisan la IA, como era de esperar, no apoyan los modelos de gobernanza opacos de tipo caja negra, señala Tiwari. 

Tiwari explica que Kyndryl aporta confianza y dirección a los clientes al guiarlos para entender las nuevas exigencias regulatorias y garantizar transparencia en la trazabilidad de auditorías cuando la IA interviene en la evaluación y la toma de decisiones. Incorporar la transparencia en la forma en que los modelos se alinean con los marcos regulatorios, incluida la forma en que se entrenan los modelos, también ayuda a generar confianza en los organismos reguladores. 

“Si están seguros de que el modelo satisface los requisitos regulatorios, incluido cómo fue entrenado para llegar a sus decisiones, entonces pueden aceptarlo”, afirma Tiwari.