Los bancos han utilizado modelos de puntuación para la gestión del riesgo de crédito durante más de medio siglo, y las redes de tarjetas han utilizado durante años modelos de detección de fraude basados en machine learning. Lo que ha cambiado es el alcance. Los modelos de inteligencia artificial (IA) ahora procesan datos no estructurados, generan resultados legibles por personas y operan en flujos de trabajo que antes requerían el criterio de expertos humanos. La IA en la tecnología financiera, o fintech, se refiere al uso de modelos de machine learning, grandes modelos de lenguaje (LLM) y reconocimiento estadístico de patrones para impulsar productos, servicios e infraestructuras financieras. Este cambio está transformando la forma en que los productos financieros se crean, cómo se fijan sus precios y cómo se distribuyen.

A continuación, analizaremos los principales casos de uso de la IA en el sector fintech, el papel que desempeñan los pagos y la detección del fraude, y qué restricciones en materia de datos, seguridad y regulación debes tener en cuenta.

Destacados

• La IA en el sector fintech abarca tres categorías diferenciadas: modelos predictivos, modelos generativos y sistemas de automatización de decisiones. Cada modelo se construye, evalúa y regula de forma distinta.

• La detección de fraude es un uso importante. Los modelos de machine learning a nivel de red pueden identificar patrones de fraude coordinados que ninguna empresa por sí misma podría detectar.

• El éxito en el uso de la IA en los servicios financieros depende de la calidad de los datos, la estructura de gobernanza y una evaluación certera de en qué ámbitos una solución propia ofrece ventajas.

¿Qué es la IA en la fintech?

La IA en la fintech abarca una amplia gama de aplicaciones, desde modelos de prevención del fraude que señalan transacciones con tarjeta sospechosas hasta sistemas de evaluación de riesgos que pueden fijar el precio de un préstamo sin necesidad de una revisión humana. La IA potencia los sistemas financieros ayudando a las instituciones a tomar decisiones más rápidas y precisas a escala.

¿Cómo funciona la IA en la fintech?

Los detalles técnicos varían según la aplicación, pero los sistemas de la IA en los servicios financieros tienden a seguir una arquitectura similar. Utilizan varios modelos para puntuar o predecir nuevos eventos en tiempo real.

A continuación te mostramos tres ejemplos habituales.

Detección del fraude

Un proveedor de servicios de pago recoge señales de transacciones como el importe de la compra, el código de categoría del comerciante, la huella del dispositivo, la ubicación, la velocidad de la transacción y el vencimiento de la cuenta. Estas señales alimentan un modelo entrenado con cientos de millones (o miles de millones) de transacciones históricas, incluidos casos de fraude confirmados. Es entonces cuando el modelo genera una puntuación de riesgo. Un motor para la toma de decisiones utiliza esa puntuación para determinar si aprobar la transacción, rechazarla o redirigirla para que se realice una revisión manual, generalmente dentro de la ventana de autorización de la tarjeta.

Evaluación de riesgos de crédito

Los prestamistas combinan los datos de las agencias de crédito con otras señales, como el historial de las transacciones bancarias y el comportamiento del prestatario durante el proceso de solicitud. Modelos como las redes neuronales estiman la probabilidad de que un prestatario incumpla sus pagos. Esa previsión influye en la aprobación y el coste de los préstamos.

LLM

Los LLM pueden utilizarse para automatizar flujos de trabajo que implican la lectura o la escritura de texto. En los servicios financieros, pueden ayudar con el análisis de documentos (solicitudes de préstamo, reclamaciones de seguros y presentaciones regulatorias), la atención al cliente y la investigación interna. Dado que los resultados de los LLM se basan en probabilidades y son difíciles de auditar, crean nuevos retos en entornos regulados donde la interpretabilidad y la responsabilidad son necesarias.

¿Por qué está la IA transformando los servicios financieros?

El sector de los servicios financieros está muy bien adaptado al machine learning porque combina grandes conjuntos de datos con un flujo constante de decisiones. A continuación, analizamos en más detalle los aspectos del sector que lo hacen idóneo para las mejoras con la IA:

• Densidad de datos: los bancos, los prestamistas y las redes de pagos procesan enormes volúmenes de transacciones, historiales de cuentas y datos de mercado. Esta abundancia de información estructurada proporciona a los modelos de machine learning datos de entrenamiento inusualmente ricos.

• Volumen de decisiones: las instituciones financieras toman millones de pequeñas decisiones cada día, ya sea aprobando transacciones, evaluando préstamos, gestionando reclamaciones o supervisando la actividad. Hasta las pequeñas mejoras en la precisión de las decisiones se van sumando rápidamente y se traducen en ahorros en los costes y un aumento de los ingresos.

• Eficiencia: procesos como la evaluación de riesgos hipotecarios y la revisión de reclamaciones han necesitado tradicionalmente un trabajo manual exhaustivo. Los flujos de trabajo asistidos por la IA pueden minimizar los costes laborales y los tiempos de respuesta.

• Prevención de fraude: los mejores modelos ayudan a reducir los falsos positivos (es decir, menos transacciones legítimas rechazadas) y los falsos negativos (es decir, menos transacciones fraudulentas que se aprueban). Cada mejora afecta directamente a los ingresos, los costes empresariales y la confianza del cliente.

• Datos no estructurados: los sistemas de automatización anteriores funcionaban bien con entradas estructuradas como números y categorías. Los modelos más nuevos pueden interpretar documentos, conversaciones y otros datos no estructurados, lo que permite la automatización en áreas que antes necesitan el criterio humano.

¿Cuáles son los principales casos de uso de la IA en el sector fintech?

En el sector fintech, la IA tiende a concentrarse en algunos ámbitos donde los grandes volúmenes de datos y las decisiones de alto volumen hacen que la automatización sea especialmente valiosa. A continuación se presentan algunos de los principales casos de uso.

Crédito y evaluación de riesgos

La puntuación crediticia tradicional depende en gran medida de los datos de las agencias de crédito, lo que excluye a las personas «invisibles para el sistema crediticio» y no da buen servicio a otras cuyo historial es escaso. Los modelos de la IA entrenados con datos alternativos, como los patrones de transacciones bancarias, los pagos de alquiler y los registros de nóminas, pueden ampliar el acceso a los créditos mientras mantiene unas predicciones de riesgo precisas.

Prevención del fraude

La detección de fraude es una de las aplicaciones más maduras del machine learning en las finanzas. Los sistemas modernos identifican patrones como intentos de apropiación de cuentas, identidades sintéticas y redes de fraude coordinadas que las reglas estáticas podrían tener dificultades para detectar.

Operaciones de atención al cliente y soporte

Los asistentes basados en LLM pueden gestionar muchas interacciones rutinarias con clientes, como preguntas sobre cuentas, disputas de transacciones y orientación en el onboarding. Los sistemas eficaces automatizan las solicitudes sencillas y escalan los casos difíciles o delicados a agentes humanos.

Cumplimiento de la normativa

El control para la prevención del blanqueo de capitales (AML) genera un gran número de alertas, muchas de las cuales son falsos positivos. Los modelos de machine learning pueden ayudar a distinguir la actividad verdaderamente sospechosa del comportamiento inusual pero legítimo, lo que reduce la carga de trabajo relacionado con las investigaciones. La IA también puede acelerar los procesos de KYC extrayendo datos sobre la identidad de documentos.

Análisis de mercado y gestión del riesgo

La IA amplía la capacidad de los modelos cuantitativos mediante el análisis de información no estructurada, como llamadas sobre resultados, noticias, imágenes por satélite y datos agregados de transacciones. Esto puede proporcionar señales adicionales para la negociación y el seguimiento del riesgo.

¿Cómo se utiliza la IA para gestionar los pagos, el fraude y los riesgos?

La gestión de los pagos, el fraude y los riesgos son algunos de los aspectos qué más trabajo dan y que son más trascendentes dentro de los servicios financieros. La infraestructura de pagos impone algunos de los requisitos en tiempo real más estrictos a los sistemas de la IA, y el coste más inmediato de una mala decisión es el fraude.

Esto es lo que las empresas deben tener en cuenta cuando utilizan la IA para resolver problemas relacionados con los pagos, el fraude y el riesgo.

Pagos y fraude

Los modelos para la prevención del fraude encargados de las decisiones relacionadas con la autorización de transacciones deben ser rápidos y precisos. El rechazo de compras legítimas puede frustrar a los clientes, mientras que los casos de fraude que no se detectan pueden generar pérdidas económicas directas. Herramientas como Stripe Radar utilizan modelos de machine learning que están entrenados con datos de transacciones de redes amplias para puntuar cada transacción según el riesgo de fraude que plantea. Esto expone a los modelos a patrones de fraude que ninguna empresa sería capaz de observar por sí misma. Sus señales pueden ayudar a detectar un círculo de fraude que ataca a una empresa de la red antes de que el problema sea mayor. Las empresas pueden personalizar el comportamiento de estas herramientas con sus propias reglas aplicándolas sobre el modelo subyacente, que se actualiza continuamente a medida que surgen nuevas tendencias de fraude.

Gestión de crédito y de riesgos

Los resultados crediticios dependen de las condiciones económicas cambiantes, los eventos en la vida de los prestatarios y la incertidumbre inherente. La IA no elimina esa incertidumbre, pero puede extraer más señales predictivas de los datos disponibles. Esto permite una fijación de precios basada en el riesgo más precisa. Sin embargo, dado que los modelos de crédito aprenden de datos históricos, pueden reproducir sesgos existentes si no se controlan. Una implementación responsable requiere pruebas de imparcialidad, una selección cuidadosa de variables y una supervisión continua para garantizar que los modelos no perjudiquen sistemáticamente a grupos protegidos.

¿Qué consideraciones relacionadas con los datos, la seguridad y la normativa deben tenerse en cuenta para el uso de la IA en los servicios financieros?

La IA en los servicios financieros conecta varios sistemas y restricciones del cumplimiento de la normativa que se superponen. La implementación y el cumplimiento de la normativa exigirán tener un conocimiento profundo de cómo encajan las distintas piezas.

Esto es lo que debes tener en cuenta:

• Privacidad y residencia de datos: los datos financieros son muy sensibles. Normativas como el Reglamento General de Protección de Datos (RGPD) de la UE otorgan a las personas derechos relacionados con la toma de decisiones automatizada, lo que genera unas obligaciones con respecto a la interpretabilidad y transparencia que afectan a las decisiones crediticias o de seguros que gestiona la IA. Varios estados de EE. UU. tienen sus propias leyes de privacidad con una serie de requisitos específicos.

• Interpretabilidad del modelo: los reguladores financieros suelen exigir a los prestamistas que expliquen a los solicitantes las decisiones desfavorables. Esto es algo sencillo cuando se cuenta con un sistema basado en reglas, pero es más difícil con modelos de machine learning polifacéticos.

• Gestión del riesgo de modelo: marcos de referencia como la guía SR 11-7 de la Reserva Federal de EE. UU. exigen a las instituciones financieras que validen los modelos, documenten sus supuestos y supervisen el rendimiento con el paso del tiempo. Los sistemas de la IA están sujetos a los mismos requisitos de supervisión que los modelos tradicionales.

• Seguridad y riesgos de ataques maliciosos: los sistemas de machine learning introducen nuevas superficies de ataque. Los delincuentes pueden sondear los modelos de detección de fraude para descubrir sus puntos débiles, mientras que otros pueden extraer información de los modelos entrenados. La seguridad de la infraestructura de la IA forma parte de la ciberseguridad financiera en un sentido más amplio.

• Riesgo de proveedor: muchas instituciones financieras licencian modelos de IA de proveedores externos. Una gestión de riesgos eficaz requiere entender cómo se entrenaron esos modelos, cómo se supervisan y qué medidas de protección existen en caso de fallo.

¿Está tu organización lista para comenzar a utilizar la IA en los servicios financieros?

Comenzar a utilizar la IA con éxito depende en gran medida de la calidad y la gobernanza de los datos de tu organización. Antes de empezar, debes tener una expectativas realistas sobre cómo te ayudará y cómo se puede aplicar.

Estos son los pasos para comenzar a utilizarla:

• Empieza por los datos: mejora tu infraestructura de datos. La fiabilidad de los sistemas de las IA dependen de la fiabilidad de los datos con los que se entrenan. Las transacciones mal etiquetadas, los registros de clientes fragmentados o las decisiones históricas sesgadas generarán modelos defectuosos.

• Establece una gobernanza: debes definir las responsabilidades en cuanto al rendimiento y la supervisión del modelo de forma clara. Los equipos deben saber quién supervisa la deriva del modelo, evalúa la imparcialidad y responde cuando los sistemas se comportan de forma inesperada.

• Decide si desarrollar o adquirir: desarrollar modelos propios tiene sentido cuando una empresa cuenta con datos únicos o necesidades especializadas. Comprar o licenciar modelos suele ser más rápido cuando las necesidades son las habituales y se conocen en profundidad.

• Prueba primero con un caso de uso concreto: en lugar de intentar llevar a cabo una transformación amplia con la IA, puedes comenzar con un proceso de decisión de gran volumen donde dispongas de datos históricos claros y métricas de éxito. Ejecutar modelos en paralelo con los flujos de trabajo existentes ayuda a medir el rendimiento y generar confianza.

• Usa la infraestructura existente: la infraestructura de Stripe, que incluye Radar para la detección de fraudes y las señales de datos disponibles a través de la interfaz de programación de aplicaciones (API) de Stripe, ofrece a las empresas un punto de partida para que no tengan que construir todo desde cero. Cada organización debe decidir dónde aplicar la IA y cómo gestionarla y supervisarla, pero con este tipo de herramienta se pueden gestionar los pagos y la detección de fraudes.

Cómo puede ayudarte Stripe Payments

Stripe Payments proporciona una solución de pagos unificada y global que ayuda a cualquier empresa —desde startups en expansión hasta empresas globales— a aceptar pagos en línea, en persona y en todo el mundo.

Stripe Payments puede ayudarte a:

• Optimizar la experiencia en el proceso de compra: con Payments, puedes ofrecer una experiencia de compra ágil e intuitiva. Además, ahorrarás miles de horas de trabajo de desarrollo gracias a sus interfaces de pago prediseñadas, que te dan acceso a más de 125 métodos de pago y Link, el monedero digital desarrollado por Stripe.

• Expandirte a nuevos mercados más rápido: llega a clientes de todo el mundo y simplifica la gestión de los tipos de intercambio gracias a las opciones de pago internacionales, que admiten 195 países y más de 135 divisas.

• Unificar los pagos en línea y en persona: crea una experiencia de comercio unificado entre tus canales online y presenciales para personalizar la relación con tus clientes, fomentar su fidelidad y aumentar tus ingresos.

• Mejorar el rendimiento de tus pagos: aumenta tu facturación con herramientas de pagos configurables y fáciles de implementar, que incluyen soluciones sin programación de protección contra el fraude y funciones avanzadas para mejorar las tasas de autorización.

• Muévete más rápido con una plataforma flexible y fiable para crecer: construye sobre una plataforma diseñada para adaptarse a ti, con un tiempo de actividad del 99,999 % y una fiabilidad líder en el sector.

Obtén más información sobre cómo Stripe Payments puede ayudarte a aceptar pagos por Internet y en persona o crea una cuenta hoy mismo.