La inteligencia artificial y el machine learning están transformando numerosos sectores, pero pocos están viviendo un cambio tan trascendental como la banca. Este es un entorno altamente regulado, lo que históricamente ha frenado la adopción de nuevas tecnologías. Sin embargo, hoy la realidad es otra: el ritmo de la competencia y la presión de las Fintechs más ágiles han hecho que la transformación digital en la banca sea una necesidad inmediata y no una opción.
En España, la irrupción de la inteligencia artificial ha sido liderada principalmente por la gran banca. Hace ya unos años que las grandes entidades comenzaron a explorar la aplicación de modelos avanzados a la gestión del riesgo de crédito. El foco se puso en utilizar el machine learning para afinar los análisis crediticios. Los buenos resultados los animaron a iniciar un movimiento de migración hacia un uso cada vez más masivo de este tipo de modelos, que les permite gestionar su apetito al riesgo de una forma más eficiente, pudiendo ampliar su base de clientes sin asumir riesgos adicionales.
Ese movimiento es ahora imparable, y entidades cada vez más pequeñas se suman a esta corriente. También las Fintechs están sabiendo aprovechar el potencial de estas tecnologías para optimizar procesos, especialmente en la concesión de créditos rápidos, una de las áreas más demandadas.
Sin embargo, implementar machine learning no es un proceso sencillo. La transición desde los modelos tradicionales a estos sistemas más complejos requiere de inversión en tecnología y una reestructuración interna en las entidades financieras. A pesar de los retos, las ventajas son claras. Según nuestra experiencia trabajando con diferentes entidades, hemos comprobado que, manteniendo el mismo nivel de riesgo, es posible incrementar hasta un 20% la cantidad de créditos concedidos gracias a la implementación de estas tecnologías. Esta es una mejora que impacta en la rentabilidad de las entidades.
Claro está, la adopción de la inteligencia artificial no es algo que se consiga de la noche a la mañana. Los cambios son complejos y necesitan un análisis minucioso de sus implicaciones en todos los niveles de la organización. Por eso, hemos desarrollado unas calculadoras de KPIs, que les permiten evaluar el impacto en el negocio de migrar a estos nuevos modelos. Valorar cómo lograr una mejora de determinados puntos en la eficiencia de sus modelos de scoring se traduce en euros, en crecimiento. La idea es comprobar si los resultados cumplen con las expectativas y, según nuestra experiencia, las superan con creces.
Pero más allá de los beneficios para las entidades, este cambio tiene un impacto positivo en la sociedad. La capacidad de poder evaluar con mayor precisión, que permite captar más negocio manteniendo el mismo nivel de riesgo, también se traduce en un mayor acceso al crédito de personas que, evaluadas con metodologías más tradicionales, no lograban acceder.
Además, las soluciones avanzadas de inteligencia artificial también permiten a las entidades adaptarse más fácilmente a los vaivenes del mercado, gestionando situaciones complejas, como el deterioro de la cartera de crédito, de forma más eficiente y, sobre todo, temprana. Esto les otorga más tiempo para anticiparse a situaciones adversas y mitigar sus efectos o incluso evitar que lleguen a darse.
Lo que es indiscutible es que la adopción de la inteligencia artificial en la banca es un proceso irreversible. En un futuro cercano, será muy difícil para cualquier entidad financiera mantenerse competitiva sin integrar estas tecnologías. Si hace 20 años la implementación de los primeros sistemas de regresión logística aplicados a la gestión de riesgos transformó el sector, ahora la Inteligencia Artificial está llamada a ser el siguiente gran cambio.
En este camino, uno de los mayores retos sigue siendo la explicabilidad de los algoritmos. Tradicionalmente, los modelos bancarios eran relativamente fáciles de entender: sabías por qué se aprobaba o rechazaba un crédito. Con el machine learning, ese proceso es mucho más opaco. Sin embargo, se ha trabajado mucho para salvar este obstáculo. Hoy en día, se ha superado el efecto caja negra y estos sistemas ya son comprensibles y auditables.
Otro aspecto que merece atención son los sesgos en los modelos. Aunque ha habido mucho debate sobre los sesgos en los algoritmos machine learning, este es un problema que no es nuevo. Los modelos tradicionales también están sujetos a sesgos, ya que estos dependen de la calidad de las muestras de datos. Si no son representativas, pueden conducir a decisiones erróneas. Afortunadamente, ahora existen mecanismos que permiten minimizar estos sesgos y hacer los modelos más justos, incluidos los machine learning.
De hecho, la Ley de inteligencia artificial de la Unión Europea, que entró en vigor en agosto, pone el acento tanto en la explicabilidad como en los sesgos y el uso ético de esta tecnología. Esto, a priori, podría parecer que agrega una nueva capa de complejidad para la banca, pues la aplicación de inteligencia artificial en la concesión de crédito se considera de alto riesgo.
No obstante, las entidades bancarias están acostumbradas a trabajar en un entorno regulado y ya debían cumplir con esos requisitos antes. Así, aunque aún quedan ajustes por hacer, no deben esperar sorpresas. Ya están trabajando en modelos similares a los que la ley exige, por lo que, aunque el cumplimiento total será obligatorio solo a partir de 2026, el cambio no debería ser radical.
Podemos concluir, pues, que la inteligencia artificial ha llegado para quedarse. Su implementación en la gestión de riesgos actualmente es una ventaja competitiva, pero el futuro del sector bancario pasa por su adopción. Llegará un momento en que la entidad que no la use se quedará fuera del mercado. Así, el verdadero reto ya no es si adoptar la IA, sino cómo evitar quedarse atrás en esta revolución tecnológica que, sin duda, marcará el rumbo del sector en los próximos años.
Sigue toda la información de Open Hub News en X y Linkedin , o en nuestra newsletter.
