Blog

IA en banca y finanzas en LATAM: qué funciona, qué falla y por qué

F
Fernando SosaCEO & Founder, Glú
·1 de julio de 2025·11 min de lectura

El problema de la IA en banca latinoamericana no es tecnológico. Es de integración. Los modelos disponibles hoy — para detección de fraude, automatización de KYC, scoring crediticio — son lo suficientemente buenos para producción. El problema es que tienen que integrarse con un core bancario que en muchos casos lleva 20 o 30 años en producción, sin APIs modernas, con datos en formatos propietarios y con un equipo de tecnología que tiene una cola de proyectos de mantenimiento antes de hablar de innovación.

Este artículo no es optimista ni pesimista sobre la IA en banca. Es específico. Qué casos tienen tracción real hoy, qué barreras frenan el escalamiento, y por qué la mayoría de los pilotos de IA en instituciones financieras de LATAM no llegan a producción en el plazo que se planificó.

Los cinco casos de uso con tracción real en banca LATAM

1. KYC y onboarding digital

La verificación de identidad con IA — validación biométrica, cotejo de documentos, validación contra listas negras — es el caso de uso de IA más adoptado en banca latinoamericana, y con razón: el impacto es medible inmediatamente, el benchmark de comparación (el proceso manual) es conocido, y el problema regulatorio está parcialmente resuelto porque varios reguladores de la región ya emitieron criterios para el uso de IA en KYC. En México, la CNBV actualizó sus disposiciones para permitir el onboarding 100% digital en 2020. En Colombia y Chile hubo actualizaciones similares.

Los tiempos de onboarding que se reportan en producción varían entre 3 y 7 minutos para casos sin excepción, vs. 2 a 5 días hábiles del proceso manual. La tasa de falsos positivos en verificación biométrica — personas reales rechazadas por el sistema — es el KPI crítico: los sistemas mal calibrados tienen tasas del 5-8%, lo que genera fricción y abandono. Los sistemas bien calibrados para el perfil demográfico específico (iluminación, calidad de cámara de gama media, rangos de edad del segmento objetivo) llegan a tasas menores al 1%.

2. Gestión de cobranza

Los modelos de propensión al pago — que predicen qué clientes tienen mayor probabilidad de pagar si se les contacta hoy, a qué hora, por qué canal y con qué oferta — están funcionando en producción en varias instituciones de la región. El impacto típico documentado en proyectos de esta naturaleza es una mejora de entre el 15% y el 35% en la tasa de recuperación temprana (días 1-30 de mora) sin aumentar el volumen de llamadas, simplemente priorizando mejor al equipo de cobranza.

El prerrequisito es un historial de cobranza de al menos 18 a 24 meses con los datos de contacto y el resultado de cada gestión correctamente etiquetados. Muchos bancos tienen el dato pero no lo tienen estructurado de forma útil para el entrenamiento — está en el sistema de gestión de cobranza en formatos que requieren trabajo de extracción y limpieza antes de poder usarlos.

3. Detección de fraude transaccional

Este es el caso de uso de IA más maduro en banca a nivel global, y LATAM no es la excepción. Los modelos de detección de fraude en tiempo real — que analizan cada transacción contra el patrón histórico del cliente y contra patrones de fraude conocidos — están en producción en la mayoría de los bancos grandes de la región hace más de cinco años. El diferencial competitivo ya no está en tener un modelo de detección, sino en la precisión del modelo: la tasa de falsos positivos (transacciones legítimas bloqueadas) tiene un costo directo en satisfacción del cliente y en costos de atención.

Para los bancos medianos y las fintechs que están implementando detección de fraude por primera vez, el principal desafío es el cold start: el modelo necesita suficiente historial de fraudes confirmados para aprender los patrones. En carteras nuevas con menos de 12 meses de historia, los modelos genéricos entrenados en datos de industria tienen mejor desempeño inicial que los modelos entrenados solo en datos propios.

4. Atención al cliente y copilots para agentes

Hay dos tipos de proyecto en esta categoría que merecen separarse: los chatbots de autoservicio para el cliente final, y los copilots para el agente humano de atención. Los primeros tienen una historia mixta en la región — hay muchos casos de chatbots que resolvían el 30-40% de las consultas y generaban fricción en el resto. Los segundos — los copilots que le muestran al agente la información relevante del cliente y le sugieren la respuesta correcta en tiempo real — están teniendo tracción mucho más consistente, con mejoras de 20-45% en el tiempo de resolución de casos.

La razón de la diferencia es arquitectural: el chatbot tiene que entender la intención del cliente, acceder al sistema correcto, formular la respuesta y manejar la excepción — todo sin supervisión humana. El copilot asiste a un agente que ya entendió la intención: solo tiene que mostrar los datos correctos y la respuesta sugerida más rápido que si el agente la buscara manualmente. El segundo problema es significativamente más fácil.

5. Originación y scoring crediticio

Los modelos de scoring crediticio con variables alternativas — comportamiento de pago de servicios, patrones de consumo, datos de telco — están expandiendo el acceso al crédito en segmentos sin historial bancario formal. En México, Colombia y Brasil hay fintechs que originan crédito con tasas de aprobación del 40-60% en segmentos que los bancos tradicionales rechazaban sistemáticamente, con tasas de morosidad comparables a las de segmentos bancarizados tradicionales.

El riesgo regulatorio en esta área está aumentando: los reguladores de la región están revisando el uso de variables alternativas para asegurarse de que no generan discriminación indirecta. La regla práctica es documentar y ser capaz de explicar por qué cada variable se usa y cómo contribuye al scoring — lo que técnicamente se llama explicabilidad del modelo — antes de llegar a una conversación con el regulador.

El muro del compliance: SOC 2, LFPDPPP y regulación sectorial

El compliance no es la razón por la que los proyectos de IA en banca fallan — pero sí es la razón por la que toman el doble de tiempo de lo previsto. En México, cualquier sistema que procesa datos personales de clientes de una institución financiera tiene que cumplir con la LFPDPPP (Ley Federal de Protección de Datos Personales en Posesión de los Particulares) y con las disposiciones específicas de la CNBV. El uso de proveedores de IA en la nube — especialmente proveedores internacionales — activa preguntas de residencia de datos que no siempre tienen respuesta clara.

En la práctica, esto significa que los proyectos de IA en banca necesitan una revisión legal y de compliance antes de llegar a la fase técnica, no después. Los proyectos que hacen la revisión al final — cuando ya hay un proveedor seleccionado, un contrato firmado y una demo funcionando — descubren en el último mes que el modelo de procesamiento de datos del proveedor no cumple con el requisito de residencia de datos o que la arquitectura de logging no tiene las garantías de auditoría que exige la regulación. Rehacer esas decisiones técnicas tiene un costo alto.

El problema del core bancario legacy

La mayoría de los bancos medianos y grandes de LATAM corren sobre cores bancarios que tienen entre 15 y 35 años de antigüedad: Finacle, Temenos T24, Profile, Cobis, o sistemas propietarios desarrollados internamente. Estos sistemas tienen capacidades transaccionales probadas y en muchos casos no tienen APIs REST modernas, o las tienen de forma parcial, o el acceso a las APIs está gobernado por un equipo de tecnología con una cola de integraciones de 18 meses.

Esto significa que el sistema de IA que calcula el score crediticio en tiempo real necesita esperar a que el core bancario le responda con los datos históricos del cliente — y si el core tarda 800 milisegundos en responder una consulta de historial, el proceso de originación en tiempo real tiene ese cuello de botella, independientemente de qué tan rápido sea el modelo. Los proyectos que no mapean las latencias del core bancario antes de diseñar la arquitectura de IA terminan con sistemas que no pueden cumplir sus promesas de velocidad.

La regla de oro en IA para banca: haz el mapa de integración de sistemas antes de elegir el modelo. El cuello de botella casi nunca es la IA.

Por qué los pilotos no escalan: el problema de siempre

La razón más común por la que un piloto de IA en banca que funcionó bien no escala a producción completa no es técnica: es de gobernanza. El piloto fue aprobado y financiado por un área de innovación o una dirección de transformación digital. Cuando llega el momento de escalar, el sistema tiene que integrarse con los procesos del área de operaciones, que tiene sus propios KPIs, su propia metodología de control, y ninguna razón particular para cambiar cómo trabaja porque el área de innovación tiene un modelo que funciona bien en condiciones de laboratorio.

Escalar un piloto de IA en una institución financiera requiere un mandato ejecutivo claro — alguien con presupuesto y autoridad sobre los dos departamentos involucrados — y un proceso de transferencia de operación que el área receptora haya validado y aceptado formalmente. Sin esto, el piloto vive en su propio entorno de prueba indefinidamente, exitoso en sus propios métricas y sin impacto en el negocio.

Próximo paso

¿Cuál es el estado real de IA en tu empresa?

En 4 minutos, el diagnóstico de Glú identifica las brechas concretas que frenan la adopción de IA en tu operación y te dice cuál es la siguiente acción. Sin formularios de ventas — el resultado es inmediato.

Hacer el diagnóstico IA

Agenda 30 minutos. Sin compromiso.

Convertimos la IA en resultados reales: crecimiento sin contratar más, decisiones más rápidas y costos operativos más bajos.