La inteligencia artificial en finanzas se usa sobre todo en cuatro frentes: detección de fraude, análisis de riesgo de crédito, atención al cliente y cumplimiento normativo. Es una tecnología de coste y control, más que de promesas: reduce trabajo manual y errores, pero exige supervisión humana y cumplir normas estrictas. Esta guía traduce esos usos a decisiones de negocio, explica la regulación aplicable y señala los riesgos que más se subestiman.
¿Para qué usan la IA los bancos y las fintech hoy?
La mayoría de los casos reales no son sistemas «inteligentes» de aspecto futurista. Son modelos de machine learning que puntúan transacciones, clientes o documentos, y asistentes basados en modelos de lenguaje que leen y redactan texto.
El valor para el negocio llega por tres vías: menos pérdidas (fraude, impagos), menos horas de trabajo repetitivo (atención, revisión documental) y respuestas más rápidas al cliente. La tabla resume los usos principales y sus límites.
| Uso | Técnica habitual | Ventaja principal | Límite principal |
|---|---|---|---|
| Fraude en pagos y tarjetas | Modelos supervisados y detección de anomalías | Decisión en tiempo real sobre cada operación | Falsas alertas y fraude que cambia de patrón |
| Riesgo de crédito | Modelos estadísticos y de machine learning sobre datos del solicitante | Evaluación más fina y más rápida de solicitudes | Sesgos, opacidad y obligación de explicar decisiones |
| Atención al cliente | Asistentes conversacionales y modelos de lenguaje | Resuelve consultas frecuentes a cualquier hora | Respuestas incorrectas y riesgo de dar información engañosa |
| Cumplimiento (AML, KYC) | Procesamiento de lenguaje natural, análisis de redes de relaciones | Menos revisión manual de alertas y documentos | Muchos falsos positivos y necesidad de trazabilidad |
| Operaciones internas | Extracción de datos de documentos, resumen de textos | Ahorro de tiempo en tareas administrativas | Errores de lectura que requieren validación humana |
La IA también se usa en gestión de carteras y trading algorítmico. Este análisis no cubre ese terreno ni ofrece recomendaciones de inversión: se centra en la operativa y el control de las entidades.
¿Cómo detecta fraude la IA y cuánto cuesta equivocarse?
Un modelo antifraude asigna a cada operación una puntuación de riesgo. Por encima de un umbral, la operación se bloquea o pasa a revisión. Elegir ese umbral es una decisión de negocio, no técnica.
Si el umbral es bajo, se frena más fraude, pero se molesta a clientes legítimos y se satura al equipo de revisión. Si es alto, ocurre lo contrario. Un cálculo con supuestos ilustrativos lo muestra.
Caso resuelto: el coste del umbral
Supuestos inventados para el ejemplo, no datos de ninguna entidad: 1.000.000 de operaciones al mes, con un 0,1 % de fraude real (1.000 operaciones). Cada alerta cuesta 6 minutos de revisión manual.
- Umbral estricto. El modelo detecta el 80 % del fraude: 800 casos, y se escapan 200. Además marca como sospechoso el 0,5 % de las 999.000 operaciones legítimas: unas 4.995 falsas alertas.
- Carga de trabajo. Hay 5.795 alertas en total. Solo 800 son fraude real, es decir, una precisión de alrededor del 13,8 %. Revisarlas supone unas 580 horas al mes.
- Umbral más laxo. Se detecta el 70 %: 700 casos, y se escapan 300. Las falsas alertas bajan al 0,25 %, unas 2.498. Hay 3.198 alertas y unas 320 horas de revisión.
- Decisión. Pasar al segundo umbral ahorra unas 260 horas mensuales, pero deja escapar 100 fraudes más. La pregunta es si el importe medio de esos 100 fraudes supera el coste de esas horas y de la fricción con clientes.
Este es el tipo de cálculo que hay que exigir a cualquier proveedor: no solo «porcentaje de detección», sino alertas falsas por cada fraude real y coste de revisión.
Conviene recordar que los defraudadores se adaptan. Un modelo entrenado con patrones pasados pierde eficacia si nadie lo reentrena y lo monitoriza.
¿Cómo se usa la IA en el riesgo de crédito?
Los bancos llevan décadas puntuando solicitantes con modelos estadísticos. El machine learning añade más variables y relaciones no lineales, lo que puede mejorar la discriminación entre buenos y malos pagadores. También permite evaluar a personas con poco historial si se usan datos alternativos, como flujos de caja de una cuenta.
El reverso es doble. Primero, la opacidad: un modelo complejo puede acertar y no saber explicar por qué rechazó una solicitud. Segundo, el sesgo: variables aparentemente neutras, como el código postal, pueden actuar como sustitutos de características protegidas.
En la práctica, las entidades equilibran precisión y explicabilidad. Muchas mantienen modelos más simples para decisiones que afectan directamente al cliente o usan técnicas de explicación para justificar cada resultado. El RGPD, además, da derechos al afectado frente a decisiones exclusivamente automatizadas, como se explica más abajo.
¿Qué aportan los modelos de lenguaje a la atención al cliente y al cumplimiento?
Aquí el cambio reciente es el procesamiento de lenguaje natural con modelos generativos. En atención al cliente, permiten asistentes que entienden consultas formuladas con libertad. Si quieres ver cómo se monta uno, tienes una guía para crear un asistente virtual.
En finanzas, un asistente debe limitarse a información verificada de la entidad. Si inventa una comisión o una condición, el problema es de reclamación y de conducta con el cliente, no solo de imagen.
En cumplimiento, los usos más maduros son resumir circulares y normativa, clasificar documentos y preparar borradores de informes que luego revisa una persona. Un ejemplo de prompt para el equipo de cumplimiento:
Actúa como analista de cumplimiento normativo. Resume el texto siguiente en un máximo de 150 palabras para un comité interno.
Estructura la respuesta en tres apartados: (1) qué obligaciones nuevas establece, (2) a qué áreas de la entidad afecta, (3) dudas que requieren consulta jurídica.
No añadas información que no esté en el texto. Si algo no está claro, indícalo.
Texto:
[pegar aquí el texto de la circular, sin datos de clientes]Resultado esperado: un resumen en tres bloques, con las obligaciones listadas, las áreas afectadas y una lista de dudas abiertas. Es un borrador para ahorrar la primera lectura. La validación jurídica sigue siendo humana.
Regla básica: no se pegan datos personales de clientes en herramientas públicas. Para refinar instrucciones como la anterior, sirve la guía de prompt engineering.
¿Qué regulación aplica a la IA en finanzas?
No existe una única norma de «IA financiera». Se superponen varias capas, y la entidad debe cumplirlas todas.
- Reglamento europeo de IA. El Reglamento (UE) 2024/1689 clasifica los sistemas por riesgo. Entre los de alto riesgo figuran los que evalúan la solvencia de personas físicas o fijan su puntuación de crédito. Los sistemas destinados a detectar fraude financiero quedan expresamente fuera de esa categoría. Los plazos de aplicación son escalonados, así que conviene comprobar el calendario vigente. Tienes un resumen en nuestra página sobre el reglamento europeo de inteligencia artificial.
- Protección de datos. El RGPD regula las decisiones basadas únicamente en tratamiento automatizado con efectos significativos. El afectado puede pedir intervención humana, expresar su punto de vista e impugnar la decisión. La justicia europea ha considerado que ciertas puntuaciones de solvencia pueden constituir por sí mismas esa decisión automatizada.
- Resiliencia digital. El Reglamento DORA, aplicable desde enero de 2025, exige gestionar el riesgo de las tecnologías de la información. Esto incluye la dependencia de proveedores externos, como quien suministra el modelo de IA.
- Supervisión sectorial. Autoridades como la Autoridad Bancaria Europea y los supervisores nacionales publican criterios sobre gobierno de modelos, datos y riesgo de crédito.
En Latinoamérica el panorama es heterogéneo. Cada país combina su ley de protección de datos con normas de su superintendencia o banco central, y varios debaten marcos específicos de IA. Si una entidad opera o vende servicios en la UE, el reglamento europeo puede alcanzarla igualmente. Más contexto en la sección de ética y regulación.
Esto es información general y no sustituye el asesoramiento jurídico de cada caso.
¿Qué riesgos tiene y por dónde conviene empezar?
Los riesgos que más aparecen en las revisiones internas de las entidades se repiten:
- Sesgo y discriminación. Un modelo de crédito puede perjudicar a ciertos colectivos sin que nadie lo haya programado así.
- Falta de explicabilidad. Si no puedes justificar una denegación, incumples derechos del cliente y tienes un problema ante el supervisor.
- Deriva del modelo. Cambian los clientes, la economía o el fraude, y el modelo envejece sin hacer ruido.
- Alucinaciones. Un asistente generativo puede afirmar con seguridad algo falso sobre un producto o una condición.
- Privacidad y fuga de datos. Usar herramientas externas sin control puede exponer información de clientes.
- Dependencia de terceros. Si un proveedor falla o cambia sus condiciones, la entidad queda expuesta.
- Ciberseguridad. La IA también la usan los atacantes, por ejemplo para suplantar voces o redactar mensajes de phishing más creíbles.
El control razonable es siempre el mismo: inventario de modelos, responsable asignado, pruebas antes de poner en producción, monitorización continua y una persona con capacidad real de revisar y corregir. Una pyme financiera o una gestoría puede empezar con este enfoque de IA para pymes.
Si quieres reducir costes sin asumir riesgo regulatorio, empieza por un caso interno y de bajo riesgo, como resumir normativa o clasificar documentos. Mide primero el tiempo ahorrado y la tasa de errores con revisión humana. Deja el crédito y la atención directa al cliente para cuando tengas gobierno de datos y trazabilidad.
Preguntas frecuentes
¿La IA puede aprobar o rechazar un crédito sin intervención humana?
Técnicamente sí, pero en la UE hay límites. El RGPD da derecho a pedir intervención humana en decisiones exclusivamente automatizadas con efectos significativos, y el reglamento de IA trata la evaluación de solvencia como alto riesgo. Cada caso requiere revisión jurídica.
¿Un chatbot bancario puede dar consejos de inversión?
El asesoramiento financiero está regulado y exige requisitos específicos de la entidad y de quien lo presta. Un asistente de atención debe limitarse a información de producto y operativa, y derivar a un profesional cuando corresponda.
¿La IA elimina los empleos en banca?
No hay una respuesta única y no conviene fiarse de cifras sin fuente. Lo observable es que se automatizan tareas repetitivas, como revisión de alertas o documentos, y cambia el perfil del trabajo hacia supervisión, análisis y gestión de excepciones.
¿Qué diferencia hay entre un modelo antifraude y un asistente generativo?
El primero puntúa operaciones con datos estructurados y suele ser muy específico para esa tarea. El segundo genera texto a partir de instrucciones y sirve para lenguaje, no para decidir por sí solo si una transacción es fraudulenta. Ambos se auditan de forma distinta.
