IA para fintech

El dolor real: decidir riesgo, atender y proteger al mismo tiempo

Una fintech que crece rápido enfrenta tres presiones a la vez y casi nunca tiene el equipo para las tres. Necesita decidir a quién prestarle sin usar solo el buró de crédito tradicional, porque buena parte de su mercado objetivo no tiene historial bancario extenso. Necesita atender a un volumen de usuarios que crece más rápido que su equipo de soporte. Y necesita cumplir con reguladores y prevenir fraude sin convertir cada operación en una revisión manual eterna.

El problema no es que falte tecnología. El problema es que la mayoría de estas fintechs sigue tomando decisiones de riesgo, soporte y compliance con reglas fijas y hojas de cálculo, mientras el volumen de datos y de usuarios crece exponencialmente. El scoring crediticio que solo mira variables tradicionales (ingresos declarados, historial bancario, buró) deja fuera a una porción enorme de clientes buenos que simplemente no tienen ese historial. Y el soporte que depende de agentes humanos respondiendo uno a uno no escala al ritmo que exige la adquisición de usuarios.

Lo mismo pasa con fraude y compliance. Cuando la revisión de transacciones sospechosas depende de que un analista revise manualmente cada alerta, el equipo se ahoga en falsos positivos o, peor, deja pasar patrones reales de fraude porque no da abasto. La IA no es la solución mágica a esto. Es la forma de conectar los datos que la fintech ya tiene (transaccionales, de comportamiento, de dispositivo) con reglas de negocio y de riesgo que hoy están dispersas en la cabeza de un analista o en un Excel.

Qué es IA para fintech (y qué no)

IA para fintech no es agregar un chatbot al app de banca móvil ni comprar un modelo de scoring genérico y conectarlo sin ajustar. Es construir un sistema que combina los datos financieros y transaccionales de la empresa, reglas de riesgo definidas por el negocio (no por el proveedor de IA) y procesos operativos (aprobación, soporte, cobranza, compliance) para tomar decisiones más rápidas y con más información que antes, sin perder el control regulatorio que exige el sector.

El punto de partida no es el modelo. Es el proceso: qué decisión se está tomando hoy (aprobar un crédito, resolver un reclamo, marcar una transacción como sospechosa), quién la toma, con qué información y con qué margen de error. La IA se diseña alrededor de esa decisión, no al revés.

• No es un chatbot genérico respondiendo preguntas frecuentes sobre la app.
• No es reemplazar al oficial de cumplimiento ni al comité de riesgo: es darles mejor información y quitarles el trabajo repetitivo.
• No es un modelo de scoring de caja negra que nadie en la empresa puede explicar a un regulador.
• No es automatizar la aprobación de crédito sin supervisión humana en los casos límite.

Casos de uso concretos en fintech

Estos son los casos de uso donde IA conectada a datos y procesos mueve una métrica de negocio real en fintech, no solo una demo bonita.

• Scoring crediticio alternativo. Cruzar variables transaccionales, de comportamiento digital y de pago de servicios con el historial bancario tradicional para evaluar a clientes que el scoring clásico rechaza o subestima.
• Soporte al cliente que escala con el usuario, no con el headcount. Agentes que resuelven consultas de saldo, movimientos, bloqueo de tarjeta y disputas simples, y escalan a un humano cuando el caso involucra dinero en disputa o un reclamo regulatorio.
• Detección de fraude en tiempo real. Sistemas que cruzan patrones transaccionales, geolocalización, dispositivo y velocidad de operación para marcar transacciones sospechosas antes de que se completen, no días después en una auditoría.
• Onboarding y KYC más rápido. Verificación de identidad, documentos y biometría con IA para reducir el tiempo de aprobación de una cuenta sin bajar el estándar de verificación.
• Cobranza priorizada por probabilidad de pago. En vez de llamar a toda la cartera vencida por igual, priorizar gestiones según la probabilidad real de recuperación y el canal que mejor funciona para cada perfil.
• Monitoreo de compliance y AML con menos falsos positivos. Reducir el volumen de alertas que un analista revisa a mano, priorizando las que de verdad ameritan revisión humana.

Qué necesita una fintech para que esto funcione

Ninguno de los casos anteriores funciona si se compra un modelo y se conecta directo a producción. Una fintech necesita cuatro piezas ordenadas antes de confiar una decisión de riesgo o de fraude a un sistema de IA.

• Datos limpios y trazables. Transacciones, historial de pagos, comportamiento digital y datos de KYC centralizados y auditables. Si el dato está sucio o disperso entre sistemas, el modelo hereda ese desorden y lo amplifica.
• Memoria del cliente y del caso. Que el sistema recuerde el historial de interacciones, disputas anteriores y patrones de comportamiento del usuario, no que cada consulta o cada transacción se evalúe desde cero.
• Herramientas conectadas. Acceso real al core bancario, al proveedor de scoring, al sistema de tickets de soporte y a las bases de datos de compliance, no un modelo aislado que simula decisiones sobre datos de prueba.
• Reglas de negocio y de riesgo explícitas. Qué puede decidir el sistema solo, qué monto o qué tipo de caso requiere revisión humana, y qué se documenta para el regulador. Esto lo define el comité de riesgo, no el proveedor de tecnología.

El orden correcto para implementar en fintech

• 1. Elegir un dolor con dueño y con número. No “mejorar el scoring” en abstracto. Sí “reducir el rechazo de clientes buenos sin historial bancario en la línea de microcréditos” con un responsable de negocio detrás.
• 2. Auditar los datos antes que el modelo. Revisar qué información transaccional y de comportamiento existe, dónde vive, qué tan completa y confiable es. La mayoría de fintechs descubre aquí que el problema no era el algoritmo.
• 3. Definir las reglas de riesgo y compliance con el equipo que responde ante el regulador. El área de riesgo y cumplimiento decide los límites, no la implementación técnica.
• 4. Pilotear con supervisión humana explícita. Correr el sistema en paralelo a la decisión humana durante un periodo definido, comparar resultados y solo después soltar autonomía en los casos de menor riesgo.
• 5. Definir desde el día uno cómo se audita la decisión. En fintech, si no se puede explicar por qué el sistema aprobó, rechazó o marcó algo, no importa qué tan bien funcione: es un problema regulatorio esperando a pasar.

Errores comunes en fintech al implementar IA

• Comprar un modelo de scoring de un proveedor externo y conectarlo sin ajustar reglas propias de riesgo. El modelo trae los sesgos y el criterio de otro mercado, no el de la cartera real de la empresa.
• Automatizar aprobación de crédito sin capa de revisión humana en los casos límite. Los casos fáciles no son el problema. Los casos límite, donde se pierde o se gana el cliente correcto, sí lo son.
• Tratar el fraude como un problema de reglas fijas en vez de patrones que cambian. Los patrones de fraude evolucionan más rápido que las reglas escritas hace dos años en un documento de compliance.
• No involucrar a riesgo y cumplimiento desde el diseño. Cuando legal y compliance entran al final del proyecto, terminan bloqueando en producción lo que tecnología ya construyó.

Cómo medir si está sirviendo

• Tasa de aprobación de crédito a clientes buenos sin historial bancario tradicional.
• Tiempo promedio de resolución de un ticket de soporte, y porcentaje resuelto sin intervención humana.
• Tasa de fraude detectado antes de liquidar la transacción versus detectado después.
• Porcentaje de falsos positivos en alertas de compliance revisadas por un analista.
• Tiempo de aprobación de onboarding y KYC de una cuenta nueva.
• Costo operativo por transacción evaluada o por ticket resuelto.

Ninguna de estas métricas se llama “usamos IA”. Se llaman aprobación, tiempo, fraude evitado y costo. Si después de implementar nadie puede mostrar el número que se movió, el proyecto no fracasó por el modelo: fracasó porque nunca se definió qué debía mejorar.

Cuándo NO usar IA todavía en fintech

• Cuando los datos transaccionales y de KYC están dispersos, incompletos o no son confiables. Un modelo sobre datos sucios en fintech no es un riesgo técnico, es un riesgo regulatorio.
• Cuando el equipo de riesgo y compliance no tiene claridad sobre qué puede decidir un sistema automatizado y qué necesita firma humana.
• Cuando el volumen de casos no justifica la inversión: si son veinte solicitudes de crédito al mes, un analista con buenas reglas resuelve más rápido que montar un sistema.
• Cuando no hay forma de auditar o explicar la decisión del sistema ante un regulador o ante el propio cliente que reclama.