Marcando el ritmo de la transformación inteligente

Cuatro pasos que los bancos pueden seguir para crear una hoja de ruta hacia el éxito en la adopción de la IA

En resumen

• La IA en el sector bancario ha pasado de una adopción limitada a un imperativo competitivo, pero persisten impedimentos.
• Para superar estos obstáculos, los bancos deberían desarrollar una hoja de ruta para la adopción de la IA que incluya la nube, los datos como producto, la malla de datos, la selección de LLM y una gobernanza eficaz.
• Los beneficios de desarrollar una hoja de ruta integral para la IA son considerables, ya que la IA a nivel empresarial es un paso fundamental hacia la banca autónoma e inteligente, que permite a los bancos pasar del consumo de IA a su uso para obtener una ventaja competitiva.

---

De la noche a la mañana, la IA en el sector bancario ha pasado de una adopción limitada a un imperativo competitivo. Esto es especialmente cierto en el caso de la IA generativa, que el 80 % de los directores ejecutivos bancarios que participaron en el Informe Mundial de Banca Minorista 2024 de Capgemini considera un avance significativo con un potencial innegable.

El optimismo de la industria respecto a la IA se debe en gran medida a las ineficiencias que enfrentan los bancos a diario. En términos cuantitativos, el 70 % del tiempo de los empleados bancarios se dedica a actividades operativas y solo el 30 % a la interacción con los clientes, lo que deja grandes oportunidades para la IA.

Aun así, persisten importantes obstáculos para las transformaciones inteligentes. Entre ellos se incluyen los sistemas heredados, la fragmentación de datos, los desafíos regulatorios, la escasez de personal cualificado y las preocupaciones sobre el retorno de la inversión.

En este artículo, exploramos cómo los bancos superan estas barreras mediante el desarrollo de un plan adecuado para guiar las iniciativas de adopción de IA y así mejorar sus resultados.

Construyendo una hoja de ruta estratégica de IA

Como se analiza en el Informe sobre banca minorista mundial 2024 de Capgemini, los principales CXO a nivel mundial ya han identificado tres procesos horizontales fundamentales, que abarcan todo el espectro de la banca minorista, como puntos focales para las transformaciones inteligentes: automatización inteligente de documentos, centros de llamadas inteligentes y copilotos de productividad de la fuerza laboral.

Sin embargo, el informe también reveló que el 96% de los bancos tiene una puntuación media-baja en la escala de preparación para la IA, tanto desde una perspectiva tecnológica como comercial. En un factor clave de preparación, el establecimiento de una hoja de ruta para la adopción de la IA, solo el 6% de los bancos cuenta con un plan adecuado.

Para ayudar a los bancos a ponerse al día, este artículo analiza los elementos necesarios para crear una hoja de ruta de transformación inteligente. Recomendamos utilizar un enfoque ascendente (Figura 1) para crear un plan que aborde las capas de datos, modelos y negocios mediante los siguientes pasos:

1. Construya una base en la nube
2. Desarrolle un patrimonio moderno de datos como producto mediante malla de datos
3. Seleccione el enfoque de Modelo de Lenguaje Grande (LLM) adecuado
4. Establezca una gobernanza eficaz

Para comprender mejor lo que implica cada elemento, analicemos cada uno en profundidad.

Figura 1: Cuatro elementos estratégicos esenciales para una hoja de ruta de transformación inteligente

Fuente: Instituto de Investigación de Servicios Financieros de Capgemini, 2024

1. Construya una base en la nube para la agilidad y la escalabilidad

Una variable clave [en el desarrollo de nuestra hoja de ruta de IA] es asignar recursos de computación en la nube a casos de uso de IA generativa. La convergencia de la IA generativa y la economía de la nube ofrece una vía para reducir costos y una adopción a gran escala.

– Vincent Kolijn, Jefe de Estrategia y Transformación, Retail, Rabobank, Países Bajos

Como la infraestructura más adecuada para proporcionar recursos informáticos escalables de alto rendimiento, las tecnologías de la nube se encuentran en el corazón de la adopción de la IA empresarial.

Aunque el 91% de las empresas de servicios financieros han adoptado la nube, su adopción ha sido desigual. Por ejemplo, expertos y analistas del sector sugieren que menos del 30% de los bancos han migrado sus principales aplicaciones empresariales a una plataforma en la nube.

Para obtener los beneficios deseados de las iniciativas de IA es necesario acelerar los esfuerzos de migración a la nube y establecer una base suficientemente sólida, ágil y segura para satisfacer los requisitos de capacidad informática, velocidad y protección de datos de la IA.

2. Desarrollar un patrimonio moderno de datos como producto utilizando malla de datos

Los bancos que se enfrentan al desafío de los sistemas heredados deben desarrollar estrategias para adoptar y escalar la IA eficazmente. Se trata de crear una hoja de ruta que supere los obstáculos que plantean los sistemas heredados.

– Steven Cooper, CEO, Aldermore Bank, UK

Agravados por la infraestructura heredada, la propiedad departamental de las bases de datos y las exigencias regulatorias, los silos de datos siguen siendo un desafío importante para los bancos. Afortunadamente, la arquitectura de malla de datos ahora ofrece una solución al proporcionar capas tecnológicas que funcionan entre silos de datos (Figura 2).

La malla de datos trata los datos como una oferta independiente con una propuesta de valor denominada “datos como producto”. Con este enfoque, la gestión de datos se descentraliza y se realiza dentro de silos empresariales, pero se unifica mediante estándares, gobernanza y tecnologías de extracción que ponen los datos a disposición de las aplicaciones de IA bajo demanda. Utilice la malla de datos para:

Proporciona acceso a datos en tiempo real. Permite la creación de un mercado de datos para el consumo colaborativo de datos entre múltiples líneas de negocio y aplicaciones de IA.

Simplifique la propiedad y la gestión de datos. Permite que cada área bancaria siga organizando, poseyendo y gestionando datos, a la vez que mejora el acceso, la utilización y la innovación basada en datos en toda la organización del banco, sin necesidad de realizar modificaciones significativas en la infraestructura de datos existente.

Garantizar una diversidad de datos bien gobernada. Permite que los datos sean FAIR (localizables, accesibles, interoperables y reutilizables) al tiempo que se aplican indicadores clave de rendimiento (KPI) adecuados para gobernar y proteger los datos, lo que ayuda a garantizar su integridad para su uso por parte de las aplicaciones de IA.

Como se señala en el Informe sobre banca minorista mundial 2024 de Capgemini, bancos líderes como JP Morgan Chase y Fifth Third Bank en EE. UU., Saxo Bank en Dinamarca, ABN AMRO en los Países Bajos y muchos otros han adoptado con éxito arquitecturas de malla de datos.

Fuente: Instituto de Investigación Capgemini para el Análisis de Servicios Financieros, 2024.

3. Seleccione el enfoque adecuado del modelo de lenguaje grande (LLM)

Los bancos que navegan por el cambiante panorama de la IA generativa deben considerar tres enfoques: crear un LLM personalizado, considerar una IA generativa lista para usar y asociarse con especialistas.

– Pierre Ruhlmann, Director de Operaciones, BNP Paribas, Francia

El desarrollo de la capa de algoritmo para una iniciativa de IA comienza con la selección del modelo de lenguaje amplio (LLM) adecuado. Normalmente, la decisión depende de la fase del proceso de IA (Figura 3).

Fase exploratoria. Muchos bancos adquieren soluciones listas para usar, como chatbots, plataformas de detección de fraude y otras, que satisfacen necesidades específicas al explorar la IA. Estas soluciones ofrecen disponibilidad inmediata, pero un control limitado.

Fase de escalamiento de la IA. Los bancos suelen colaborar con especialistas en LLM durante el escalamiento como un enfoque equilibrado para acelerar el desarrollo de la IA y adquirir experiencia en el sector. Esto genera una IA calibrada con datos internos del banco, lo que permite un ajuste preciso para ofrecer interacciones humanas personalizadas y de alta calidad.

Fase de industrialización. Aunque solo alrededor del 10 % de los CXO encuestados para el Informe Mundial de Banca Minorista 2024 han optado por crear un LLM personalizado desde cero, esta opción de la fase de industrialización ofrece la mayor capacidad de propiedad y personalización. Como era de esperar, esta vía también requiere una inversión sustancial de recursos.

Independientemente de la ruta que elija un banco, el éxito requiere una visión estratégica a largo plazo. Esto incluye una evaluación exhaustiva de las necesidades específicas, los recursos disponibles, las capacidades del modelo, las consideraciones de riesgo y cumplimiento normativo, y el análisis de costes. Una vez implementada una aplicación de IA, su seguimiento para la mejora continua y las correcciones del rumbo también es fundamental para alcanzar los resultados y objetivos comerciales deseados.

Figura 3: Tres enfoques típicos para el desarrollo de LLM

Fuente: Capgemini Research Institute for Financial Services Analysis, 2024; Encuesta a CXO del Informe Mundial de Banca Minorista

4. Establecer una gobernanza eficaz

La IA explicable (XAI) en la banca es esencial para mitigar los riesgos de sesgo y fomentar la confianza. Acelera la adopción de la IA, garantizando la transparencia en las decisiones, el cumplimiento normativo y una implementación colaborativa en el sector.

– Cormac Flanagan, Jefe global de gestión de productos, Temenos, Irlanda

A medida que las aplicaciones de IA evolucionan rápidamente, superan rápidamente los límites de la comprensión humana y toman decisiones difíciles de interpretar, y mucho menos de controlar. Mitigar este fenómeno requiere una gestión y supervisión diligentes de las aplicaciones de IA para garantizar que las decisiones sean explicables. La IA explicable garantiza que los humanos puedan comprender rápidamente los resultados y corregir el rumbo según sea necesario.

Más allá de la explicabilidad, es vital que los bancos supervisen y gestionen otras categorías de riesgos asociados a la IA. Estos incluyen resultados sesgados y discriminatorios, alucinaciones con resultados inexactos, intrusiones en la privacidad y uso malicioso.

Naturalmente, desarrollar y desarrollar continuamente un conjunto sólido y completo de KPI es necesario para gestionar eficazmente la IA y las aplicaciones de IA generativa. En este aspecto, los bancos presentan un retraso considerable. El Informe Mundial de Banca Minorista 2024 de Capgemini reveló que solo el 6 % de los bancos han establecido KPI para medir el impacto de la IA generativa y mantener un seguimiento continuo (Figura 4). Es evidente que es necesario prestar mayor atención al desarrollo e implementación de KPI para minimizar los riesgos y las consecuencias imprevistas.

Figura 4: Los bancos están rezagados en los KPI para la gobernanza de la IA y la IA generativa

Fuente: Capgemini Research Institute for Financial Services Analysis, 2024; Encuesta a CXO del Informe Mundial de Banca Minorista 2024

Adoptar un enfoque holístico de hoja de ruta

Si bien cada uno de los elementos de la hoja de ruta analizados aquí tienen tecnología en común, desarrollar un plan holístico también requiere incluir aspectos centrados en el ser humano dentro de cada uno de los cuatro elementos.

Asegúrese de abordar factores como la gestión del cambio, la capacitación y la preparación cultural, ya que a menudo son actividades decisivas para el éxito de las transformaciones.

Alcanzar el objetivo final de la IA: la banca autónoma

Si bien las incipientes iniciativas de IA actuales ya generan beneficios considerables, la IA a nivel empresarial es un paso fundamental hacia la banca autónoma e inteligente. Cuando los bancos alcanzan este nivel de madurez, pasan de consumir IA a utilizarla para obtener una ventaja competitiva.

Ejemplos actuales de ofertas autónomas incluyen “Bconomy” de BBVA y la colaboración de Santander Bank con Personetics, que demuestran cómo las experiencias de cliente hiperpersonalizadas y la interacción omnicanal pueden ofrecer una verdadera centralidad en el cliente.

Para comenzar a alcanzar los objetivos de IA de su banco, comience con una hoja de ruta completa para navegar por el proceso de transformación de la IA. Al adoptar enfoques tecnológicos modernos, abordar los principales obstáculos para los datos y establecer una gobernanza eficaz, los bancos pueden completar con éxito su transformación inteligente y, en última instancia, aprovechar la IA para redefinir el futuro del sector. Vivimos un momento emocionante en la banca para todos.