Por qué 2025 es el año decisivo para la IA en banca
Seamos directos: 2025 es el año en que la IA generativa dejó de ser un experimento para convertirse en algo con lo que los bancos tienen que lidiar sí o sí. La presión para combatir el fraude, sobrevivir a una regulación cada vez más exigente y no perder clientes por mala experiencia no da tregua. Y los números lo confirman: McKinsey estima que esta tecnología podría aportar entre 200.000 y 340.000 millones de dólares anuales al sector bancario global, entre el 9 y el 15 % de sus beneficios operativos. No es un titular: es lo que ya están midiendo los que llevan la delantera.
Dicho esto, adoptar IA por seguir la corriente es la peor estrategia posible. Los que están viendo resultados reales tienen algo en común: claridad de objetivo. Saben qué proceso quieren mejorar, cuánto cuesta hoy y cuánto debería costar después. El problema es que, según Boston Consulting Group, solo 1 de cada 4 bancos ha integrado realmente la IA en su estrategia. El resto experimenta en los márgenes, sin métricas de retorno ni un plan para escalar, mientras la competencia avanza.
Llevo años trabajando en el sector bancario y de seguros, primero como ingeniero y ahora en arquitectura de software. He visto de cerca proyectos de IA fallar por razones perfectamente evitables, y también he estudiado los que sí funcionan. En esta guía comparto lo que he aprendido: qué es realmente la IA generativa y en qué se diferencia de lo que ya usas, dónde está generando valor en banca ahora mismo, cómo medir el ROI de forma honesta, los riesgos que nadie menciona hasta que te los encuentras de frente, y cómo implementarlo con cabeza. Al final, un caso práctico que desarrollé yo mismo. Vamos al grano.
¿Qué es la IA generativa y por qué es relevante en banca?
La IA generativa crea contenido nuevo —texto, código, imágenes, audio— a partir de patrones aprendidos durante su entrenamiento. La diferencia con la IA que ya conoces es fundamental: un modelo predictivo te dice si algo es probable («¿este cliente va a pagar?»), mientras uno generativo te escribe el informe sobre ese cliente. En el día a día bancario esto tiene aplicaciones muy concretas: redactar correos, resumir contratos de 80 páginas en segundos, o responder a un cliente explicándole su extracto en lenguaje natural.
¿En qué se diferencia de la IA clásica?
Durante años, la IA en banca fue básicamente predictiva: modelos que analizan datos estructurados y devuelven una puntuación. Probabilidad de impago, detección de transacción sospechosa, segmentación de clientes. El resultado siempre era un número o una categoría. La IA generativa trabaja diferente, y especialmente bien con todo lo que no es un dato limpio: texto, imágenes, voz. Mientras un modelo predictivo te dice «esta transacción tiene 90% de probabilidad de ser fraude», uno generativo te explica por qué: «el importe es 4 veces superior a la media del cliente, se realizó desde un dispositivo nuevo a las 3 de la madrugada en una categoría que este usuario nunca usa». Esa explicación es lo que un analista necesita para actuar.
Ventajas en banca
La banca se ahoga en documentos no estructurados: contratos, regulaciones, comunicados, emails de clientes. Aquí es exactamente donde la IA generativa brilla. Puede resumir un contrato legal en segundos, extraer los puntos clave de un informe financiero de 200 páginas, o personalizar miles de comunicaciones sin que nadie las redacte manualmente. Buena parte del potencial que calcula McKinsey está precisamente aquí: en el trabajo con texto que hoy hacen personas caras y que nadie disfruta.
Una aclaración antes de entrar en casos concretos: la IA generativa no va a sustituir a los modelos predictivos que ya tienes. Los vas a seguir necesitando para scoring crediticio, detección de anomalías, segmentación de clientes. Lo que cambia es que ahora puedes combinarlos: el modelo predictivo detecta el fraude, el generativo redacta el informe de investigación. El predictivo calcula la puntuación crediticia, el generativo explica la decisión en un lenguaje que el cliente pueda entender.
Aplicaciones clave de IA generativa en banca
Vamos a lo concreto. Estas son las aplicaciones donde la IA generativa ya está demostrando resultados en el sector financiero. Para cada una, explicaré en qué consiste, qué stack tecnológico tiene sentido hoy y qué métrica o resultado real ilustra el impacto.
Automatización del proceso KYC (OCR + verificación facial + RAG)
El KYC es uno de esos procesos que todos sufren: el cliente lo vive como un calvario burocrático, y el banco gasta una fortuna en hacerlo manualmente. Verificar documentos de identidad, cruzar listas negras, evaluar el riesgo del cliente... en banca corporativa puede llevarse semanas enteras. La IA generativa combinada con visión por ordenador está cambiando esto de raíz.
Stack tecnológico de ejemplo
Un flujo moderno combina OCR (Amazon Textract, Azure Document Intelligence o directamente un modelo multimodal que lee el documento) para extraer los datos del documento de identidad, verificación facial para confirmar que la persona es quien dice ser (AWS Rekognition o Azure Face comparando el documento con un selfie), y aquí es donde entra la IA generativa: mediante RAG, el sistema consulta bases de datos externas como listas de sanciones o fuentes públicas, y luego usa un LLM para generar un informe resumido del perfil del cliente con posibles alertas.
Un chatbot basado en LLM guía al usuario durante el proceso si falta algún dato, todo en lenguaje natural. El cliente no tiene que descifrar formularios confusos: el asistente le pregunta directamente lo que necesita y le explica cada paso.
Qué cambia para el equipo de cumplimiento
El cambio más importante no es la velocidad, aunque eso también importa. Es lo que le quita de encima al oficial de cumplimiento: en vez de revisar manualmente decenas de documentos y escribir un informe desde cero, recibe algo así: «Cliente verificado. DNI auténtico confirmado por OCR, coincidencia facial del 98%, sin alertas en listas de sanciones. Atención: discrepancia menor en dirección que requiere aclaración telefónica.» Con eso, puede tomar la decisión en minutos.
El cliente abre su cuenta el mismo día en vez de esperar una semana, y el equipo de cumplimiento absorbe más volumen sin crecer. Es una de esas combinaciones que cualquier director financiero celebra sin reservas.
Prevención de fraude en pagos con modelos híbridos
Los estafadores no descansan. Phishing, malware, robo de identidades, ingeniería social... cada vez que un banco tapa un agujero, aparece otro. Durante años el enfoque ha sido combinar reglas fijas («bloquear transferencias superiores a X euros hacia países de alto riesgo») con modelos de machine learning que detectan anomalías en los datos numéricos. Funciona, pero tiene límites claros. Aquí es donde entra la IA generativa.
Enfoque híbrido potenciado por IA generativa
Los sistemas actuales generan alertas. Muchas alertas. La mayoría requieren revisión manual, y eso es tiempo de analistas. Un asistente de IA generativa puede analizar cada alerta automáticamente y generar un informe como este: «Esta operación se desvía del patrón habitual del cliente: importe cinco veces superior a su media, destinatario nuevo y horario atípico. Coincide con las estafas de tipo X registradas en el último trimestre.» El analista lo lee, decide en 30 segundos y pasa al siguiente caso.
Y hay algo más que me parece especialmente potente: la IA puede detectar cosas que antes pasaban desapercibidas. Analizar la descripción de una transferencia («pago urgente familia») junto con el historial completo del cliente y señalar si algo no encaja. O simular nuevas modalidades de estafa para que el banco esté preparado antes de que ocurran en el mundo real. Es como tener un equipo de red team trabajando 24 horas.
¿Cómo funciona en la práctica?
Tus sistemas actuales siguen funcionando. Lo que cambia es que les añades una capa que habla tu idioma. Un orquestador como LangChain conecta el LLM que uses con tus bases de datos para que pueda leer el historial de transacciones y explicarte qué está pasando en lenguaje natural. También puede mapear conexiones entre cuentas sospechosas y contarte la historia completa: «Esta cuenta recibió dinero de 5 cuentas diferentes en una hora, todas recién abiertas.»
Resultados
JPMorgan Chase redujo entre un 15 y un 20 % los rechazos erróneos en la validación de pagos después de incorporar IA a ese proceso. En la práctica: menos clientes bloqueados injustamente, y menos tiempo perdido revisando falsas alarmas.
Lo que más valoro de estos sistemas es que se adaptan rápido: cuando aparece una nueva modalidad de estafa, basta con documentarla para que el asistente la tenga en cuenta en el siguiente análisis, sin reentrenar nada. Tus analistas dejan de revisar cientos de alertas rutinarias y se concentran en los casos que realmente necesitan criterio humano. Y el ROI no es solo el dinero de los fraudes evitados: es la confianza del cliente, y evitar dolores de cabeza regulatorios que pueden salir mucho más caros.
Asistentes bancarios multicanal entrenados en normativa PSD2
Los chatbots bancarios de hace cinco años eran una vergüenza: te obligaban a elegir entre opciones predefinidas y si salías del guion, te mandaban con un agente humano. Los asistentes de hoy, construidos sobre IA generativa, son otra cosa completamente distinta. Disponibles 24/7 en web, móvil, WhatsApp o voz, capaces de entender preguntas complejas y responder con precisión. Y cuando les das como base la normativa financiera que les aplica, como PSD2, no solo responden bien, sino que lo hacen dentro de los límites regulatorios correctos.
¿Por qué PSD2?
PSD2 introduce la banca abierta y requisitos de seguridad robustos en pagos. Un asistente que no conoce esta normativa puede cometer errores que salen caros: revelar información sin autenticación reforzada, o no gestionar correctamente el consentimiento cuando un cliente conecta su cuenta con una app de terceros. Darle la normativa como base de conocimiento resuelve eso. Y tiene otro beneficio práctico: muchos clientes preguntan exactamente sobre esto, «¿qué permisos estoy dando?», «¿por qué me piden doble autenticación?», y el asistente puede explicarlo de forma clara y consistente, sin improvisaciones.
Stack y canales
Un banco puede desplegar un LLM multilingüe (los modelos de OpenAI, Anthropic o Google, o uno abierto como Llama, Mistral o Gemma ajustado con datos propios) con conocimiento específico de sus productos, políticas internas y regulaciones como PSD2 o el RGPD. Este modelo se despliega mediante APIs en todos los canales: chat web, asistentes de voz (IVR inteligente en el call center), aplicaciones móviles, e incluso mensajería como WhatsApp o Facebook Messenger.
Plataformas como Azure AI, Amazon Bedrock o Google Vertex AI permiten orquestarlo en todos los canales, y frameworks conversacionales como Rasa o Kore.ai, pensados para entornos corporativos, admiten integrar un motor generativo detrás.
Funciones del asistente generativo
Puede responder desde preguntas frecuentes sencillas («¿Cuál es el horario de atención?») hasta consultas complejas («¿Por qué rechazaron esta transferencia internacional?») consultando en tiempo real las reglas aplicables (por ejemplo, si faltaba la autenticación reforzada que exige PSD2). También puede realizar operaciones a petición del cliente: «Por favor, aumenta mi límite de tarjeta»: el asistente valida la identidad, verifica políticas y ejecuta la operación si procede, todo mediante lenguaje conversacional. El acceso a la normativa garantiza que, por ejemplo, ante una solicitud de datos personales el asistente siga los protocolos de privacidad y autentique al usuario según exigen el RGPD y PSD2.
Resultados
Erica, el asistente de Bank of America, superó en 2024 los 2.000 millones de interacciones desde su lanzamiento, atiende a 42 millones de clientes y gestiona unos 2 millones de consultas al día, respondiendo en menos de 45 segundos en el 98 % de los casos. Un matiz que conviene saber: Erica no es un modelo generativo, sino un asistente con comprensión de lenguaje natural y respuestas controladas, y el banco ha sido deliberadamente prudente al incorporar IA generativa. Precisamente por eso es un buen ejemplo: demuestra la escala que alcanza un asistente bien integrado y marca el listón de fiabilidad que un asistente generativo tiene que igualar.
Más allá del dato impresionante, lo que importa en términos de negocio es esto: miles de agentes liberados para casos complejos, clientes con respuesta inmediata, y un asistente que entiende el historial del cliente lo suficientemente bien como para ofrecerle el producto correcto en el momento adecuado. En los bancos que han implementado bien estos sistemas, la mayoría de las consultas rutinarias se resuelve sin intervención humana. El ROI viene por varias vías simultáneas: ahorro en costes de servicio, mejor retención, ventas cruzadas más efectivas, y menos riesgo de compliance.
Generación automática de informes regulatorios (AML, MiFID, Basilea)
Alguien tiene que escribir esos informes. Los de solvencia de Basilea III/IV, los de cumplimiento MiFID, los ALM de liquidez, las comunicaciones de operaciones sospechosas de blanqueo de capitales (los SAR del ámbito AML)... Requieren cruzar datos de múltiples sistemas, organizar información y redactar con mucha precisión. Es trabajo valioso pero mecánico, y consume horas de personas que deberían estar analizando, no copiando datos de un sistema a otro. La IA generativa puede hacer gran parte de ese trabajo.
¿Cómo funciona?
El informe mensual de AML, por ejemplo: un analista reúne todas las alertas, escribe un resumen de cada caso sospechoso, compila estadísticas... Un modelo generativo entrenado con ejemplos de informes anteriores y con acceso a los datos brutos puede hacer ese borrador automáticamente. Mediante RAG, la IA recupera las transacciones marcadas y la normativa aplicable, y genera: «En el mes se detectaron X alertas, de las cuales Y fueron consideradas sospechosas y se comunicaron a la unidad de inteligencia financiera (en España, el SEPBLAC)...» con todos los detalles. El analista humano revisa y ajusta si hace falta. En vez de escribir, valida.
McKinsey señala que la IA generativa ya es capaz de redactar los SAR de AML completos basándose en la información del cliente y las transacciones relevantes. Lo mismo aplica para MiFID: generación automática del informe de mejor ejecución o la evaluación de idoneidad del cliente, tomando datos de sistemas de trading y redactando conclusiones.
Tecnologías en uso
Aquí suelen usarse LLM de propósito general con prompts muy estructurados, o modelos ajustados con lenguaje financiero y legal. Se integran con las bases de datos del banco: por ejemplo, un script en Python con LangChain busca en el data warehouse los datos necesarios (ventas trimestrales, ratios de liquidez, etc.), el LLM los consume y genera párrafos de texto explicativo. Azure OpenAI, Amazon Bedrock o watsonx ofrecen conectores a fuentes de datos corporativas, y hay startups centradas específicamente en reporting regulatorio con IA. La clave es que el modelo respete el formato (muchas veces los informes tienen plantillas fijas) y justifique cada afirmación con datos exactos: para evitar alucinaciones, se le obliga a usar únicamente las cifras que se le proporcionan y a indicar de dónde sale cada una.
Beneficios y ROI
Tareas que antes llevaban días se completan en horas, y ese tiempo liberado lo invierten los equipos de cumplimiento en analizar tendencias y reforzar controles, no en cortar y pegar datos entre sistemas.
También reduce errores de transcripción: la IA no se cansa ni se salta un campo a las siete de la tarde, y sigue la plantilla al pie de la letra. Eso sí, los números tienen que venir siempre de los sistemas fuente, nunca del modelo. Si cambia una regulación, actualizas las instrucciones y la base documental, y desde el siguiente informe ya incluye los cambios. Esa agilidad puede evitar multas por informes tardíos o incorrectos, que en bancos grandes pueden ascender a millones. El ROI, aquí, se mide en horas ahorradas y en riesgos regulatorios evitados.
Resumen inteligente de documentos legales o financieros
Un contrato de crédito de 50 páginas. El informe anual de 200 páginas de una empresa que pide financiación. Una regulación nueva que modifica 30 artículos anteriores. Leer y entender todo eso consume una cantidad enorme de tiempo de personas muy caras. La IA generativa puede hacer el primer pase en segundos.
¿Cómo se aplica?
Un analista de riesgos recibe el informe anual de 200 páginas de una empresa a la que el banco quiere financiar. En vez de leerlo completo, le pasa el PDF al modelo generativo (los modelos actuales manejan contextos de cientos de páginas) y pregunta: «Dame los principales riesgos financieros que menciona este informe.» El modelo devuelve algo como: «La empresa enfrenta riesgo de tipo de cambio por el 40% de sus ingresos en dólares, y dependencia de un proveedor clave que representa el 30% de sus costes.» En un minuto, el analista tiene lo que necesita para preparar la reunión del comité.
Lo mismo con contratos legales: 50 páginas se convierten en «esta es la estructura del préstamo, las garantías ofrecidas, las condiciones de vencimiento anticipado». Y si quiere profundizar en algo concreto, puede preguntar directamente: «¿Cuál es el tipo de interés y en qué condiciones puede variar?»
Tecnología
Los modelos generalistas actuales manejan ventanas de contexto de cientos de miles de tokens, suficiente para leer un informe anual completo de una vez, y existen modelos ajustados con lenguaje jurídico y financiero que entienden mejor la terminología especializada. Cuando el documento no cabe, se trocea (chunking), el LLM resume cada parte y después sintetiza las síntesis; reduce el riesgo de perder algo importante, aunque no lo elimina. Y con un flujo de preguntas y respuestas sobre el documento, el usuario pregunta algo puntual («¿cuál es el tipo de interés y qué garantías hay?») y obtiene la respuesta con referencia a la sección exacta del contrato. Esa búsqueda semántica es muy potente en cumplimiento: localizar en qué artículo de un reglamento se menciona un requisito concreto deja de ser una tarde de trabajo.
Impacto
Revisar un contrato complejo pasa de horas a minutos. Y con menor probabilidad de omitir algo crítico, porque la IA no se salta secciones por cansancio. Un comité de crédito puede recibir el resumen ejecutivo preparado por la IA antes de la reunión, en vez de esperar a que alguien lo elabore. Quien lo ha probado en serio suele contar que el tiempo de revisión documental se reduce a la mitad o más.
Hay un beneficio que se suele pasar por alto: la formación de empleados nuevos. Un gestor recién incorporado puede preguntar dudas sobre manuales internos o regulación directamente al modelo —con acceso a esos textos— y obtener respuesta al instante. En términos de ROI es difícil de cuantificar con exactitud, pero decisiones más rápidas y bien informadas tienen un valor muy claro: ganar un cliente antes que la competencia, o evitar errores costosos por mala interpretación de un documento.
Simulación de escenarios de riesgo con modelos generativos
¿Qué pasa con la cartera si suben los tipos de interés 200 puntos básicos? ¿O si un país entra en default? ¿O si hay un ciberataque masivo? La gestión de riesgos financieros siempre ha dependido de simular escenarios. Antes, los equipos de riesgo definían a mano unos pocos escenarios de estrés y corrían los modelos sobre ellos. La IA generativa permite hacer esto a una escala completamente diferente.
Generación de escenarios con IA generativa
Los modelos generativos pueden crear datos sintéticos que imiten condiciones extremas que no están en los datos históricos. Por ejemplo, simular series financieras —tipos de cambio, precios de acciones— que reproduzcan algo parecido a la crisis de 2008 pero calibrado a la cartera actual del banco. También pueden generar escenarios narrativos completos: un LLM describe un entorno macroeconómico hipotético («recesión prolongada con inflación alta y morosidad duplicándose») y genera los indicadores financieros correspondientes a ese relato. Esos escenarios sirven para testear los modelos de riesgo de forma mucho más exhaustiva.
En riesgo operativo también: la IA puede crear guiones de eventos adversos —un ataque coordinado a los sistemas, una filtración de datos— y simular cómo respondería la organización, identificando debilidades en los planes actuales antes de que ocurra algo real.
Tecnología y herramientas
Para riesgos financieros cuantitativos, se pueden usar GANs o modelos de difusión entrenados en series temporales económicas para producir variaciones alternativas. Algunos bancos emplean librerías especializadas que extienden TensorFlow/PyTorch para generar datos sintéticos financieros. En riesgos más cualitativos, un LLM entrenado en textos de noticias y escenarios pasados puede generar descripciones ricas de eventos. Incluso se puede integrar un LLM con los propios modelos de riesgos: por ejemplo, que sugiera qué variaciones de parámetros probar en el modelo de capital económico, más allá de lo que habían contemplado los humanos. Los grandes proveedores de nube ya ofrecen componentes de generación de datos sintéticos que encajan en estos flujos.
Beneficios
La ventaja principal es la escala: miles de escenarios distintos en el tiempo que antes llevaba generar unos pocos. Eso cubre combinaciones de factores que a los analistas humanos se les escaparían. Una simulación generativa podría revelar que bajo cierta combinación extrema, una cartera específica sufre mucho más de lo esperado. Esa señal temprana le da al banco tiempo para actuar: reducir exposición, comprar coberturas, ajustar políticas.
El ROI es preventivo, y por definición difícil de cuantificar, pero evitar una pérdida catastrófica o una sorpresa en una prueba de estrés regulatorio tiene un valor enorme. Los equipos de riesgo también ganan: en vez de pasar tiempo inventando escenarios, la IA se los propone y ellos se concentran en analizar resultados y planear acciones, que es donde realmente suman.
Cómo medir el ROI de un proyecto de IA en banca
Hablar de IA generativa en una reunión de dirección bancaria genera entusiasmo. Hablar de cuánto cuesta y qué vas a sacar de ella es donde empieza la conversación seria. El informe de BCG que citaba al principio lo describe bien: tres de cada cuatro bancos experimentan sin métricas claras de retorno. Eso ya no es aceptable. Las áreas de negocio exigen números reales, y tienen razón.
Fórmula básica de ROI
Hay una fórmula básica que sirve de punto de partida:
ROI = (Beneficio neto / Coste de la inversión) × 100%
El beneficio neto es la suma de ahorros e ingresos adicionales generados por el proyecto, menos su coste operativo. El coste de la inversión incluye el gasto inicial en desarrollo, licencias, infraestructura y horas de personal. Por ejemplo: implementar un asistente virtual costó 500.000 € y en un año generó 1.000.000 € en beneficios entre ahorro en call center y retención de clientes. ROI = ((1.000.000 - 500.000) / 500.000) × 100 = 100%. En un año recuperas la inversión y la duplicas. Eso es un argumento sólido para defender el proyecto ante dirección.
Beneficios medibles típicos en IA generativa
- Reducción de costes operativos: Por automatización de tareas antes manuales (ej: menos horas de empleados en KYC, en soporte al cliente, en generación de informes). Se puede calcular multiplicando horas ahorradas por el coste hora. También reducción de costes de errores (multas evitadas, pérdidas por fraude evitadas).
- Incremento de ingresos: Por mejoras en venta cruzada, retención de clientes (clientes más satisfechos = menos churn), atraer nuevos clientes innovando. Por ejemplo, un asistente que mejora la satisfacción reduce la fuga de clientes, y cada punto de retención se traduce en saldos que no se van a la competencia. O una IA que permite lanzar un producto antes al mercado, generando ingresos antes.
- Liberación de capital o mejora de índices: A veces proyectos de IA en riesgo optimizan requerimientos de capital (ej. modelos más precisos reducen capital económico excesivo retenido). Ese capital liberado puede rentabilizarse en préstamos, etc., un beneficio financiero indirecto.
- Aceleración de procesos (valor temporal): Por ejemplo, si gracias a IA se aprueban créditos 3 días más rápido, el banco gana mercado (clientes contentos) y puede desembolsar antes (ingresando más intereses). Esa aceleración tiene un valor que puede estimarse.
Ejemplo práctico de cálculo
Un proyecto de AML: inversión de 200.000 € en desarrollo e infraestructura. En el primer año: evitar contratar 3 analistas adicionales (ahorro de ~150.000 €), el equipo existente procesa el doble de casos (lo que evita una multa potencial de 300.000 € por retrasos), y se detecta un 10% más de fraudes (evitando pérdidas estimadas en 100.000 €). Beneficio total: 550.000 €. ROI: 175% en un año. Las estimaciones nunca serán exactas al euro, pero ese cálculo te da una base sólida para defender el proyecto ante dirección.
Herramientas para medir
Define los KPIs desde el primer día, antes de empezar. Tiempo promedio de respuesta, operaciones procesadas por empleado, porcentaje de errores, satisfacción del cliente... lo que aplique a tu caso. Con esas métricas como línea base puedes construir una plantilla que proyecte los beneficios financieros de forma realista. Actualiza los números con datos reales a medida que el proyecto avanza: la diferencia entre el ROI proyectado y el real te dirá qué ajustar.
Horizonte temporal del ROI
Los proyectos de IA generativa bien acotados suelen recuperar la inversión en torno al año, que es rápido para los estándares del sector. Aunque no todos los beneficios son inmediatos: el valor de haber evitado un fraude grande se manifiesta cuando el intento ocurre. Por eso tiene sentido separar los beneficios tangibles a corto plazo de los estratégicos a medio plazo. Y si tras 18 meses no se vislumbran mejoras claras, hay que reevaluar. No seguir invirtiendo por inercia.
Medir el ROI no es opcional: te ayuda a priorizar qué proyectos acometer, a obtener apoyo interno con números reales en vez de promesas, y a saber cuándo ajustar el rumbo. La IA generativa puede ser muy rentable, pero tiene que demostrarse con datos. Si sigues un enfoque disciplinado, conviertes iniciativas de IA en historias de éxito cuantificables, no en experimentos caros.
Riesgos y desafíos actuales
La IA generativa en banca no es magia, y quien la venda así te está mintiendo. Hay riesgos reales que los reguladores, los clientes y la propia operación del banco van a exigirte gestionar. Estos son los principales, y lo más importante: cómo mitigarlos.
-
Alucinaciones del modelo
Los LLM pueden generar respuestas que suenan perfectamente correctas pero son incorrectas o directamente inventadas. En un banco, eso puede significar dar información financiera equivocada a un cliente, o citar una normativa que no existe. Inaceptable.
Mitigación: La solución más efectiva es RAG (Retrieval Augmented Generation): obligar al modelo a construir sus respuestas sobre documentos verificados. El modelo primero busca en bases de conocimiento internas —políticas, manuales, bases de datos— y solo luego genera la respuesta basándose en lo que encontró. Esto reduce drásticamente las alucinaciones y personaliza el conocimiento de la IA a tu entidad. Otras técnicas complementarias: fine-tuning con datos propios, prompt engineering para recordarle que no invente datos, y umbrales de confianza que hagan que ante la duda la IA escale la consulta a un humano en vez de arriesgarse.
-
Gobernanza y compliance
Los bancos operan en uno de los entornos más regulados que existen: el RGPD, PCI DSS, DORA y el Reglamento de IA de la UE (AI Act), que clasifica el scoring crediticio como sistema de alto riesgo y cuyas obligaciones entran en vigor de forma escalonada hasta 2027. Usar IA generativa sin control puede llevar a violaciones de privacidad —por ejemplo, enviar datos de clientes a una API externa sin los permisos adecuados— o a resultados discriminatorios que son directamente ilegales.
Mitigación: Necesitas un marco de gobernanza de IA sólido: políticas claras sobre qué datos pueden usarse, acuerdos con proveedores que garanticen confidencialidad (muchos bancos optan por instancias on-premise o servicios en cloud europeo), y comités que revisen casos de uso y documenten las decisiones del modelo. Lo más importante: involucra al regulador proactivamente. Explicar el enfoque antes de que te pregunten genera mucha más confianza que tener que justificarte después. Técnicamente, los «LLM guardrails» ayudan a restringir ciertas respuestas: que el modelo no dé consejos financieros prohibidos, o que no revele información confidencial aunque el usuario lo pida de diferentes formas.
-
Explicabilidad y transparencia
Los LLM son cajas negras por naturaleza. En banca, eso es un problema real: tienes que explicar decisiones. ¿Por qué se denegó este crédito? ¿Cómo detectaste este fraude? ¿Puedes justificarlo ante un auditor?
Mitigación: La solución más práctica no es hacer los LLM transparentes matemáticamente, sino usarlos para generar explicaciones de las decisiones de modelos más interpretables. El modelo de credit scoring da la puntuación, el LLM redacta la explicación para el cliente: «Su solicitud fue denegada porque su ingreso disponible actual no cubre la cuota mensual con el margen requerido.» Otro mecanismo clave: el «prompt audit trail», registrar todos los prompts y respuestas en un sistema de logs. No hace que la IA sea más explicable internamente, pero te da un registro claro de qué informó y con qué base, que es exactamente lo que los reguladores suelen pedir en la práctica.
-
Seguridad y riesgo operativo
Integrar IA en procesos críticos abre nuevos vectores de ataque. La inyección de prompts (prompt injection) es el más específico: usuarios maliciosos que intentan manipular la entrada para conseguir que la IA revele información que no debería, o actúe fuera de sus parámetros. Y luego está la dependencia: si el asistente virtual cae, ¿qué pasa? ¿Y si el modelo empieza a responder cosas legalmente comprometedoras?
Mitigación: Filtros de entrada para bloquear intentos de manipulación, y la IA desconectada de sistemas transaccionales críticos salvo mediante capas intermedias muy controladas. Lo más importante en términos de resiliencia: planes de respaldo claros. Si el asistente virtual cae, que haya un mecanismo rápido para derivar a agentes humanos. La filosofía es simple: no pongas el piloto automático sin un botón de emergencia. Especialmente al principio, mantén a un humano en el circuito para los temas críticos. Con el tiempo, a medida que el sistema demuestra consistencia, le das más autonomía.
-
Sesgos y equidad
Si el modelo se entrenó con datos históricos sesgados —y los datos históricos de la banca tienen muchos sesgos, porque las decisiones pasadas las tomaron humanos con sus propios prejuicios— puede reproducir o amplificar esos patrones. En banca esto puede llevar a prácticas discriminatorias en crédito o en ofertas de productos, dañando la reputación y violando leyes.
Mitigación: Depurar los datos de entrenamiento y aplicar técnicas de corrección de sesgos. Monitorizar las salidas con métricas de equidad: que el chatbot trate igual a todos los clientes, que el modelo no recomiende sistemáticamente productos más caros a perfiles más vulnerables. Y diversificar quién participa en el desarrollo: no solo técnicos, también expertos en ética, legales, y personas que representen a los colectivos que pueden verse afectados. La IA responsable no es un eslogan, es un requisito operativo.
Gestionar estos riesgos no es opcional, es parte del precio de entrada. Y afortunadamente, hoy ya hay métodos maduros para la mayoría: RAG y guardrails para alucinaciones, gobernanza y auditabilidad para cumplimiento, combinación hombre-máquina bien calibrada para seguridad. La clave es no saltarse pasos: probar en pequeño, revisar las salidas, mejorar de forma iterativa y escalar con control. Un escándalo o una multa por mal uso puede anular en un trimestre todo el ROI que hayas calculado.
Cómo implementar IA generativa en banca paso a paso
Comprar un modelo de IA y ponerlo en producción el mismo día es una receta para el desastre. Los proyectos que funcionan tienen algo en común: una estrategia de implementación gradual que considera tanto lo técnico como lo organizativo. Esto es lo que funciona en la práctica:
1. Identificar casos de uso y lanzar pilotos rápidos
Empieza pequeño y específico. Selecciona uno o dos casos de uso acotados con alto potencial de ROI y bajo riesgo: un asistente interno para preguntas frecuentes de empleados, la automatización de una parte del KYC en una sucursal piloto, un resumen diario de noticias relevantes para tesorería. Define el objetivo de forma concreta («reducir el tiempo de respuesta en soporte interno en un 50%»). Luego implementa un MVP con las herramientas disponibles: un modelo preentrenado en la nube y algunos scripts, sin buscar la perfección. La idea es validar rápido si la IA genera valor en ese contexto. Semanas, no años. Y desde el primer día, involucra a los usuarios finales: son ellos quienes te dirán lo que funciona de verdad.
2. Medir con KPI y validar el valor
Mide desde el primer día y compara contra la línea base que estableciste antes de empezar. ¿El chatbot resolvió el porcentaje de consultas esperado? ¿La IA de KYC detectó documentos que antes pasaban el filtro? Recopila datos cuantitativos y cualitativos: las encuestas de satisfacción de quienes usan la herramienta a veces te dicen más que los KPIs numéricos. Si los primeros números son positivos, tienes el caso para escalar. Si algo no funciona, corrígelo ahora: es mucho más barato ajustar en un piloto que fallar en producción con toda la organización encima.
3. Escalar la solución exitosa
Con un piloto que ha demostrado su valor, toca escalar: más usuarios, más volumen, más funcionalidades. Hay que asegurar la robustez técnica: refinar el modelo si es propio, contratar un plan empresarial del servicio si es de terceros, preparar la infraestructura para mayor carga. Y hay algo igual de importante que lo técnico: capacitar al personal a gran escala. Los que no estuvieron en el piloto necesitan confiar en la herramienta, no temerle. Los del piloto suelen ser los mejores embajadores: apóyate en ellos. Paralelamente, refuerza la gobernanza: define quién es responsable del modelo, cómo se actualiza, cómo se manejan incidencias. Antes de encenderlo para todos, prueba la integración completa con los sistemas del banco en un entorno de sandbox.
4. Integración completa en IT y negocio
La IA deja de ser un proyecto y se convierte en parte del día a día. Aquí es donde la mayoría de las organizaciones bajan la guardia, y donde más riesgo hay de que los problemas se acumulen sin que nadie los detecte a tiempo:
- • Monitorización continua: Implementa dashboards para seguir el rendimiento de la IA (exactitud, tiempos de respuesta, uso, incidencias). Crea alertas si algo se sale de parámetros (ej. si el volumen de consultas al chatbot cae puede indicar que está dando malas respuestas).
- • Mejora continua (MLOps/LLMOps): Al igual que el software tradicional, los modelos de IA requieren mantenimiento. Establece un ciclo de revisión, re-entrenamiento periódico si aplica (por ejemplo, incorporar en el entrenamiento nuevas frases que los usuarios hayan hecho y que el modelo no entendió bien inicialmente). Documenta versiones del modelo, cambios de configuración, etc.
- • Plan de soporte y respaldo: Define quién atiende problemas: si el modelo se "cae" o la calidad baja, ¿cuál es el protocolo? Asegura que el equipo de TI y negocio sepan cómo desactivar o limitar la IA en caso de comportamiento anómalo (por ejemplo, si un asistente empieza a dar respuestas incoherentes por algún bug).
- • Escalabilidad de costes: Al integrarlo plenamente, monitorea los costes de infraestructura o de API. A veces al escalar, los costes de computación pueden sorprender. Optimiza donde sea posible (p. ej., si usas un servicio cloud por llamada, considera alquilar un servidor con un modelo local si a larga sale más barato; o usar un modelo más pequeño optimizado si el grande es "overkill" para ciertas interacciones).
- • Alineación con la estrategia del banco: Finalmente, asegúrate que la solución sigue aportando al objetivo de negocio mayor. Es fácil enamorarse de la tecnología por sí misma, pero aquí importan los resultados. Incorpora las métricas de la IA en los KPIs de negocio regulares. Ejemplo: si el objetivo del banco es mejorar el índice de eficiencia (coste/ingreso), muestra cómo la IA contribuye a ello en los informes trimestrales.
Algo que he visto funcionar bien en organizaciones más grandes: un Centro de Excelencia de IA transversal que guía implementaciones, estandariza herramientas y comparte aprendizajes entre departamentos. Evita que cada área reinvente la rueda con su propio piloto aislado.
El consejo más importante que puedo darte: gestiona las expectativas desde el primer día. Un estudio de RAND de 2024 estima que en torno al 80 % de los proyectos de IA fracasan, en cualquier sector, y la banca no es una excepción. La causa casi nunca es la tecnología: es la brecha entre lo que los líderes de negocio esperan y lo que el equipo técnico puede construir, o intentar abarcar demasiado de golpe. Empieza enfocado, muestra resultados rápidos, y luego piensa en grande con pasos firmes.
Seguir estas fases no garantiza el éxito, pero reduce enormemente el riesgo de fracasar de formas que se podían evitar. El objetivo final es que la IA generativa esté integrada naturalmente en la operación bancaria, aportando valor continuo como una pieza más de la arquitectura tecnológica y organizativa. Eso es rentabilizar la IA a largo plazo, no a base de golpes efímeros.
Preguntas frecuentes (FAQ)
Respondo aquí algunas preguntas que me hacen a menudo responsables de tecnología, cumplimiento e innovación cuando hablamos de IA generativa en banca:
¿Qué LLM es mejor para banca en español?
No existe un LLM perfecto y universal, y la respuesta cambia cada pocos meses, así que conviene pensar en criterios más que en nombres. Los modelos punteros de OpenAI, Anthropic y Google tienen un rendimiento excelente en español y controles de seguridad sólidos; son la apuesta segura cuando los datos pueden salir del banco bajo contrato. Los modelos abiertos (Llama, Mistral, Gemma, Qwen) permiten desplegar en tu propia infraestructura y ajustarlos con documentación y terminología financiera en castellano, lo que da más control sobre los datos y los costes.
En la práctica, muchos bancos adoptan un enfoque híbrido: la API de un proveedor puntero para casos internos no sensibles y un modelo abierto desplegado en privado para los datos de clientes. Mi recomendación es hacer un benchmark con tareas reales en español (explicar una norma del Banco de España, responder a un cliente sobre un producto, resumir un contrato) y comparar calidad, coste, latencia y cumplimiento. Y recuerda que importa más cómo lo alimentes que el modelo en sí: un modelo mediano con RAG sobre tu base documental suele superar a uno gigante sin contexto.
¿La IA generativa cumple con el RGPD?
La IA generativa puede usarse cumpliendo el RGPD, pero no hay un pase automático: todo depende de cómo se implemente. El RGPD (Reglamento General de Protección de Datos) exige proteger los datos personales de los clientes, obtener consentimiento para ciertos usos y garantizar derechos como rectificación o olvido. Si entrenas o utilizas un modelo generativo con datos personales, debes tratarlo como cualquier otro tratamiento de datos bajo el RGPD. Algunas pautas para cumplir:
- • Minimización de datos: Alimenta al modelo solo con los datos necesarios. Evita prompts que envíen información personal a servicios externos sin consentimiento. Por ejemplo, no pedirle a ChatGPT una explicación copiando datos de un cliente real, a menos que tengas bases legales para ello.
- • Anonimización/
Pseudonimización: Si vas a usar datos de usuarios para entrenar o hacer fine-tuning, procura anonimizarlos (quitar nombres, DNI, etc.) o al menos pseudonimizarlos para que no sean identificables directamente. - • Proveedores conformes: Si utilizas APIs de terceros (OpenAI, Azure, etc.), revisa que ofrezcan acuerdos de procesamiento de datos adecuados. Los grandes proveedores ofrecen ya cláusulas y almacenamiento en la UE para cumplir el RGPD. Alternativamente, opta por desplegar la solución en entornos controlados (por ejemplo, instancias cloud privadas en la UE o on-premises).
- • Información y consentimiento: Si la IA generará, por ejemplo, comunicaciones personalizadas para clientes o tomará decisiones basadas en sus datos, debes informarlo en la política de privacidad. Para ciertos tratamientos automáticos significativos, el RGPD podría requerir incluso consentimiento explícito o derecho a solicitar intervención humana.
- • Derecho a rectificación/olvido: Un detalle complejo: si un modelo fue entrenado con datos personales y un cliente ejerce su derecho al olvido, tendrías que eliminar su influencia en el modelo. Esto es difícil en práctica (no se puede "des-entrenar" fácilmente). La solución es evitar entrenar con datos identificables de clientes individuales; en su lugar, entrenar con agregados o datos sintéticos. Para outputs de IA (ej. un informe), si contienen datos personales, deben poder rectificarse o borrarse en los sistemas de registro como cualquier dato.
- • Seguridad: Aplica medidas de seguridad robustas. Un riesgo de los modelos es que puedan filtrar información aprendida. Controla que el modelo no pueda recitar datos sensibles de sus entrenamientos (por eso de nuevo, mejor no entrenar con datos confidenciales reales, y usar técnicas de "forgetting" si es posible). Además, protege el acceso: la herramienta de IA debe requerir autenticación como cualquier sistema interno, para que datos no acaben expuestos a quien no debe.
En resumen, sí se puede cumplir el RGPD usando IA generativa, pero requiere diseñar el flujo de datos con cuidado y añadir capas de control. Muchas entidades grandes están realizando evaluaciones de impacto de protección de datos (EIPD, o DPIA por sus siglas en inglés) específicas para sus proyectos de IA. Es aconsejable involucrar a tu DPO (Delegado de Protección de Datos) desde temprano en el diseño del caso de uso, para identificar riesgos y medidas. Con las salvaguardas adecuadas (análisis legal, anonimización, contratos con terceros, etc.), la IA generativa puede integrarse en banca sin quebrantar la privacidad. Incluso puede ayudar a la conformidad, por ejemplo detectando información personal en documentos y ocultándola automáticamente para proteger la identidad. La clave es: la tecnología no exime del cumplimiento, hay que incorporarlo en el ciclo de vida del proyecto.
¿Cómo escalar sin disparar costes?
Escalar una solución de IA generativa en el banco trae el reto de controlar los costes tecnológicos y operativos. Algunos consejos para crecer de forma eficiente:
- • Optimizar el uso de los modelos: No todas las tareas requieren el modelo más grande y costoso. Puedes adoptar una estrategia de modelos en cascada: usar un modelo más ligero para tareas simples y solo recurrir al modelo top (más costoso) para casos complejos. Por ejemplo, un chatbot podría tener un algoritmo más básico que responda preguntas frecuentes muy sencillas y llame al LLM avanzado solo si la pregunta es compleja. También aprovechar la caché: si muchas consultas se repiten, guarda las respuestas ya generadas en vez de invocar al modelo cada vez, y usa el prompt caching de los proveedores para que las instrucciones y documentos que se repiten en cada llamada se cobren a una fracción del precio.
- • Modelos open-source en local: Usar servicios cloud de IA puede ser caro a gran escala (pago por token). Si la escala es muy grande, evaluar modelos open-source desplegados en la infraestructura del banco. Hoy existen LLMs eficientes que corren en servidores estándar (incluso con GPU modestas) y evitan costes por transacción. La inversión inicial de montarlos puede compensar frente a pagar suscripciones o uso continuo en nube. Es habitual prototipar con la API de un proveedor y pasar a producción con un modelo abierto servido en la infraestructura propia cuando el volumen lo justifica.
- • Monitorizar y ajustar: Es fundamental implementar un sistema de monitoring de costes por uso. Saber cuánto cuesta cada conversación del chatbot, cada documento resumido, etc. Con esos datos, puedes identificar patrones de uso ineficiente. Por ejemplo, si detectas que ciertos usuarios abusan del sistema con preguntas fuera de alcance, podrías limitar su frecuencia o educarlos. O si cierta funcionalidad tiene coste alto pero poco uso, quizá prescindir o ajustar. Establece también presupuestos y alertas: "si este servicio supera X llamadas al día, notificar al equipo".
- • Formación y responsabilidad en usuarios: Involucra a los usuarios de negocio en la optimización. Si saben que la herramienta tiene un coste (aunque no lo vean directamente), entenderán directrices como "no le pidas al modelo regenerar 10 veces la misma respuesta si no es necesario", etc. A veces incluso pequeñas cosas como limitar el largo de las respuestas (cuando apropiado) reducen tokens y por tanto coste. Es similar a cuando se concienció sobre no mandar mails con archivos gigantes innecesarios para ahorrar en almacenamiento. Cultura de uso responsable.
- • Escalar gradualmente: No pases de 0 a 100 de golpe. A medida que aumentes la base de usuarios, hazlo en oleadas y evalúa el impacto en costes e infra en cada etapa. Así puedes recalibrar antes de seguir creciendo. También negociar con proveedores: si vas a usar masivamente un servicio tipo API de OpenAI, podrías conseguir tarifas planas o descuentos volumen.
- • Mejorar eficiencia del modelo: Con el tiempo, considera entrenar versiones más pequeñas especializadas en tu dominio. Un modelo enorme general puede reemplazarse por uno mediano bien entrenado en datos bancarios específicos, que logre resultados similares con menor coste computacional. Esto requiere inversión en I+D, pero en bancos grandes, ajustar un modelo abierto con datos propios puede ser rentable a largo plazo para no depender de licencias. Hoy hay técnicas maduras (cuantización a 4 bits, servidores de inferencia como vLLM) que permiten ejecutar modelos con menos recursos sin perder mucha precisión.
- • Multitenencia y reutilización: Si desarrollaste una solución de IA para un departamento, reutilízala en otro en lugar de crear otra desde cero. Por ejemplo, la infraestructura montada para el chatbot de soporte se puede aprovechar para un chatbot de clientes, cambiando el entrenamiento. Así diluyes la inversión en varias áreas. Un Centro de Excelencia de IA como el que mencionaba antes ayuda a esto, para no duplicar entornos y costes.
En resumen, escalar de forma sostenible implica optimización técnica, buen gobierno del uso y estrategia de recursos. La buena noticia es que con cada año los costes de cómputo por IA tienden a bajar (nuevos chips, algoritmos más eficientes). De hecho, muchos bancos han visto que tras la inversión inicial, mantener la solución de IA es más barato que el coste humano equivalente que sustituye. Aun así, hay que vigilarlo: la IA generativa puede consumir mucho cómputo, pero con medidas inteligentes se logra un equilibrio donde los beneficios siguen superando con creces a los costes a medida que escalas.
Hemos recorrido mucho terreno. KYC automatizado con OCR y RAG, detección de fraude con explicaciones en lenguaje natural, asistentes multicanal entrenados en normativa, reporting regulatorio generado en minutos, resúmenes de documentos legales complejos, simulación de escenarios de riesgo a escala. Todas estas aplicaciones tienen algo en común: ya están funcionando en bancos reales, con ROI medible. No son proyectos futuristas.
Pero la tecnología por sí sola no hace el trabajo. Lo que diferencia a los bancos que están sacando valor real de los que acumulan pilotos sin resultado es el enfoque: claridad de objetivo, medición honesta, implementación gradual, y gobernanza responsable desde el primer día. Los riesgos —alucinaciones, sesgos, compliance, seguridad— son gestionables con las técnicas adecuadas. El problema es cuando se ignoran hasta que crean un problema.
La IA generativa es una ventaja competitiva real para los bancos que la integran con propósito. No es magia, no es una solución instantánea, y requiere trabajo serio para hacerla bien. Pero los que lo hacen bien están elevando la eficiencia, la calidad del servicio y la capacidad de innovar a niveles que hace tres años parecían imposibles. La ventana para diferenciarse se está cerrando. Los que empiezan ahora aprenden con menos coste; los que esperan aprenderán de la peor manera.
«La IA generativa no es una promesa lejana: ya está en producción en bancos reales. La ventaja no será de quien tenga el mejor modelo, sino de quien la integre con propósito.»
¿Cómo dar el primer paso?
El mejor aprendizaje es el práctico. Por eso desarrollé un MVP completamente funcional de chatbot RAG específicamente diseñado para banca, disponible como código abierto para que lo implementes y pruebes sin intermediarios.
El sistema te permite cargar documentos PDF bancarios —políticas de crédito, manuales de productos, normativas de cumplimiento— y consultar información específica mediante preguntas en lenguaje natural. Preguntas como «¿Qué beneficios tiene la tarjeta Aqua?» o «¿Cuál es la cobertura del seguro de vivienda?» obtienen respuestas basadas exclusivamente en los documentos que has cargado. Es la forma más directa de entender qué es RAG y por qué reduce tanto las alucinaciones.
Stack tecnológico
- • Backend: FastAPI (Python), API REST ligera y fácil de desplegar
- • RAG Pipeline: LangChain + OpenAI para procesamiento inteligente de documentos
- • Embeddings: OpenAI text-embedding-ada-002 para conversión semántica
- • Base de datos vectorial: FAISS para búsqueda rápida de similitudes
- • LLM: GPT-4o para generación de respuestas contextualizadas
- • Frontend: interfaz web ligera en HTML, CSS y JavaScript
El proyecto incluye 7 documentos PDF reales de BBVA sobre productos bancarios (tarjetas de débito y crédito, seguros de vivienda, automóviles, vida, etc.) para que puedas probar inmediatamente sin necesidad de preparar contenido. La instalación es completamente automatizada: un script de setup configura todo el entorno, instala dependencias y carga los documentos de prueba.
En unos pocos minutos tendrás funcionando un asistente que permite preguntar «¿Cuáles son los requisitos del seguro de automóvil?» y obtener respuestas precisas extraídas directamente de la documentación oficial. Es el ejemplo perfecto para palpar de primera mano cómo la IA generativa con RAG puede transformar el acceso a información bancaria compleja.
Repositorio GitHub: https://github.com/AlessioRomanoRobert/bank-rag-chatbot
Mi recomendación es directa: no te quedes solo leyendo. Clona el repositorio, ponlo en marcha en 10 minutos con los documentos de ejemplo incluidos, y ve las respuestas que genera. Cuando veas cómo un sistema responde con precisión a preguntas sobre PDFs reales de BBVA, entiendes por qué esta tecnología es diferente a todo lo anterior.
Una vez que lo tengas funcionando, piensa en tus casos específicos: tus empleados preguntando sobre políticas internas sin esperar a RR.HH., clientes resolviendo dudas sobre productos a las 2 de la madrugada, analistas extrayendo información clave de regulaciones en segundos. No es ciencia ficción. Es lo que puedes tener funcionando esta semana.
Fuentes
- McKinsey Global Institute, The economic potential of generative AI (2023): entre 200.000 y 340.000 millones de dólares anuales de valor potencial en banca.
- Boston Consulting Group, For Banks, the AI Reckoning Has Arrived (2025): solo el 25 % de los bancos usa la IA de forma estratégica.
- Bank of America, nota de prensa sobre Erica (abril de 2024): 2.000 millones de interacciones y 42 millones de clientes.
- JPMorgan Chase, datos públicos sobre el uso de IA en la validación de pagos: entre un 15 y un 20 % menos de rechazos erróneos.
- RAND Corporation, The Root Causes of Failure for Artificial Intelligence Projects (2024).
Las cifras sin fuente explícita son estimaciones orientativas basadas en mi experiencia y en conversaciones con equipos del sector.