Los bancos han utilizado los modelos de puntuación para la gestión del riesgo crediticio durante más de medio siglo, y las redes de tarjeta llevan años ejecutando modelos de detección de fraude basados en machine learning. Lo que cambió es el alcance. Los modelos de inteligencia artificial (IA) ahora procesan datos no estructurados, generan resultados legibles por humanos y operan en flujos de trabajo que antes requerían el criterio humano experimentado. La IA en la tecnología financiera, o fintech, hace referencia al uso de modelos de machine learning, modelos de lenguaje extenso (LLM) y reconocimiento estadístico de patrones para la infraestructura, los servicios y los productos financieros. Este cambio está transformando la manera en que se crean los productos financieros, se fijan sus precios y se entregan a los clientes.

A continuación, analizaremos los casos de uso principales de la IA en fintech, dónde encajan los pagos y la detección de fraude, y qué restricciones normativas, de seguridad y de datos debes tener en cuenta.

Destacados

• La IA en fintech abarca tres categorías distintas: los modelos predictivos, los modelos generativos y los sistemas de automatización de decisiones. Cada modelo se crea, evalúa y regula de diferente manera.

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

• El éxito en la adopción de la IA en los servicios financieros depende de la calidad de los datos, la estructura de gobernanza y una evaluación acertada de dónde una solución propia genera ventaja competitiva.

¿Qué es la IA en fintech?

La IA en fintech abarca una amplia gama de aplicaciones, desde modelos de fraude que detectan transacciones con tarjeta sospechosas hasta sistemas de evaluación de riesgos que pueden fijar el precio de un préstamo sin la intervención de un revisor humano. La IA mejora los sistemas financieros, ya que ayuda a las instituciones a tomar decisiones más rápidas y precisas a gran escala.

¿Cómo funciona la IA en fintech?

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

A continuación, se mencionan tres ejemplos comunes.

Detección de fraude

Un proveedor de servicios de pago recopila señales de las 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 la antigüedad de la cuenta. Estas señales se introducen en un modelo entrenado con cientos de millones (o miles de millones) de transacciones históricas, incluidos los casos confirmados de fraude. Luego, el modelo produce una puntuación de riesgo. Un motor de decisiones usa esa puntuación para determinar si se debe aprobar la transacción, rechazarla o enrutarla para su revisión manual, por lo general dentro del período 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 transacciones bancarias y el comportamiento del prestatario durante el proceso de la solicitud. Los modelos como las redes neuronales estiman la probabilidad de que un prestatario incurra en la falta de pago. Esa predicción informa la aprobación del préstamo y los precios.

LLM

Los LLM se pueden usar para automatizar los flujos de trabajo que involucran leer o escribir texto. En los servicios financieros, pueden ayudar con el análisis de documentos (solicitudes de préstamos, reclamos de seguros y presentaciones regulatorias), el soporte al cliente y la investigación interna. Debido a que los resultados de los LLM se basan en la probabilidad y son difíciles de auditar, crean nuevos desafíos en entornos regulados donde la interpretabilidad y la rendición de cuentas son necesarias.

¿Por qué la IA está transformando los servicios financieros?

El sector de los servicios financieros se adapta bien al proceso de machine learning porque combina grandes conjuntos de datos con un flujo constante de decisiones. A continuación, se presenta un análisis más detallado de los aspectos del sector que lo hacen adecuado para las mejoras de la IA:

• Densidad de datos: los bancos, los prestamistas y las redes de pago procesan enormes volúmenes de transacciones, historiales de cuentas y datos del 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 decisiones pequeñas todos los días, ya sea para aprobar transacciones, evaluar préstamos, enrutar reclamos o monitorear la actividad. Incluso las pequeñas mejoras en la precisión de las decisiones se combinan rápidamente en ahorros de costos y aumentos de ingresos.

• Eficiencia: históricamente, los procesos como la evaluación de riesgos hipotecarios y la revisión de reclamos han requerido un extenso trabajo manual. Los flujos de trabajo asistidos por IA pueden reducir los costos de mano de obra y los tiempos de respuesta.

• Prevención de fraude: los mejores modelos ayudan a reducir los falsos positivos (es decir, se registran menos rechazos de transacciones legítimas) y los falsos negativos (es decir, se generan menos aprobaciones de transacciones fraudulentas). Cada mejora afecta de forma directa los ingresos, los costos de la empresa 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 cual permite la automatización en áreas que antes requerían el criterio humano.

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

En todo el sector de fintech, la IA tiende a concentrarse en unos pocos dominios donde los grandes conjuntos de datos y los altos volúmenes de decisiones hacen que la automatización sea particularmente valiosa. Estos son algunos de los casos de uso principales:

Crédito y evaluación de riesgos

La puntuación crediticia tradicional depende en gran medida de los datos de las agencias, lo cual excluye a las personas que son «invisibles para el crédito» y desatiende a otras con expedientes crediticios escasos. Los modelos de IA entrenados con datos alternativos, como los patrones de transacciones bancarias, los pagos de alquileres y los registros de nóminas, pueden ampliar el acceso al crédito y, al mismo tiempo, mantener predicciones de riesgos precisas.

Prevención de fraude

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

Operaciones con clientes y soporte

Los asistentes con tecnología de LLM pueden manejar muchas interacciones rutinarias de los clientes, como preguntas sobre la cuenta, disputas de transacciones y orientación para el onboarding. Los sistemas eficaces automatizan las solicitudes sencillas y derivan los casos difíciles o confidenciales a los agentes humanos.

Cumplimiento de la normativa

El monitoreo de la prevención del blanqueo de capitales (AML) genera una gran cantidad de alertas, muchas de las cuales son falsos positivos. Los modelos de machine learning pueden ayudar a distinguir la actividad sospechosa genuina del comportamiento inusual, pero legítimo, lo que disminuye las cargas de trabajo de investigación. La IA también puede acelerar los procesos de Conozca a su cliente (KYC) mediante la extracción de datos de identidad de los documentos.

Análisis de mercado y gestión de riesgos

La IA amplía las funcionalidades de los modelos cuantitativos mediante el análisis de información no estructurada, como las conferencias sobre las ganancias, las noticias, las imágenes satelitales y los datos de transacciones agregados. Esto puede proporcionar señales adicionales para el trading y el monitoreo de riesgos.

¿Cómo se aplica la IA a los pagos, la prevención de fraude y la gestión de riesgos?

Los pagos, la prevención de fraude y la gestión de riesgos son algunos de los aspectos más laboriosos y trascendentales de los servicios financieros. La infraestructura de pagos impone algunos de los requisitos en tiempo real más estrictos a los sistemas de IA, y el fraude es el costo más inmediato de una mala decisión.

A continuación, se incluyen los puntos que las empresas deben tener en cuenta cuando utilizan la IA para resolver problemas relacionados con los pagos, el fraude y los riesgos.

Pagos y fraude

Los modelos de fraude que impulsan las decisiones de autorización de las transacciones deben ser rápidos y precisos. El rechazo de compras legítimas puede frustrar a los clientes, mientras que el fraude no detectado podría generar pérdidas financieras directas. Existen herramientas como Stripe Radar que usan modelos de machine learning entrenados con datos de transacciones en amplias redes para evaluar la puntuación de riesgo de fraude de cada transacción. Esto expone a los modelos a patrones de fraude que ninguna empresa podría observar por sí sola. Sus señales pueden ayudar a detectar una banda de estafadores que ataca a una empresa en una red antes de que la situación escale. Las empresas pueden personalizar el comportamiento de estas herramientas con sus propias reglas, además del modelo subyacente, el cual se actualiza de forma continua a medida que surgen nuevos patrones de fraude.

Crédito y gestión de riesgos

Los resultados crediticios dependen de las condiciones económicas cambiantes, los eventos de la vida del prestatario y la incertidumbre inherente. La IA no elimina esa incertidumbre, pero puede extraer señales más predictivas de los datos disponibles. Esto permite fijar los precios del riesgo de manera más precisa. Sin embargo, dado que los modelos de crédito aprenden de los datos históricos, pueden reproducir los sesgos existentes si no se controlan. Una implementación responsable requiere pruebas de equidad, selección cuidadosa de funcionalidades y monitoreo continuo para garantizar que los modelos no perjudiquen sistemáticamente a los grupos protegidos.

¿Cuáles son las consideraciones sobre los datos, la seguridad y la normativa para la IA en los servicios financieros?

La IA de los servicios financieros conecta varios regímenes y restricciones del cumplimiento de la normativa que se superponen. La implementación y el cumplimiento de la normativa requerirán un conocimiento profundo de cómo encajan estas piezas entre sí.

Ten en cuenta lo siguiente:

• Privacidad y residencia de los datos: los datos financieros son altamente confidenciales. Las normativas como el Reglamento General de Protección de Datos (RGPD) del EEE otorgan a las personas derechos relacionados con la toma de decisiones automatizada, lo que crea obligaciones de interpretabilidad y transparencia para las decisiones de crédito o seguros impulsadas por la IA. Varios estados de EE. UU. tienen sus propias leyes de privacidad con requisitos específicos.

• Interpretabilidad del modelo: las entidades reguladoras financieras a menudo exigen a los prestamistas que expliquen las decisiones adversas a los solicitantes. Esto es sencillo con un sistema basado en reglas, pero es más difícil con los modelos de machine learning multifacéticos.

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

• Seguridad y riesgo adverso: los sistemas de machine learning introducen nuevas superficies de ataque. Los actores fraudulentos podrían probar los modelos de detección de fraude para descubrir sus debilidades, mientras que otros podrían extraer información de los modelos entrenados. La protección de la infraestructura de IA forma parte de una estrategia más amplia de ciberseguridad financiera.

• Riesgo del proveedor: muchas instituciones financieras obtienen licencias de modelos de IA de proveedores externos. Una gestión de riesgos eficaz implica la comprensión de cómo se entrenaron esos modelos, cómo se monitorean y qué salvaguardas existen si fallan.

¿Tu organización está lista para adoptar la IA en los servicios financieros?

La adopción de la IA con éxito depende en gran medida de la calidad y la gobernanza de los datos de tu organización. Antes de comenzar, debes tener expectativas realistas de cómo ayudará y cómo se puede aplicar.

Estos son los pasos para la adopción:

• Comienza con los datos: mejora tu infraestructura de datos. Los sistemas de IA son tan confiables como los datos con los que se entrenan. Las transacciones mal etiquetadas, los registros de clientes fragmentados o las decisiones históricas sesgadas producirán modelos defectuosos.

• Establece la gobernanza: debes definir una titularidad clara para el rendimiento y la supervisión del modelo. Los equipos deben saber quién monitorea la desviación del modelo, evalúa la equidad y responde cuando los sistemas se comportan de manera inesperada.

• Decide si crearás o comprarás: la creación de modelos propios tiene sentido si una empresa cuenta con datos únicos o necesidades especializadas. La compra o la obtención de licencias de modelos suele ser una opción más rápida si el problema es común y se comprende bien.

• Prueba primero con un caso de uso específico: en lugar de intentar una transformación integral de IA, puedes comenzar con un proceso de decisión de gran volumen para el que tengas datos históricos y métricas de éxito claros. La ejecución de 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, inclusive Radar para el fraude y las señales de datos disponibles a través de la interfaz de programación de aplicaciones (API) de Stripe, brinda a las empresas un punto de partida que no requiere crear todo desde cero. Cada organización debe decidir dónde se aplicará la IA, y cómo se gobernará y monitoreará, pero este tipo de herramienta puede manejar los pagos y los casos de fraude.

Cómo puede ayudar 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.

Con Stripe Payments, puedes hacer lo siguiente:

• Optimizar tu experiencia de confirmación de compra: crea una experiencia de cliente sin problemas y ahorra miles de horas de ingeniería con interfaces de usuario (IU) de pago previamente diseñadas, acceso a más de 125 métodos de pago y a Link, una cartera creada por Stripe.

• Llegar a nuevos mercados más rápido: conéctate con clientes de todo el mundo y reduce la complejidad y el costo de la gestión de múltiples monedas con opciones de pago transfronterizas, disponibles en 195 países en más de 135 monedas.

• Unificar los pagos en persona y en línea: crea una experiencia de comercio unificado en todos los canales, tanto en línea como en persona, para personalizar las interacciones, recompensar la lealtad y aumentar los ingresos.

• Mejorar el rendimiento de los pagos: aumenta los ingresos con una gama de herramientas de pago personalizables y que no requieren programación, que incluyen protección contra fraudes y que no requieren programación y funcionalidades avanzadas para mejorar las tasas de autorización.

• Avanzar más rápido con una plataforma flexible y confiable para el crecimiento: desarrolla tu negocio a partir de una plataforma diseñada para crecer contigo, con un tiempo de actividad histórico del 99.999 % y una confiabilidad líder en el sector.

Obtén más información sobre cómo Stripe Payments puede impulsar tus pagos en línea y en persona, o empieza hoy mismo.