UNIVERSIDAD NACIONAL MAYOR

DE SAN MARCOS

FACULTAD DE CIENCIAS CONTABLES

TEMA: INTELIGENCIA ARTIFICIAL EN EL SISTEMA

FINANCIERO NACIONAL

CURSO: INCLUSIÓN FINANCIERA

GRUPO 5: TAMN

INTEGRANTES:
 JORGE LUIS GARCÍA SAAVEDRA.
 LEIDY JULIANA HERRERA BAYLÓN.
 BRENDA ESTEFANY ORDOÑEZ TRIVEÑO.
 ANTONY JEAN PIERRE DOMINGUEZ DOMINGUEZ.

MAGISTER: CARLOS MENDOZA TORRES

2023 - I
Índice

INTRODUCCIÓN...........................................................................................................................................2
Capítulo I: Inteligencia Artificial.....................................................................................................................3
1.1. Historia de la Inteligencia Artificial................................................................................................3
1.2. Entendiendo la Inteligencia Artificial. Técnicas y herramientas específicas de IA........................5
1.3. Beneficios derivados de la inteligencia artificial...........................................................................10
1.4. Principales limitaciones.................................................................................................................12
1.5. Retos para las autoridades financieras...........................................................................................13
Capitulo II: Sistema Financiero.....................................................................................................................14
2.1. Definición de sistema Financiero......................................................................................................14
2.1. Evolución del Sistema Financiero.................................................................................................14
2.2. Definición de sistema Financiero Peruano....................................................................................15
2.3. Contextualización del Sistema Financiero del Perú......................................................................16
2.4. Características del Sistema Financiero en el Perú.........................................................................18
2.5. ¿Quién regula el Sistema Financiero?...........................................................................................18
2.6. Beneficios del Sistema Financiero.................................................................................................19
2.7. Importancia del Sistema Financiero..............................................................................................19
2.8. Estructura del Sistema Financiero Nacional..................................................................................20
................................................................................................................................................................20
2.9. Disrupción tecnológica en el sistema financiero...........................................................................21
2.10. Enfoques de la disrupción tecnológica en el sistema financiero (nivel estratégico, operativo,
experiencia del cliente)..................................................................................................................21
2.11. Ejemplos actuales de disrupciones tecnológicas asociadas al sistema financiero.........................22
Capítulo III: Aplicación de la Inteligencia Artificial en el Sistema Financiero............................................25
3.1. Inteligencia artificial aplicada a la recuperación de cuentas morosas...........................................25
3.2. Uso de la inteligencia artificial en la gestión de riesgos................................................................29
3.3. Cómo la Inteligencia Artificial filtrará mayor información en las centrales de riesgo..................29
3.4. Cómo la Inteligencia Artificial mejorará la oferta y la demanda en el Sistema Financiero
Nacional.........................................................................................................................................30
3.5. ¿Cómo la Inteligencia Artificial apoyaría al Sistema Financiero en el análisis del riesgo de
cartera de clientes?.........................................................................................................................32

1
INTRODUCCIÓN

La inteligencia artificial está transformando la forma de vida en la que vivimos. En el pasado se pensó
que la llegada de la inteligencia a la maquinaria y que los softwares sean capaces de realizar tareas
específicas faltaba mucho; sin embargo, ahora es posible ver que ya estamos en esa transició n de la
inteligencia artificial en la vida cotidiana e incluso en los servicios financieros

La inteligencia artificial se está utilizando con éxito en diversos campos de la actualidad, tales como el
turismo dado que ayuda a optimizar promociones y precios, ademá s de prevenir el fraude en estas
transacciones. Por otro lado, los algoritmos de la inteligencia artificial realizan bú squeda avanzada de lo
que nos podría interesar o estemos buscando y nos envía ofertas personalizadas de acuerdo con fechas,
rutas y costos. La IA también nos es muy ú til en el transporte como el estacionamiento automá tico, esto
facilita una conducció n segura y preventiva. La IA se puede ver en la medicina, incluso realizando
cirugías con robots, consultas personalizadas con enfermeras virtuales y monitoreo constante de
pacientes para proveer el mejor cuidado.

Los servicios financieros es el nuevo campo en la que la IA ha podido generar una mejoría y apoyo en la
sociedad, estas son utilizadas por instituciones tradicionales como por Fintech. Por ejemplo, la IA ofrece
una evaluació n má s rá pida y acertada de potenciales clientes para otorgar créditos. Esto ayuda a los
agentes superavitarios a distinguir entre los clientes un alto riesgo o bajo riesgos. Al ser evaluaciones
objetivas existe mayor detalle al tomar decisiones. Las empresas de crédito empresarial de Estados
Unidos han reportado excelentes resultados gracias al uso de esta herramienta. Por ejemplo, de acuerdo
con la compañ ía Emerj, 40% de las empresas que usan inteligencia artificial para financiamiento y
préstamos obtuvieron una puntuació n superior a 3 (de 4 puntos), en su puntuació n de evidencia de
retorno de inversió n. Lo que indica un ecosistema de proveedores má s só lido. La IA en los servicios
financieros de inversió n han sido manejadas con datos que han incrementado el rendimiento en los
ú ltimos 5 añ os, esto es al llamado algoritmo cuantitativo de alta frecuencia de inversió n.

Con el uso de la IA en los servicios financieros se espera tener predicciones para otorgar y dar
seguimiento a créditos, identificar fraudes, poder invertir en el mercado de capitales, entre otros. Todo
tipo de asistentes y apps continuará n desarrollá ndose y fortaleciéndose para ofrecer una administració n
en finanzas personal má s fá cil. Se pueden realizar tareas como pagar cuentas y preparar la declaració n
de impuesto de manera automá tica.
Podemos ver diferentes aplicaciones y beneficios de la IA difíciles de ignorar. De acuerdo con Forbes,
65% de los expertos en administració n de finanzas esperan cambios positivos del uso de la IA en
servicios financieros.

2
Capítulo I: Inteligencia Artificial.

1.1. Historia de la Inteligencia Artificial.

Aunque oficialmente se considera el nacimiento del concepto de IA en la conferencia de la universidad
de Darmouth de 1956, donde los científicos Marvin L. Minsky, John McCarthy y Claude Shannon
reunieron a expertos en teoría de la informació n, redes neuronales, computació n, abstracció n y
creatividad para discutir si ‘cada uno de los aspectos del aprendizaje o de cualquier otra característica
de la inteligencia puede ser descrita con tanta precisió n que una maquina puede ser construida para
simularla’, tal y como proponían en su presentació n, para muchos profesionales del sector realmente
nace con Alan Turing y la publicació n del artículo ‘Computing Machinery and Intelligence’, donde
desarrolló su famoso test de Turing.

Después de descifrar la má quina Enigma durante la Segunda Guerra Mundial y sentar las bases de la
informá tica actual, en dicho artículo de 1950, Turing especulaba sobre la posibilidad de crear má quinas
que pensaran, y desarrolló una prueba en la que aseguraba que si una má quina pudiera mantener una
conversació n (en aquel entonces a través de un teleprinter) que fuera indistinguible de una
conversació n con un ser humano, entonces sería razonable decir que la má quina estaba pensando.

FIGURA 34: ALAN TURING

En 1961, Marvin Minsky publica el artículo ‘Steps toward Artificial Intelligence’, en el cual recoge los
primeros pasos del nuevo campo de investigació n, sirviendo de inspiració n a otros investigadores e
impulsando nuevas iniciativas.

En 1966 se desarrolla en el MIT uno de los primeros programas en procesar lenguaje natural y
conversar a través de una serie de frases pre-programadas, ELIZA. Funcionaba buscando palabras clave
en la frase escrita por el usuario y respondía con una frase modelo registrada en su base de datos.

Estos primeros añ os de desarrollo de la tecnología fueron añ os en los que se hicieron grandes avances
que provocaban el asombro en la gente. Ver má quinas resolviendo problemas de á lgebra, probando
teoremas de geometría o aprendiendo a hablar inglés, eran cosas nunca antes vistas hasta ahora, má s
propias de los libros de Isaac Asimov (en 1950 publicó ‘Yo, robot’, en el que incluyó sus tres leyes de la
robó tico, diseñ adas para evitar que estas creaciones se vuelvan contra la humanidad). Pero en 1972, y
ante el ralentizamiento de los avances hacia una má quina completamente inteligente, el filó sofo
estadounidense Hubert Dreyfus publica ‘Lo que no pueden hacer los ordenadores’, que actú a como
revulsivo del entusiasmo inicial. Comienzan a aflorar las críticas y se pierde el interés por estos temas,
tanto por parte del pú blico como de los inversores. Comienza el primer invierno de la inteligencia
artificial.

En 1979 un profesor de la universidad Carnegie Mellon de Estados Unidos, crea un programa

informá tico que vence al backgammon al entonces campeó n olímpico mundial, Luigi Vila. Esta victoria
impulsa nuevos proyectos, para juegos má s complejos y comienza un segundo boom, provocando que
las empresas de todo el mundo empezará n a instalar lo que se conoce como un programa experto, que

3
respondía preguntas y resolvía problemas sobre algú n tema específico. Especial hincapié hace Japó n, que
en 1981 comienza el proyecto llamado ‘Quinta generació n’, e invierte grandes cantidades de dinero en el
desarrollo de una nueva generació n de ordenadores que utilizasen técnicas de inteligencia artificial, y
que fueran capaces de aprender y traducir

4
automá ticamente de un idioma a otro, interpretar dibujos y razonar como seres humanos. Ante esto,
otros países como Reino Unido o Estados Unidos vuelven a retomar programas para dar impulso a la
inteligencia artificial.

Pero como todas las burbujas, estas explotan otra vez, por lo que a partir de 1987 vuelve a producirse un
gran descontento y resurgen las críticas, aunque en realidad se estaban produciendo avances. A este
desconcierto ayudó la terminació n del programa ‘Quinta generació n’ de Japó n, por no alcanzar los
objetivos previstos. Es lo que se conoce como el segundo invierno de la IA.

Pero los noventa y el inicio del siglo XXI pusieron de vuelta el interés, sobre todo porque se empezaron a
encontrar casos de uso satisfactorios para la industria tecnoló gica, gracias al aumento en la capacidad
computacional y de almacenamiento y a haberse centrado en resolver problemas específicos. Uno de los
momentos mediá ticos que má s alentaron el interés por la IA fue el duelo que se produjo en los añ os
1996 y 1997 entre el campeó n mundial de ajedrez, Garri Kaspá rov y el ordenador desarrollado por IBM
llamado Deep Blue. La primera partida la perdió el ordenador, pero la segunda, con una versió n
mejorada, fue para la má quina.

Ademá s, se empezaron a realizar los primeros avances en los coches autó nomos. En 2005 un coche
desarrollado por la Universidad de Stanford condujo 212 kiló metros por el desierto sin apoyo humano.

En 2011, Watson, el ordenador desarrollado también por IBM y que es uno de los productos de
referencia siempre que se habla de inteligencia artificial, gana a los campeones de un concurso de
televisió n estadounidense de preguntas y respuestas. En 2014 un programa desarrollado en Rusia,
llamado Eugene, supera con éxito el Test de Turing, haciéndose pasar por un chico de 13 añ os.

Como contrapunto, en 2016 Microsoft lanzó un chatbot llamado Tay que se diseñ ó para mantener
conversaciones en redes sociales. 24 horas después de su lanzamiento Microsoft tuvo que retirarlo y
pedir disculpas ya que el software se había vuelto racista, homó fobo y xenó fobo. Ese mismo añ o, el
programa desarrollado por Google, llamado DeepMind venció al campeó n mundial de Go, en lo que se
consideró uno de los grandes hitos del Deep Learning. Lo hizo tras aprender a jugar en menos de 24
horas.

El foco ahora está apuntado a la mejora de los asistentes por voz, donde Amazon (Alexa), Google
(Assistant) o Apple (Siri) está n invirtiendo mucho dinero para intentar conseguir cambiar el modo de
comunicarnos con nuestros aparatos electró nicos.

1.2. Entendiendo la Inteligencia Artificial. Técnicas y herramientas específicas de

IA.
Para entender mejor la Inteligencia Artificial, vamos a comprender cuá l es el propó sito que quieren
conseguir los desarrolladores de esta tecnología y vamos a ver las distintas técnicas y herramientas que
hoy en día má s está n en boga.

Segú n el artículo de PwC, llamado ‘Realidad y perspectivas de la Inteligencia Artificial en Españ a, 2018’,
el término de IA surgió en 1950 y en su acepció n má s amplia, se define como los sistemas
informá ticos que pueden percibir su entorno, pensar, aprender y actuar en respuesta a lo que detectan y
a sus objetivos. Se trata de la simulació n por parte de una má quina de un proceso mental permitiendo
tomar decisiones y realizar tareas que originalmente son propias de los seres humanos a través de
algoritmos inteligentes, los cuales son capaces de ingerir y analizar datos brutos o no estructurados para
convertirlos en informació n relevante.

5
el objetivo de la IA es conseguir que las má quinas se puedan comportar como personas humanas, y para
ello se las debe programar replicando el procesamiento del cerebro humano en los siguientes aspectos:

➢ Razonamiento: estructurar y organizar ideas para la resolució n de un problema. ¿Có mo

diagnosticar una enfermedad? ¿Có mo se resuelve un problema de á lgebra?
➢ Conocimiento: entender la vida real y sus conceptos para reconocer el entorno. ¿Qué son los objetos?
¿Qué son las personas? ¿Qué es un idioma?
➢ Navegació n y Planificació n: ser capaz de entender có mo planificar y ejecutar movimiento en un
entorno. ¿Có mo ir de A a B? ¿Qué es un trayecto? ¿Qué objetos impiden mi movimiento y có mo
sortearlos? Si hay dos trayectorias posibles, ¿có mo elijo?
➢ Procesamiento del Lenguaje Natural: transmitir a través del lenguaje mensajes para conseguir
comunicarse. ¿Có mo entender una frase? ¿Có mo estructurar una frase? ¿Có mo asignar un
sentido a una frase?
➢ Percepció n: entender el entorno a través del oído, la vista, el tacto y el olor.

La combinació n de todas esas acciones con la inteligencia emocional, la creatividad, la intuició n o la

moral, generaría una inteligencia artificial completa, e indistinguible a la de un ser humano.

6
La inteligencia artificial se puede dividir en tres grandes categorías:

Inteligencia artificial débil

Los sistemas con este tipo de inteligencia son capaces de resolver problemas muy bien definidos y
acotados. En esta categoría es donde se han conseguido los mayores avances en los ú ltimos tiempos. Sus
aplicaciones está n bien delimitidas, y resuelvan ciertos problemas de un forma ó ptima, pero no son
capaces de adaptarse a su entorno. Dentro de esta categoría es donde se englobarían el machine learning
y el deep learning.

Machine Learning

El machine learning es simplemente el uso de algoritmos para analizar datos, aprender de ellos y
después poder hacer una predicció n o sugerencia sobre algo, en vez de recibir instrucciones de
programació n explícitas. Muchos de los avances recientes en IA se han logrado aplicando machine
learning a grandes conjuntos de datos. Así, las má quinas se entrenan utilizando una gran cantidad de
datos que sirven para perfeccionar el algoritmo. Á rboles de decisió n, programació n ló gica inductiva,
clustering, o redes de Bayes son algunas de las técnicas que los programadores de data science pueden
aprovechar.

Dentro del aprendizaje al que hay que someter a una má quina, podemos ver tres grandes categorías:

➢ Aprendizaje supervisado: es cuando un algoritmo usa datos de entrenamiento y feedback

humano para aprender las relaciones que hay entre unos datos de entrada conocidos y unos
datos de salida conocidos también.
Se usa cuando sabes có mo clasificar los datos de entrada y el tipo de comportamiento que
quieres predecir, pero necesitas el algoritmo para que te lo calcule con datos de entrada nuevos.
Una persona tiene que etiquetar los datos de entrada (por ejemplo, si lo que se quiere es
predecir los precios de las casas, se pueden introducir como datos de entrada los tipos de
interés, y la época del añ o) y definir la variable de salida (en este caso, precio de las casas).

El algoritmo se entrena sobre los datos para encontrar las relaciones entre las variables de
entrada y las de salida. Una vez entrenado y conseguido que el algoritmo sea lo suficientemente
preciso, se aplica a datos de entrada nuevos, de los cuales no sabemos el resultado.

Entre los casos de uso de este método, podemos encontrar la optimizació n de precios y
estimació n de la elasticidad de los precios de los productos, la comprensió n de los factores
determinantes en las ventas, la clasificació n de clientes basada en el riesgo de impago, la
predicció n del abandono de la compañ ía por parte de los clientes, el conocimiento sobre qué
atributos de un producto hacen que mejoren las ventas de este, analizar los sentimientos que
provoca el lanzamiento de un nuevo producto, detectar actividades fraudulentas en pagos con
tarjetas de crédito, previsiones sobre la demanda de un producto o sobre el precio de un
producto en funció n de sus características.
➢ Aprendizaje sin supervisar: es cuando un algoritmo explora los datos de entrada sin que se
le proporcione ningú n dato de salida explícito (por ej., un algoritmo que explore los datos
demográ ficos de los clientes de una empresa, para identificar patrones). Este tipo de
aprendizaje es ú til cuando no se sabe có mo clasificar los datos, y el algoritmo puede hacerlo
por nosotros.

En este caso, el algoritmo recibe datos sin etiquetar, los estructura e identifica grupos de datos con
comportamientos similares.

 La utilidad empresarial para este método se puede encontrar en la agrupació n de clientes para
una mejor asignació n de campañ as de marketing, identificar a empleados que tengan alta
probabilidad de abandonar la empresa o recomendar otros servicios de la empresa basá ndose en
los gustos de otros clientes que son agrupados con tus mismas características.

 Aprendizaje reforzado: el algoritmo aprende a ejecutar una tarea simplemente intentando

maximizar la recompensa que recibe por sus acciones acertadas. Su uso es idó neo cuando no se
tiene una gran cantidad de datos para hacer el entrenamiento o la ú nica forma de aprender del
7
 entorno es interactuando con él.

 El algoritmo realiza una acció n (por ej. hace una compra de acciones en Bolsa), y recibe una
recompensa si dicha acció n realizada lleva a la má quina un paso má s cerca de la mayor
recompensa total disponible (por ej. intentar llegar a la má xima cotizació n de la acció n).
Corrigiéndose a sí mismo optimiza la serie de pasos que hay que dar.

 Este modelo tiene su utilidad para optimizar el precio a tiempo real de un producto o una subasta
on- line, optimizar la estrategia de compra-venta de una empresa o mejorar mediante robots el
funcionamiento de un almacén.

Así, y relacionado con los tipos de aprendizaje vistos, las soluciones a las que da respuesta machine learning se
pueden clasificar en cinco tipos:

➢ Clasificació n: trata problemas con 2 o má s soluciones. Por ejemplo: ¿Qué nuevo sabor de mi
producto debería sacar, naranja o limó n? ¿La previsió n de ventas es favorable durante el
pró ximo añ o?
➢ Detecció n de anomalías: identificació n de valores que se salen del patró n comú n, pudiendo así
detectar problemas rá pidamente. Por ejemplo: ¿Los consumos de este mes son normales?
➢ Regresió n: predicciones numéricas futuras, en base a histó rico de datos. Por ejemplo: ¿se van a
incrementar las ausencias laborales la semana que viene?
➢ Clusterizació n: agrupació n de los datos en distintos conjuntos, ya que tienen características
comunes, para una mejor interpretació n de los datos. Por ejemplo: ¿qué rango de edad es el que
má s dinero se gasta en mi tienda?
➢ Aprendizaje reforzado: algoritmos que aprenden de los resultados obtenidos y deciden la
siguiente acció n. Por ejemplo, la decisió n de acelerar o frenar ante un semá foro en rojo, tomada
por un coche autó nomo.

Deep Learning

El deep learning es un subconjunto dentro del campo del machine learning en el que, en vez de enseñ arle
al ordenador una lista enorme de reglas para solventar un problema, se le da un modelo para que pueda
evaluar ejemplos y una pequeñ a colecció n de instrucciones para modificar dicho modelo cuando se
produzcan errores. Puede procesar un rango má s amplio de datos con menos trabajo de pre-
procesamiento humano que el que requiere el machine learning. Ya que el sistema es capaz de sacar
patrones, con el tiempo se espera que el modelo sea capaz de solucionar los problemas de forma precisa.
Una de las técnicas má s comunes para implementar deep learning son las llamadas redes neuronales.

FIGURA 35: COMPARACIÓN ENTRE REDES NEURONALES REALES Y ARTIFICIALES.

Estas redes se inspiran en el funcionamiento bioló gico de nuestro cerebro, el cual está compuesto por la
interconexió n de neuronas. A grandes rasgos, las redes neuronales artificiales está n compuestas de
muchas

8
calculadoras que representan a las neuronas. La red puede aceptar enormes cantidades de datos de
entrada y procesarlos a través de mú ltiples capas que van aprendiendo características cada vez má s
complejas de los datos en cada capa. La red puede tomar una determinació n sobre los datos, aprender si
dicha determinació n era correcta y usar lo que ha aprendido para usarlo con nuevos datos. Así, por
ejemplo, una vez aprende a identificar un objeto, lo puede reconocer en nuevas imá genes.

Los dos principales modelos de redes neuronales son:

➢ Red neuronal convolucional: es aquella red multi-capa cuya arquitectura está diseñ ada para ir
extrayendo características cada vez má s complejas de los datos en cada capa, para finalmente
determinar el output. Se usa cuando tienes un conjunto de datos sin estructurar, y necesitas
sacar informació n de ahí.

Cuando recibe una imagen, por ej. una ‘A’, lo primero que hace la red es procesarla como un
conjunto de píxeles. En las capas inferiores identifica características ú nicas de la imagen, como
podrían ser las líneas individuales que conforman la A. Si ahora la red recibe otra imagen podrá
encontrar si hay una A buscando las características ú nicas que ya sabe que conforman una A.

A nivel empresarial, esto es ú til para comprender la percepció n que un cliente tiene de una
marca, detectar el logo de la empresa en redes sociales y registrar lo que se habla de ella o
detectar defectos en una línea de producció n mediante aná lisis por imá genes.

➢ Red neuronal recurrente: son redes que pueden almacenar informació n permitiéndole aprender
secuencias de datos y dar como resultado u otra secuencia o un nú mero. Son ú tiles cuando se
trabaja con datos en series temporales o con secuencias. Por ej., grabaciones de audio o texto.

A nivel empresarial se está utilizando para generar aná lisis e informes para traders, evaluar la
probabilidad de que una transacció n con tarjeta de crédito sea fraudulenta, para traducciones
simultaneas, o para la generació n de chatbots.

Una de las aplicaciones de deep learning que má s de moda está ú ltimamente en el panorama empresarial
son los bots. Un bot no es má s que un programa informá tico que imita el comportamiento humano,
realizando una tarea automatizada.

Con el crecimiento que se produjo hace unos añ os en la aparició n de herramientas de Inteligencia

Artificial que permitían acceder y extraer informació n valiosa de las conversaciones, surgieron los
chatbots, o bots conversacionales, qué prá cticamente todas las grandes empresas instalará n de algú n
modo en los pró ximos 5 añ os.

Un chatbot es capaz de aprender y entender un contexto o seguir una instrucció n. Hay que enseñ arle a
interpretar frases, expresar mensajes correctamente, saber cuá ndo hablar y qué es adecuado en cada
momento…

Pero para que un chatbot pueda ver, escuchar o interpretar de forma má s humana, hay que dotarles de
lo que se llama servicios cognitivos (SC).

Los servicios cognitivos son la aplicació n de deep learning que permite identificar y convertir en
informació n ú til la gran cantidad de datos no estructurados que la disrupció n digital y el aumento de
dispositivos mó viles ha generado. Por ejemplo, el tratamiento de todas las imá genes, vídeos y audios
necesita de comprensió n del lenguaje natural, o visió n artificial. La réplica artificial de esos sentidos
humanos son los servicios cognitivos.

Con esta tecnología una cá mara permite leer las expresiones faciales, identificando las emociones que va
expresando. Esto se prevé que se vaya incorporando a los dispositivos de entretenimiento (libros
electró nicos, dispositivos de videojuegos, televisiones, …) para monitorizar las reacciones de los
usuarios ante lo que está n viendo, pudiendo tener así un gran conocimiento de los gustos del
consumidor.

9
 Por ejemplo, un gran hito en los inicios del desarrollo de esta tecnología fue cuando un
equipo de Google consiguió reconocer un gato entre los má s de 10 millones de vídeos que
había por aquel entonces en YouTube.

Inteligencia artificial general

Esta categoría es mucho má s ambiciosa que la inteligencia artificial débil, ya que el objetivo
es que permita resolver cualquier tarea intelectual que sea resoluble por un ser humano. Sería
capaz de realizar juicios y razonar, ante una situació n de incertidumbre, y podría
comunicarse en lenguaje natural, planificar o aprender.

Inteligencia artificial fuerte

Pero para logra una inteligencia artificial total, o fuerte, a la IA general hay que añ adirle una
ú ltima cualidad: que sea consciente de sí misma.

Má s allá de imitar el comportamiento humano, al conseguir que una má quina sea consciente
de sí misma, teó ricamente le dará la capacidad de resolver cualquier problema y ademá s
sentir emociones. Si se lograse llegar a ese nivel de inteligencia, se alcanzaría el punto de
singularidad, que supondría una inflexió n en la historia del ser humano ya que todos los
problemas que nosotros afrontamos (econó micos, sociales, científicos, …) no supondrían
ningú n reto para ella.

Por todo ello, la Inteligencia Artificial es idó nea para mejorar tres tipos de servicios.

➢ Tareas que individualmente son sencillas pero que colectivamente son complicadas
para humanos. Ejemplos serían clasificar datos desestructurados, como sacar
informació n de una factura, clasificar correos electró nicos entrantes, o hacer
reconciliació n entre nombres y direcciones.
➢ Tareas que los humanos no pueden realizar fá cilmente. Como, por ejemplo, aná lisis
de riesgo para dar crédito, detecció n del fraude o trading de alta velocidad. Los
humanos generalmente necesitan reglas para ejecutar esas tareas, y el juicio para
hacer excepciones. Eso conforma una serie de procesos arduos y lentos. Los bancos,
por ejemplo, necesitan tomar decisiones rá pidas para detener transacciones
potencialmente fraudulentas. En el tiempo que un humano toma una decisió n, la
transacció n podría estar ya hecha. Las má quinas, sin embargo, pueden actuar en
cuestió n de milisegundos y estar continuamente aprendiendo y mejorando al ir
procesando volú menes de informació n cada vez mejores.
➢ Tareas que requieren intervenció n humana, conocimiento o ambos. Por ejemplo,
relacionarse con los
clientes desde un call center u ofrecer consejo legal, o de cumplimiento regulatorio,
siguiendo unas reglas, u observando y sustituyendo las tareas de bú squeda y
consejo de los abogados reales.

1.3. Beneficios derivados de la inteligencia artificial

La aplicació n de técnicas de inteligencia artificial en la prestació n de servicios financieros puede
dar lugar a mejoras de eficiencia, reducció n de costes, incrementos de calidad, aumento del nivel de
satisfacció n de los clientes o mayor inclusió n financiera, gracias, principalmente, a las posibilidades
que ofrecen para automatizar procesos operativos e incrementar las capacidades analíticas.

Mayor automatización
Mediante técnicas como el procesamiento del lenguaje natural o el reconocimiento de imá genes, las
entidades pueden automatizar aquellas tareas manuales que son má s repetitivas o aportan menos
valor añ adido (p. ej., respuestas a preguntas frecuentes). Esto supone, por una parte, una reducció n

10
de los posibles errores humanos y, por otra, un incremento de la productividad y una disminució n
de los costes asociados a estas tareas.

En consecuencia, el nivel de satisfacció n de los clientes aumenta, al recibir un mejor servicio

(menor tiempo de respuesta y mayor disponibilidad de servicios) y, potencialmente, a un precio
menor. Ademá s, dada la reducció n de costes que se produce con la automatizació n de tareas, es
posible que ciertos servicios que tradicionalmente estaban reservados a determinados clientes
puedan ofrecerse a un nú mero mayor de usuarios (p. ej., asesoramiento financiero).

Aumento de las capacidades analíticas

Las herramientas de inteligencia artificial permiten a las entidades analizar un volumen mucho
mayor de datos (tanto estructurados como no estructurados) y de manera má s rá pida. Ademá s, el
aumento en el nú mero de variables conduce a aná lisis de mayor calidad, dado que se consigue
conocer mejor al cliente y obtener resultados má s precisos.

Todo lo anterior redunda en beneficio de los usuarios, ya que permite a las entidades ofrecer un
mejor servicio (p. ej., mayor exactitud en la identificació n de operaciones de tarjeta fraudulentas) y
facilita el acceso a los servicios financieros a ciertos clientes que,

de otro modo, podrían verse excluidos (p. ej., concesió n de préstamos a usuarios con los que la
entidad no tiene una relació n previa y que carecen de informació n financiera). Asimismo, puede
suponer un importante ahorro en á reas, como el cumplimiento normativo, cuya evolució n má s
reciente se está traduciendo en una mayor presió n de costes.

Por otra parte, el aumento de las capacidades analíticas permite a las entidades explotar toda la
informació n a la que pueden acceder sobre sus clientes (tanto interna como externa), a fin de

11
conocer mejor sus preferencias. Pueden, así, desarrollar productos y servicios personalizados e,
incluso, anticiparse a sus necesidades, lo que mejora la experiencia de usuario (p. ej., ofrecerles un
seguro de vivienda cuando identifican que está n considerando comprar una nueva casa).

Ejemplos de uso en los servicios financieros

Como muestra el esquema 1, las aplicaciones de esta tecnología en los distintos á mbitos del sector
financiero son mú ltiples y se pueden encontrar en toda la cadena de valor, desde las tareas de
procesamiento (back-office) hasta la interacció n con el cliente o en el mercado (front-office),
pasando por las actividades relacionadas con el control y con el monitoreo de la operativa (middle-
office). Así, algunas aplicaciones van dirigidas a mejorar la experiencia del cliente (p. ej.,
autenticació n mediante biometría), mientras que otras tienen como objetivo optimizar y/o
transformar los procesos en las distintas fases de la provisió n de los servicios financieros (p. ej.,
utilizando nuevas fuentes de datos para la selecció n de inversiones o la determinació n de las
primas de riesgo). La combinació n de la inteligencia artificial con otras tecnologías (como los
registros distribuidos y los contratos inteligentes o smart contracts) tiene potencial para ampliar
aú n má s las posibilidades.

Entre todos los ejemplos de uso que se pueden encontrar en el sector financiero, se podrían
destacar, sin á nimo exhaustivo, los siguientes:

 Chatbots y asistentes virtuales: a través de estos asistentes, los usuarios pueden resolver
dudas habituales5 y, en ciertos casos, obtener recomendaciones de productos o realizar
ciertas operaciones (p. ej., ordenar transferencias, abrir una cuenta...). Se consigue así
automatizar los canales de comunicació n con los clientes, hacerlos disponibles las 24 horas
del día, los siete días de la semana, y, ademá s, recoger de forma automá tica informació n
sobre las interacciones con los usuarios.

 Personalizació n de productos y de servicios finales: sobre la base de la informació n que se

obtiene de los clientes, las entidades pueden ofrecer una experiencia de usuario
personalizada e, incluso, extenderla má s allá de los servicios bancarios en sentido estricto
(p. ej., enviando alertas sobre el estado de la cuenta si se identifica, por geolocalizació n, que
está n de compras).

 Control de blanqueo de capitales (AML, por sus siglas en inglés) y prevenció n del fraude: la
posibilidad de analizar un volumen mayor de datos y de combinarlos con nuevas fuentes
de informació n permite detectar anomalías o patrones que de otra manera hubiesen
pasado inadvertidos. Asimismo, ocasiona un nú mero menor de falsos positivos, lo que hace
má s rá pidas y precisas las tareas de control de fraude y de blanqueo de capitales, y causa
menos molestias a los clientes.

 Calificació n crediticia: la mayor capacidad analítica permite mejorar las evaluaciones y

acelerar los plazos de concesió n de créditos. Ademá s, el uso de informació n no
estructurada puede derivar en un aumento del nú mero de clientes elegibles, al facilitar este
aná lisis a entidades de reciente creació n o que actú an en mercados nuevos de los que se
dispone de poca informació n.

 Cumplimiento regulatorio: la mayor capacidad de aná lisis que proporcionan las

herramientas de inteligencia artificial facilita el cumplimiento de algunos requerimientos
normativos (p. ej., gestió n de riesgos, obligaciones de reporte...), así como el seguimiento de
los cambios que se producen en la regulació n.

1.4. Principales limitaciones

Pese a los importantes beneficios que conlleva, la inteligencia artificial presenta una serie de
limitaciones que es necesario tener en cuenta a la hora de evaluar su uso. Los riesgos má s
relevantes se derivan, por una parte, de la posibilidad de que los resultados que ofrecen estas

12
herramientas incorporen sesgos y, por otra, de las dificultades para comprender el razonamiento
seguido por los algoritmos para llegar a una determinada conclusió n.

Resultados sesgados
Los algoritmos trabajan fundamentalmente buscando correlaciones que maximicen la capacidad de
predicció n, y esto puede provocar, en ocasiones, resultados basados en relaciones espurias y llevar,
por tanto, a conclusiones sesgadas . La importancia de estos sesgos dependerá , ló gicamente, del
contexto en el que se produzcan. A título de ejemplo, no es lo mismo incurrir en sesgos en la
traducció n de un texto que en la concesió n de un crédito. En cualquier caso, resulta importante
conocer los motivos por los que se producen.

La posible existencia de sesgos no intencionados puede tener su origen en los datos o en el modo en
el que se entrena el algoritmo. Es decir, por una parte, los algoritmos necesitan entrenarse con una
gran cantidad de datos, que, ademá s, deben ser de calidad, esto es, representativos de toda la
població n. De lo contrario, se pueden producir situaciones en las que el sesgo de la muestra de
entrenamiento se incorpora como un criterio que se ha de cumplir, lo que dificulta que se avance en
la igualdad de oportunidades (p. ej., en casos como la selecció n de currículos para puestos de
trabajo o la concesió n de créditos).

Por otra parte, pueden producirse sesgos no deseados por el modo en que se diseñ a o funciona el
algoritmo (p. ej., en el etiquetado de los datos de entrenamiento o en el modo en que evoluciona el
algoritmo a medida que incorpora nueva informació n). Un ejemplo es el chatbot experimental que
lanzó una empresa tecnoló gica en una red social a fin de que aprendiera conversando con los
usuarios. Al poco tiempo, el chatbot tuvo que ser retirado debido al tono inapropiado que habían
adquirido sus mensajes.

Interpretación de los Algoritmos

El funcionamiento de los algoritmos suele ser complejo, de modo que resulta difícil entender el
razonamiento que siguen para llegar a un determinado resultado. Aunque en ciertos casos el hecho
de no entender este proceso puede resultar irrelevante (p. ej., en un chatbot), en otras ocasiones
puede ser necesario explicar por qué se ha tomado una determinada decisió n (p. ej., calificació n
crediticia). El objetivo difícilmente puede ser conocer todo el detalle del camino que ha seguido el
algoritmo para llegar a un resultado concreto, pero sí parece razonable establecer requerimientos
que garanticen la visibilidad del proceso que lleva a extraer una determinada conclusió n.

Aunque se está trabajando en desarrollar técnicas para mejorar la transparencia de los

algoritmos10, por el momento esta dificultad para interpretar los resultados sigue siendo elevada.
Las implicaciones que puede tener para la utilidad de las aplicaciones relacionadas con el
cumplimiento normativo o con labores supervisoras (p. ej., en la valoració n de modelos de riesgo de
crédito basados en estas herramientas) son evidentes

1.5. Retos para las autoridades financieras

Ademá s de los problemas derivados de las limitaciones analizadas en el apartado anterior, las
autoridades deben tener también en cuenta otros riesgos potenciales vinculados al mercado en el
que se desarrollan las aplicaciones de inteligencia artificial:

 Riesgo de concentración: al requerir la acumulació n de un gran volumen de datos y de

importantes recursos para desarrollar este tipo de herramientas, el avance de la
inteligencia artificial propicia la concentració n en un nú mero reducido de grandes actores,
lo que puede incidir negativamente sobre la competencia. Los requerimientos en términos
de acceso a los datos de terceros, como los que contempla la nueva directiva sobre
servicios de pago, podrían aliviar este problema.

 Riesgo sistémico: una dependencia significativa de las herramientas y de las

13
 infraestructuras proporcionadas por las empresas de tecnología para su uso en
operaciones consideradas como críticas podría suponer un incremento del riesgo
operativo que soportan las entidades y, dado que el nú mero de proveedores es reducido,
derivar en riesgo sistémico. Adicionalmente, el uso generalizado de este tipo de algoritmos
en actividades como la provisió n de crédito o la negociació n de activos financieros podría
llevar a situaciones de comportamiento gregario y, eventualmente, pro cíclico. No obstante,
la materializació n de este riesgo dependerá , en ú ltima instancia, del grado de
homogeneidad que presenten tanto los datos utilizados por las entidades como los
mecanismos de entrenamiento y las metodologías empleadas para desarrollar los
algoritmos.

 Protección del cliente: la necesidad de emplear un volumen muy elevado de datos

aumenta la relevancia de los problemas de privacidad y los riesgos de que algunas
entidades puedan utilizar determinados datos sin que sus clientes sean plenamente
conscientes de ello. Por otro lado, se plantean dudas también acerca de la asignació n de
responsabilidades por las pérdidas resultantes de la aplicació n de técnicas de inteligencia
artificial (entidad financiera o proveedor del algoritmo).

Adicionalmente, las autoridades se enfrentan a una serie de retos y de limitaciones a la hora de

valorar el uso de herramientas de inteligencia artificial en el desarrollo de sus propias funciones13.
Ademá s del reto que supone encontrar personal especializado en este á mbito, no debe olvidarse
que la capacidad de las aplicaciones de inteligencia artificial de detectar posibles problemas en las
entidades o indicios de crisis en los mercados depende, como se ha señ alado, de la calidad y de la
variedad de los datos con los que entrenar los algoritmos. La mayoría de estos, sin embargo,
proceden de situaciones que cabe calificar de normales, no de crisis.

Capitulo II: Sistema Financiero.

2.1. Definición de sistema Financiero.

El sistema financiero es el conjunto de instituciones, intermediarios y mercados que tienen como

funció n principal direccionar los fondos de los ahorristas hacia los inversionistas. Para lograrlo,
existen dos mecanismos para realizar dicha transacció n con respecto a los fondos: las finanzas
directas y las finanzas indirectas.

Las finanzas indirectas: Este mecanismo necesita de un intermediario financiero con el fin de
transformar los activos primarios, en activos financieros indirectos.

Las finanzas directas: Para este caso, no se requiere de un intermediario financiero, pues las
transacciones se dan en los mismos mercados financieros de bonos, acciones y demá s instrumentos
financieros.

2.1. Evolución del Sistema Financiero

El rubro financiero ha estado en permanente cambio, tal como lo han señ alado Pampilló n, De la
Cuesta y Ruza (2009):

Un mercado financiero es un lugar o mecanismo en el que se compran y venden instrumentos

financieros y se determinan precios y volú menes negociados. Histó ricamente, las operaciones se
hacían en un lugar físico establecido, al que acudían compradores y vendedores. Un ejemplo de
estos espacios es los edificios de las bolsas de valores existentes en todo el mundo. Con el
desarrollo de las comunicaciones y la aparició n de las modernas tecnologías, los procedimientos de
negociació n no requieren de la existencia de un espacio físico concreto, sino que algunos ya se
realizan mediante comunicació n telefó nica, a través de ordenador o por otras vías. (Secció n 2.2.2.1)

Asimismo, explican que el sistema financiero tiene tres elementos importantes para poder
desarrollarse: (a) los instrumentos, (b) los mercados, y (c) los intermediarios financieros. En el

14
presente trabajo, el enfoque estará centrado en los intermediarios, es decir, la banca, donde el
principal activo es el dinero, el cual es el eje prevaleciente en el mundo.

Con el dinero se compra todo. O casi todo, es decir, lo que se vende. Segú n Mú gica (2010), desde la
aparició n del dinero siempre se ha buscado la forma de reducir el riesgo de la pérdida o robo de
este activo; es por ello por lo que los banqueros, por ejemplo, han buscado los medios y
herramientas para tratar de minimizar ese riesgo, como el transportar en carros de caudales (antes
a caballo) y luego en vehículos motorizados con todas las medidas de seguridad. Posteriormente,
con la invenció n de los cajeros automá ticos (ATM), se pueden obtener billetes e incluso monedas en
las principales ciudades.

Asimismo, en los ú ltimos añ os se produce una gran transformació n digital a nivel global y, por
consiguiente, en el sistema financiero, el cual crea nuevos escenarios. Segú n Alt et al. (2018), dicha
transformació n cambia las reglas del juego, ya que los principales participantes se ven obligados a
innovar sus canales y productos. Por un lado, se observa una gran disminució n de bancos, pero, por
otro, un incremento de fuerza de trabajo; ello, por la integració n a la era digital. También sostienen
que los bancos son los pioneros en la inversió n digital y su gasto en TI, por esta razó n, es mayor en
porcentaje al de otro tipo de empresas. No obstante, los mismos autores declaran que la lealtad a un
banco ha decaído, ya que los clientes ahora tienden a usar diversos proveedores para sus distintas
necesidades financieras.

Asimismo, se han incrementado las regulaciones bancarias luego de la crisis financiera del 2007, lo
cual trajo consigo nuevos actores al sistema financiero, tales como las fintech, que se desarrollan
sobre la base de tecnologías financieras. A su vez, estas se incrementan debido a que son má s
eficientes en cuanto a costos operativos, lo cual las hace má s atractivas para los usuarios por ser
má s rentables al adquirir un producto financiero. Frente a ello, los bancos adoptan dos medidas:
implementar un á rea de desarrollo de productos para canales digitales (incubadoras) o adquirir los
mejores modelos de negocios (fintech). En ambos casos, lo que el banco busca es permanecer en el
mercado y hacer frente a los potenciales competidores.

2.2. Definición de sistema Financiero Peruano.

En nuestro país, el sistema financiero reú ne a las instituciones tanto pú blicas como privadas con el
fin de captar, administrar y regular los recursos financieros, que se transan entre los actores
econó micos del Perú . En ese sentido, el sistema financiero funciona como un intermediario entre
las personas que desean prestar su exceso de dinero (inversionistas) y los que requieran de
financiació n (empresas)

En este sistema tendrá n un papel muy importante los intermediarios financieros cuya funció n
principal será fomentar el trasvase (canalizació n) del ahorro hacia la inversió n teniendo en
cuenta las distintas motivaciones y necesidades financieras de ahorradores e inversores.

El ahorro será generado por las unidades excedentarias (prestamistas) hacia las unidades
deficitarias (prestatarios) mediante la inversió n de una serie de intermediarios
financieros.

La funció n principal del sistema financiero nacional es la de servir como intermediario en

la captació n de excedentes (ahorros) y orientarlos a quienes los demanden (inversionistas).

El sistema financiero parte de la existencia de unas unidades excedentarias de liquidez y

de unas unidades deficitarias en la economía ( empresas en déficit) las unidades excedentarias
pueden optar por gastar o consumir esa liquidez , entonces estaremos ante unidades de consumo
o pueden sacrificar ese consumo mediante el ahorro de esa liquidez ( unidades de ahorro) estas
unidades excedentarias pueden por su parte desear rentabilizar ese ahorro y canalizarlo hacia
la inversió n financiera a través del sistema financiero.

Existen dos tipos de sistemas en nuestro país, el formal e informal.

15
Sistema financiero formal: Empresas que, para operar deben contar con una autorizació n de
funcionamiento, infraestructura física apropiada y regirse por un marco legal específico.

Sistema financiero informal: Al no regirse por un marco legal que lo regule y supervise, no garantiza
la seguridad de las operaciones que las personas puedan realizar a través de ella, lo que implica un
mayor riesgo (prestamistas informales)

Otra desventaja del sistema informal radica en la tasa de interés, pues si bien los montos a pagar
son pequeñ os a causa de la cantidad prestada y el corto plazo, un estudio del BCR señ ala que la tasa
promedio mensual que se cobra en el crédito informal es 20% y de forma anual la tasa llega a 800%
aproximadamente. De la misma manera, los métodos de cobranza que utilizan algunos prestamistas
informales son peligrosos, llegando a vulnerar la economía e integridad física del prestatario.

2.3. Contextualización del Sistema Financiero del Perú

El sistema peruano, como en la mayoría de los países de Latinoamérica, se ha desarrollado con base
en las necesidades de cada mercado; por ello es importante conocer la evolució n del sistema
financiero en el Perú , así como las entidades reguladoras y las instituciones intermediarias que
brindan el servicio. Segú n la Superintendencia de Banca, Seguros y AFP (2019), el sistema
financiero peruano está conformado por 53 empresas (ver Tabla 1), divididas por tipos de servicio,
tales como:

 Banca mú ltiple
 Empresas financieras
 Cajas municipales
 Cajas rurales de ahorro y crédito
 Entidades de desarrollo de la pequeñ a y microempresa
 Banca estatal (Banco de la Nació n y Banco Agropecuario).

Esta diversificació n refleja la necesidad del mercado, dado que todos los servicios financieros se
encuentran segmentados; sin embargo, estas fuerzas no son suficientes, ya que no se logra atender
a todo el mercado potencial.
Tabla 1- Estructura del Sistema Financiero 2019

De acuerdo con la Tabla 1, en la cual se muestra la realidad del sistema financiero, la banca mú ltiple
tiene una participació n del 93 %, mientras que todas aquellas entidades que atienden a segmentos
específicos solo representan al 11 %. En este sentido, es claro que existe una desigualdad respecto a
la oferta de servicios financieros. Con el fin de generar el mejor escenario para las entidades
financieras y los demandantes, se promulga la Ley General del Sistema Financiero y del Sistema de
Seguros y Orgá nica de la Superintendencia de Banca y Seguros (SBS) (Ley 26702, 1996), donde se
establecen pará metros que abarcan desde la constitució n de una empresa de servicios financieros
hasta la supervisió n y regulació n del sistema financiero, de tal manera que este mercado sea
competitivo y seguro para ofertantes y demandantes. Segú n el cuarto Informe de Evolució n del
Sistema Financiero de la SBS (2019), existen acontecimientos que marcaron la historia de la banca

16
en el Perú , tal como se aprecian en la Figura 1 y en la Tabla 2.

Globalización financiera mundial.

19 Participacion de bancos extranjeros en el sistema financiero peruano.

93
Se aprobo la Ley General del Sistema Financiero y del Sistema de Seguro
(se incluye recoemndaciones del Acuerdo de Basilea)

19 Contratacion del mercado de créditos.

Absorción de bancos y operaciones de rescate por parte del Estado para
mantenerlos en el mercado (Banco Latino)
96

20 Crecimiento de las instituciones Microdinancieras no bancarias.

00
Crisis financieras globales

20 Economía no se ve tan afectado que el Estado contaba con grandes

reservas internacionales y por las estrategias optadas por la SBS.

08
Recesión internacional
Sistema bancario no sufrio gran repercucion debido los incentivos para el

20 consumo interno y la ampliacion de cobertura a nuevos sectores de la

poblacion.
Ingreso de las primeras fintech al mercado peruano.
14

Figura 1. Principales acontecimientos en el sistema financiero peruano. Adaptado de Evolución del Sistema
Financiero de la SBS 1999, 2000, 2008 y 2014.

Tabla 2 - Grupos en el Sistema Financiero Peruano 2019 segú n cartera de créditos

17
 2.4. Características del Sistema Financiero en el Perú

Estabilidad en el Sistema Financiero

La estabilidad del sistema financiero es parte de la política pú blica; por ende, el organismo
encargado de establecer pará metros para el sistema financiero es el Banco Central de Reserva
(2019, p. 5), el cual señ ala lo siguiente:

El Banco Central de Reserva del Perú (BCRP) tiene el mandato constitucional de preservar la
estabilidad monetaria. Esto conlleva asegurar que la moneda nacional tenga un buen
funcionamiento como medio de pago, unidad de cuenta y reserva de valor. Este logro es posible solo
si se mantiene la estabilidad financiera, esto es si las actividades de intermediació n de fondos, su
infraestructura y los mecanismos de pagos y transferencias se desarrollan sosteniblemente y con
solidez para enfrentar choques internos y externos.

Es decir, el BCRP establece mecanismos para mantener estable el valor de la moneda, lo cual
implica monitorear, e incluso intermediar, en el sistema financiero para brindar seguridad a los
activos, así como generar liquidez (en el momento necesario) y rentabilidad. Para ello, el BCRP
elabora y publica el Reporte de Estabilidad Financiera (REF) desde el añ o 2007, donde expone los
riesgos del sistema financiero y, a la vez, las medidas de prevenció n para mitigar el impacto en este
y en la moneda nacional. Del mismo modo, la Superintendencia de Banca, Seguros y AFP (SBS)

(...) es el organismo encargado de la regulació n y supervisió n de los Sistemas Financiero, de Seguros

y del Sistema Privado de Pensiones, así como de prevenir y detectar el lavado de activos y
financiamiento del terrorismo. El objetivo primordial es preservar los intereses de los depositantes,
de los asegurados y de los afiliados al SPP (SBS, 2019, p. 1).

Esta institució n está respaldada por la Ley General del Sistema Financiero y goza de autonomía
reconocida por la Constitució n Política del Perú .

Oligopolio Bancario

En el caso Perú , existen cuatro bancos principales, los cuales concentran el 50 % de las operaciones;
en este sentido, y dado que no existe una sana competencia como tal, es que existen altos costos
operacionales y elevadísimas tasas de interés efectivas. Por ejemplo, segú n el Global Financial
Development Report 2018 del Banco Mundial, el spread bancario (la diferencia de la tasa de interés
activa menos la tasa de interés pasiva) en el Perú es de 14.4 %, mientras que el promedio para
América Latina en general es de 8.7 %. Ello refleja claramente la desigualdad generada por el

18
oligopolio y la poca eficiencia del sistema financiero peruano.

Digitalización de la banca

A nivel global, se está n implementando canales digitales que representan una disminució n en
costos administrativos y operacionales, lo cual podría representar para el usuario costo cero en las
operaciones al usar un canal digital. Es fundamental la implementació n de estos canales, dado que
existen fintech que ofrecen servicios financieros a bajo costo. Por otro lado, estos nuevos canales
conllevan a ampliar la cartera de clientes, así como a mejorar la experiencia de los clientes actuales,
dado que ahora pueden adquirir productos de manera má s rá pida a menor costo. Asimismo,
implementar tecnologías genera una ventaja como eficiencia en procesos, dado que ahora —de la
mano del big data, la inteligencia artificial y blockchain— se van a incurrir en menores errores y
tomar las mejores decisiones con base en informació n clasificada, afirmó Rafael Conde del Pozo,
director de Digital & Innovació n de Vector ITC (Vector ITC, 2019).

2.5. ¿Quién regula el Sistema Financiero?

El organismo peruano encargado de la regulació n y supervisió n de dicho sistema es la

Superintendencia de Banca, Seguros y AFP (SBS), garantizando así la protecció n del dinero del
ahorrista y la solidez y estabilidad del sistema (Bancos, Cajas municipales, Cajas Rurales,
Financieras, etc) Asimismo, se cuenta con el soporte en temas de supervisió n y operaciones con la
Superintendencia del Mercado de Valores (SMV) y la Bolsa de Valores de Lima (BVL).

2.6. Beneficios del Sistema Financiero.

Genera má s rentas para los actores que prestan dinero.
Incentiva la creació n de empresas, lo cual es esencial en la economía de cualquier país.
Al mostrar un mejor escenario econó mico, existen má s alternativas y oportunidades para satisfacer
ciertas necesidades bá sicas, como la alimentació n, estudio y trabajo.

2.7. Importancia del Sistema Financiero.

Contar con un adecuado sistema financiero permite que exista una inversió n de capital para
distintas actividades productivas, como la construcció n, la industria, tecnología, etc, que
contribuyan al desarrollo econó mico del país y al progreso de la sociedad, ya que no solo otorga
liquidez a quién lo requiera, si no también, estimula el ahorro y las opciones de inversió n o acceso a
créditos.

Relaciona a los que tienen capital con aquellos que requieren del mismo.

Pone al alcance de los inversionistas fuentes de capital en momentos de crisis o expansió n

econó mica.

Genera fuentes de trabajo al permitir la creació n de nuevas empresas o ampliar otras.

Si el sector financiero está controlado y reglamentado por el estado se le puede utilizar como
palanca para promover el desarrollo de la economía del país.

19
 2.8. Estructura del Sistema Financiero Nacional

SISTEMA FINANCIERO
NACIONAL
SMV SBS

INTERMEDIACIÓN INTERMEDIACIÓN
DIRECTA INDIRECTA

MERCADO DE VALORES MERCADO DE DINERO

MERCADO MERCADO INFORMAL

FORMAL
PRIMARIO SECUNDARI
O

Emisiones Bursátil Empresas

De Operaciones
Gobierno Múltiples

Emisiones Extra
Bursátil Bancarias No Empresas
Societarias
Bancarias Especializad
as
Banca Financieras
Comercial Banca de Inversiones
20
Caja Municipal
Empresas de Seguros
 2.9. Disrupción tecnológica en el sistema financiero

Aplicación en el Sistema Financiero

La banca desempeñ a tres funciones primordiales: (a) administrar el ahorro, (b) transformar estos
ahorros en créditos para apoyar los proyectos productivos, y (c) regir el sistema de pagos que
permite la liquidació n de las operaciones comerciales (Newsweek México, 2019). Con el dinamismo
de la economía gracias a las nuevas tecnologías, es necesario que las instituciones financieras vayan
al mismo ritmo con la incorporació n de estos nuevos avances, con el fin de brindar má s y mejores
servicios a sus clientes, ayudá ndolos a administrar sus ahorros, desembolsar créditos y realizar sus
pagos de manera má s rá pida, eficiente y segura.

La digitalizació n tiene un fuerte impacto en la industria de servicios financieros. Una

razó n importante es que los productos financieros se basan casi exclusivamente en informació n.
Algunos ejemplos son las transacciones de pago o los créditos que, en contraste con la compra de
un automó vil, en la mayoría de los casos no incluyen ningú n componente físico o tangible. Otra
razó n es que la mayoría de los procesos se implementan casi por completo sin ninguna interacció n
física, como por ejemplo el pago en línea o el comercio de acciones; las exenciones son algunas
formas físicas de interacció n, como el asesoramiento al cliente (Puschmann, 2017).

Todas las innovaciones en cuanto a nuevas tecnologías financieras tienen un solo origen: la startup-
fintech. El surgimiento de las fintech provoca un incremento de la competencia para el sector
bancario, ya que, ademá s de ofrecer servicios financieros má s orientados a los clientes y optimizar
el uso de las tecnologías, en muchas ocasiones centran su actividad en productos que venía
ofreciendo la banca tradicional (Medina, Rey, Cazurro & Parrondo, 2019). Esta banca ve, de alguna
manera, como competidores directos a las fintech. Por otro lado, para no quedarse rezagados ante
los competidores de su mismo gremio, está n desarrollando sus propias aplicaciones (apps).

Al respecto, estos mismos autores mencionan que, por su parte, la banca tradicional encuentra en
las apps una herramienta fundamental y una vía para contrarrestar la presió n de los nuevos
competidores.

2.10. Enfoques de la disrupción tecnológica en el sistema financiero (nivel

21
 estratégico, operativo, experiencia del cliente)

Es importante analizar cada nivel dentro de la organizació n y crear estrategias para ir a la

vanguardia con los nuevos cambios tecnoló gicos. Por ello, Saki (2019) afirmó que las
organizaciones está n luchando para adaptarse al cambio digital, ya que esto les afecta dentro y
fuera de la organizació n. Asimismo, esto las conlleva a crear nuevas unidades de negocios, innovar
en sus procesos y ajustar sus planes de negocio para mejorar la experiencia del cliente y no perder
la cuota de mercado. Este autor plantea mejorar principalmente tres niveles: (a) estratégico, (b)
operativo, y (c) la experiencia del cliente. Respecto al nivel estratégico, consiste en mejorar la
integració n interna, automatizar los procesos bá sicos, apoyar el rediseñ o de procesos de negocio y
las redes de empresas para la redefinició n del á mbito de las unidades negocio, con el fin de tener
claros los objetivos corporativos. En relació n con el nivel operativo, es importante desarrollar
tecnologías digitales, ya que hará n posible la interacció n inmediata y el fá cil acceso a una amplia
gama de datos, lo cual permitirá un alcance mayor de clientes potenciales.

Asimismo, en el foro Inteligencia México Conference realizado en el 2019, el director general de

Desarrollo de Negocio de BBVA México, Hugo Ná jera Alva, resaltó que el diseñ o de los nuevos
productos, el procesamiento de los datos y el uso de las nuevas tecnologías son partes
fundamentales de la transformació n digital del sistema financiero, lo cual permitirá monitorear el
comportamiento del consumidor y a su vez construir ofertas sobre la base de esos
comportamientos, los cuales deberá n ser acertados y oportunos. Finalmente, en relació n con la
experiencia del cliente, Ná jera también señ ala que es importante responder de manera rá pida, ya
que los millennial son la generació n que está marcando el futuro de la banca, y su manera de
interactuar con su comunidad y satisfacer sus necesidades es instantá nea (BBVA, 2019).

Para ello, se deben crear experiencias interactivas para los consumidores (business to consumer),
de tal manera que estas perduren en el tiempo y sean el mejor aliado, ya que un cliente satisfecho
será un consumidor fiel y realizará publicidad «boca a boca» si es que la experiencia fue la mejor. Es
vital comprender, gestionar y medir la experiencia del cliente, de tal forma que se pueda mejorar el
servicio.

Las entidades financieras se está n enfocando, principalmente, en que las empresas y personas
dejen de usar dinero físico y que todas sus transacciones se realicen digitalmente, segú n lo
mencionado por Rufino Arribas, líder de Yape del BCP (Prado, 2020a). Sin embargo, hay cierta
resistencia al uso de estos nuevos canales virtuales, dado que los usuarios atribuyen cierto temor al
riesgo de fraude y al desconocimiento de las nuevas tecnologías, lo cual los obliga a usar las
antiguas herramientas para realizar sus operaciones, como el cheque, las letras, el pagaré, etc.

El cheque, como una las herramientas má s comunes para realizar operaciones comerciales,
sobrevive hasta el día de hoy, desde el añ o 1960 en que se lanzó el sistema de canje en Estados
Unidos (Williams, 2017). Asimismo, las tarjetas de crédito también está n presentes en el mundo
desde 1950, añ o en que Diners Club lanzó la primera tarjeta de crédito de la historia, la cual solo
podía usarse en restaurantes. Por otro lado, en junio de 1967, Barclays Bank puso a disposició n el
primer cajero automá tico (Williams, 2017). Las herramientas antes mencionadas se crearon para
cubrir la necesidad de no llevar dinero físico al momento de, por ejemplo, comprar una casa, pagar
la cena de negocios con efectivo o llevar efectivo en la billetera. Se puede esperar que en el futuro
cercano los billetes y monedas, como los conocemos hoy, desaparecerá n por completo.

La razó n principal es que los costos de producció n, así como las características tecnoló gicas, le dan
una ventaja al dinero electró nico (Prinz, 1999).

2.11. Ejemplos actuales de disrupciones tecnológicas asociadas al sistema

financiero

Billetera en automóvil

22
En muchas ocasiones, resulta tedioso para los conductores tener que detener la marcha de su
automó vil para hacer el pago de peaje y perder valioso tiempo. Ese malestar quedará en el pasado,
dado que gracias al protocolo tangle y a su aplicació n en el internet de las cosas, la fundació n IOTA y
la conocida marca de autos de alta gama Jaguar Land Rover han desarrollado una billetera virtual
en el software del vehículo, específicamente en el modelo I-PACE. Estos automó viles con billeteras
integradas permiten realizar pagos de manera automá tica y en línea, de peajes y estacionamiento
(Jaguar, 2019). Esto gracias a que el software del vehículo está interconectado con el del peaje o el
estacionamiento; de esta manera, las transacciones se realizan entre las má quinas sin intervenció n
humana.

Chatbots en instituciones financieras

Hace má s de cuatro añ os, Arturo Johnson, gerente de Canales Alternativos del BCP, comentó que
«Mil millones de personas usan Messenger cada mes, y la mayoría requiere productos y servicios
modernos y á giles. Arturito BCP creará una experiencia altamente personalizada para nuestros
clientes» (Gestió n, 2016).

El primer chatbot ingresó al mercado en el 2017, de la mano de IBM Watson. En una primera
instancia, Arturito respondía a preguntas como saldos en cuentas bancarias, tarjetas de crédito y
có digos de cuentas interbancarias, pero lo má s resaltante era que lo lanzaron en la plataforma de
Facebook Messenger y que el bot es personalizado, ya que entiende hasta en un 70 % los mensajes,
es decir, un producto elaborado a base de inteligencia artificial y el procesamiento de lenguaje
natural. Asimismo, cumple con un protocolo de seguridad, ya que para iniciar una conversació n el
usuario deberá enviar en un mensaje el nú mero de documento, y así se reconocerá su identidad y se
iniciará la consulta. Esta innovació n, por parte del BCP, fue reconocida en el 2018 como el mejor
chatbot corporativo del añ o por la aplicació n del producto, su diseñ o, la comprensió n del lenguaje
natural y la interfaz conversacional, así como por el desarrollo que lograron gracias al uso de la
inteligencia artificial. Debe anotarse que el desarrollo de este chatbot le permite al banco atender a
aquellos clientes que no pueden acercarse a una agencia o no tienen el tiempo suficiente como para
llamar, así como también disminuye sus costos operativos, es decir, el desarrollo de nuevas
tecnologías implica una serie de beneficio para el banco y para los usuarios. El 28 de mayo, el banco
presentó a Clara por todos sus canales digitales, su nueva asistente virtual. Aú n se desconocen las
razones, pero ya está en todas sus plataformas.

Podemos observar, ademá s, que los má s importantes bancos del país han incorporado este nuevo
canal de atenció n al cliente, ya que es un modelo fá cil de replicar, solo es

cuestió n de implementar un á rea especializada para canales digitales.

Tal es el caso de Interbank, que está ya trabajando en pilotos; no obstante, ha creado el producto
Interbank por Inbox, un canal digital que permite hacer envíos de dinero, pagos y recargas a través
de Messenger. BBVA es un banco españ ol y uno de los má s importantes en el Perú , desde el 2017
implementó el chatbot en diversos países, pero aú n no cuenta con uno en el mercado peruano. No
obstante, se caracteriza por ofrecer una gama de productos a través de sus canales digitales.

Por otro lado, el desarrollo de bots no es ajeno a otras entidades financieras. Existen varias fintech
que está n implementando los chatbots, como Rextie, casa de cambio digital, donde permiten dar el
tipo del cambio del día y calcular el monto por cambiar.

Otro ejemplo es Comparabien, una empresa digital que permite comparar diversos productos
financieros de las diferentes entidades financieras del país (Chá vez, 2018).

Igualmente, la automatizació n de la inteligencia artificial se está desarrollando en sectores como el

turismo, donde un chatbot puede ayudar a encontrar y reservar pasajes o paquetes completos
turísticos. KLM tiene un chatbot en Facebook Messenger, donde facilita a sus clientes los boletos y
el check-in a través de una conversació n que es respondida de manera inmediata (KLM, 2020). En
el sector salud, tenemos el caso de Essalud, que ha desarrollado esta herramienta para agilizar
procesos, solicitar citas, entre otros (Prado, 2019).

23
Aplicaciones para transferencias vía teléfonos inteligentes
De acuerdo con el portal del Banco de Crédito del Perú (BCP, 2019), se define a la aplicació n Yape
como una app del BCP con la que se puede hacer transferencias utilizando ú nicamente el nú mero
de celular de los contactos registrados en el teléfono, sin necesidad de que el beneficiario tenga una
cuenta en el banco. Las transferencias son 100 % seguras y libres de comisió n. Asimismo, el dinero
se deposita a la cuenta de destino de inmediato. Las propuestas de valor de la aplicació n son hacer
transferencias de manera rá pida, segura y gratis. En esta misma web, se muestra que actualmente
má s de dos millones de usuarios utilizan Yape.

Por otro lado, Rufino Arribas, líder de Yape BCP, declaró lo siguiente: «Yape a lo largo de estos tres
añ os, ha pasado por muchas tentaciones. Como propuestas para comenzar a cobrar, pedir
informació n o introducir préstamos, etc. Pero haber estado tan enfocados en lo simple nos permite
que Yape sea igual a pagar. Mientras Uber es movilidad y Rappi es delivery, nuestro caballo de
batalla es pagos» (Prado, 2020a).

Por otro lado, la competencia directa de Yape actualmente es la nueva aplicació n PLIN. A tres meses
de su lanzamiento, ya alcanzó los 800 000 usuarios y se consolida como una importante solució n
para transferencias interbancarias inmediatas y gratuitas, indistintamente del banco al que
pertenezca el cliente (Valcá rcel, 2020). De esta manera, y considerando la coyuntura actual
producto de la covid-19, los clientes de las principales entidades financieras del país pueden hacer
transferencias sin salir de casa.

Asimismo, con el uso de PLIN, la primera funcionalidad inclusiva reú ne al BBVA, Interbank,
Scotiabank y, en las pró ximas semanas, al BanBif, por la que se brindará n todas las facilidades a los
clientes para que puedan hacer sus transferencias los 365 días del añ o, desde la aplicació n de cada
uno de sus respectivos bancos, y evitando el uso de efectivo y el trá nsito de personas entre
agencias, fortaleciendo así una cultura preventiva y de cuidado de la salud. Crediscotia y el Banco
de la Nació n serían las siguientes entidades financieras que se estarían sumando (Valcá rcel, 2020).

¿Pero có mo funciona PLIN? Para hacer uso de esta herramienta, los clientes no necesitan descargar
una aplicació n adicional o compartir su nú mero de cuenta. El primer paso es afiliar su nú mero de
celular dentro de la aplicació n de su banco. Ahora, para realizar una transferencia, deben buscar
dentro de la aplicació n su lista de contactos grabados en el celular del cliente, elegir el contacto
deseado (quien también debe tener su nú mero afiliado) y luego fijar el monto de la transferencia.
En cuanto a los límites de los montos permitidos, con PLIN se puede transferir desde S/ 1 hasta S/
500 por transacció n, y hasta S/ 1500 por día (Valcá rcel, 2020).

Aplicaciones de cambio de divisas

Segú n su pá gina web (https://kambista.com/blog/), Kambista nació con el sueñ o de ofrecer la
mejor experiencia de cambiar dinero en Latinoamérica, y en solo tres añ os logró el reconocimiento
de marcas innovadoras y de instituciones que fomentan las buenas prá cticas financieras.

Por su parte, Daniel Bonifaz —CEO y cofundador de Kambista, startup peruano de cambio de dinero
digital—, reveló que en el 2019 crecieron el triple que, en el 2018, llegaron a facturar S/ 3.2
millones, y para el 2020 esperan duplicar ese monto (Prado & Flores, 2020). En la medida en que
van aumentando los usuarios, es difícil subir, pero se estima que el crecimiento seguirá siendo
exponencial. Se ha gastado en implementar nueva tecnología que no necesariamente tiene que ver
con el core del negocio, como la validació n de la identidad biométrica. Ninguna entidad financiera
tiene eso en el Perú .

Asimismo, Bonifaz aseveró que en el 2019 Kambista cambió S/ 1000 millones. Algo que modificó su
percepció n del negocio fue identificar cuá l es la métrica que má s importa. Esta métrica es el nú mero
de operaciones, incluso má s que el flujo (monto). El crecimiento es estacional, y hay personas que
cambian má s en marzo, julio y diciembre. Cada cliente hace 2.2 operaciones al mes en promedio. En
cuanto al nú mero de operaciones, en el 2019 hicieron 176 000 operaciones; en el 2017, 5500 y el
2018 llegaron a 64 000. Se espera alcanzar en el 2020 unas 350 000 operaciones.

24
En lo tocante a sus tipos de clientes, hoy el 80 % son personas naturales y el 20 % son empresas. El
ticket promedio de la persona natural es de US$ 1100 y el de empresas es de US$ 8000. Son
empresas pequeñ as que no está n favorecidas por las tasas (corporativas especiales) del banco. Ya
cuentan con 3000 empresas.

Con referencia a sus planes futuros, quieren seguir innovando en negocios fintech, pero en varias
empresas. Má s adelante las incorporará n cuando la regulació n está clara. Ahora han creado
Pagadespués, que es una empresa de préstamos en el check-out del ecommerce. Bonifaz estima que
habrá sinergias entre esas empresas que vayan creando. Si tienen esas marcas a largo plazo,
podrían ofrecer un servicio de un banco. Si ofrecen préstamos, cambio, facturas y luego ahorros,
puede formarse una figura interesante (Prado & Flores, 2020).

Otra aplicació n de cambio de divisa reconocida en el mercado es Rextie (2019), la cual usa la
tecnología para comprar y vender de manera online, rá pida y segura, con el beneficio de generar un
ahorro a través de un excelente tipo de cambio. Por ello, Mateu Batle, CEO de Rextie, declara en su
plataforma que no fue fá cil ingresar al mercado, dado que en los inicios el mercado se rehusaba a
realizar operaciones bancarias digitales, pero encontraron oportunidades tales como tipos de
cambios má s competitivos que el de las entidades bancarias, y brindar seguridad y confianza al
realizar una transacció n por la plataforma.

A finales del 2018, Rextie lanza al mercado el servicio Rextie Scan, creando así la primera regtech
del país, que funciona como una especie de filtro que permite identificar a personas o empresas, en
14 listas negras, que estén relacionadas o hayan realizado operaciones ilícitas (lavado de dinero o
financiamiento de terrorismo). Este servicio permite reducir riesgos y colaborar con el
cumplimiento normativo.

También, fueron ganadores de Startup Perú 2018 y elegidos para representar al Perú en el Oslo
Innovation Week y Google Launchpad Week. En ese mismo añ o, declaran haber crecido a 800 %, ya
que superaron los 440 millones en transacciones, y que contribuyeron a que sus clientes ahorraran
11 millones en comparació n con el tipo de cambio publicado por los bancos (Rextie, 2019).

Banco totalmente digital

Segú n un informe de la BBC (2018), Nubank es el primer banco 100 % digital en América Latina y
es un caso de éxito en Brasil, ya que se inició como un startup en el añ o 2013 en un mercado con
muchas desventajas. Primero, ingresa a un sector dominado por cinco bancos nacionales y donde
cualquier firma forá nea podría no durar mucho en el mercado; tal fue el caso de HSBC, Citibank y
otros, dado que los bancos nacionales son altamente competitivos. Asimismo, los socios fundadores
de Nubank — David Vélez, Edward Wible y Cristina Juqueir apostaron por esta plaza, pues
encontraron oportunidades en medio de ese mercado emergente, como, por ejemplo: aumento de
robos en agencias bancarias, transporte hacia las agencias, uso de teléfono mó vil en la mayoría de
los usuarios, altas tasas de interés, entre otras. Ellos tienen como pú blico objetivo a los millennials,
ya que declaran estar en contra de la burocracia y le dan mayor énfasis a escuchar a sus clientes y
brindarles el mejor servicio, sin colas ni sin atenciones deficientes, sino brindá ndoles un canal de
atenció n directo y rá pido a través de su aplicació n, correo electró nico y redes sociales.

En ese mismo sentido, se refuerza la posició n de Rosa, Schreiber, Schmidt y Kuhn (2017) sobre que
Nubank logra el éxito dado que su enfoque está basado en adoptar una relació n compartida con sus
clientes, de tal manera que ellos formen parte del proceso de creació n de valor y brindarles la mejor
experiencia. Sin embargo, son los fundadores quienes apostaron por el emprendimiento, debido a
que encontraron varias necesidades por atender, estudiaron a los principales competidores y qué
tan factible es iniciar un proyecto digital en un mercado que está acostumbrado a la banca
tradicional; por ende, optaron por brindar una solució n innovadora hacia un segmento específico.
Los millennials, de acuerdo con un estudio publicado por el BBVA (2016), son la generació n que
creció con el cambio tecnoló gico, así que son 100 % digitales, el 76 % tiene un smartphone y son
altamente preparados profesionalmente, lo cual los hace un mercado altamente atractivo para
Nubank, ya que buscan usuarios que usen constantemente la tecnología y confíen en el buen uso de

25
 esta. El mencionado caso de éxito está por replicarse en Perú en diciembre de 2020 a través de del
modelo neobanco, el cual se basa en establecer una alianza con un banco o entidad financiera, ya
constituido, para poder realizar operaciones en el país, dado que la regulació n actual no permite la
apertura de un banco digital (Chá vez, 2020). Por ello, su fundador, Javier Salinas, afirma que B89
iniciará operaciones en el país de la mano de una firma reconocida, la cual no se ha dado a conocer
aú n, y espera que a medida que entre en funcionamiento se establezcan las regulaciones necesarias
para que los bancos digitales puedan obtener una licencia bancaria y sus operaciones sean online,
es decir, no estar obligados a instalarse en un espacio físico. Asimismo, indica que su mercado
objetivo son las personas independientes, como los que trabajan en Airbnb, Rappi, Uber y otras, ya
que hacen uso constante de la tecnología.

Capítulo III: Aplicación de la Inteligencia Artificial en el Sistema

Financiero.
3.1. Inteligencia artificial aplicada a la recuperación de cuentas morosas

Una de las grandes ventajas que produce la inteligencia artificial es su capacidad de atenció n
inmediata, mú ltiple y controlada, así como su expansió n y crecimiento constante en cualquier tipo
de actividad, má s aú n cuando se trata de procesos estructurados.

En lugar de tener que invertir en grandes espacios de trabajo para albergar a decenas, cientos o
miles de personas para que se dediquen a contactar sistemá ticamente a los deudores, lo que
implicará ademá s una serie de importantes pasivos colaterales como son cargas sociales,
vacaciones, incapacidades, compra de equipos de có mputo, accesorios, muebles para los gestores,
software y hareware con sus consecuentes gastos de mantenimiento, la Inteligencia Artificial
brinda los siguientes beneficios:

Mejora de los resultados: Se genera un escalamiento del 10% o má s, en los resultados de

recuperació n al entrenar el sistema de recomendaciones usando la inteligencia artificial, infiriendo
cuales son comportamiento de pagos de deuda de los clientes.

Reducció n del tiempo de cobranza: Los plazos de recuperació n de la deuda se ven reducidos,
debido a que los motores de inteligencia artificial realizan un trabajo má s eficiente.

Reducció n de costos: Al usar la inteligencia artificial, se optimiza el uso del recurso humano,
logrando reducir los costos de cobranzas de una manera importante.

Mejora Experiencia del usuario: Lo má s importante de usar la inteligencia artificial para la

cobranza, es que se optimiza la gestió n de cobranza a través del canal adecuado en el momento
preciso, de tal manera que el cliente no se siente torturado por la gestió n de cobranza, mejorando la
experiencia del usuario.

Otros beneficios:

Con los deudores las 24 horas por plataformas digitales y telefó nicas.

Atiende a miles de Interactú a deudores al mismo tiempo.

Aprende desde la primera vez y puede ser reentrenada permanentemente.

Se ajusta estrictamente a lo que se le enseñ ó .

Negocia con los deudores y formaliza arreglos de pago.

Brinda siempre una atenció n respetuosa al cliente.

Da seguimiento a las cuentas morosas.

26
Permite un control de todas sus interacciones.

Reduce sustancialmente el costo de las gestiones de cobro.

Mejora los resultados e índices de recuperabilidad de la morosidad.

¿La Inteligencia Artificial ayuda a lograr una cobranza eficiente?

La Inteligencia Artificial (IA) está transformando el proceso de cobranza. Utilizando técnicas de
aprendizaje automá tico basadas en datos, los gestores de cobro pueden guiarse en la evaluació n de
un cliente, lo que permite suposiciones precisas y mejora la productividad, elevando así la tasa de
éxito durante el proceso de cobranza. Las ventajas del uso de la IA en los procesos de cobranza son:

 Permite analizar y anticipar el comportamiento del cliente.

 Permite que los gestores de cobranza tomen decisiones estratégicas que hagan que la
gestió n de cobranza sea má s eficiente y má s amigable.
 Mejora el rendimiento de la gestió n de cobranza.
 Evita la cobranza compulsiva sin necesidad

Si usamos una gestió n de cobranza de manera inteligente podemos conocer detalladamente el

comportamiento de cada uno de los deudores que integran nuestra cartera.

Los compromisos vencidos, historial de pagos, canales de comunicació n efectivos o cualquier otro
dato que necesitemos, son el punto de partida porque será n la fuente de alimentació n para entrenar
a los algoritmos que identificará n los patrones de conducta, automatizará n funciones y aplicar en la
cartera dando paso a acciones de cobranza claras y enfocadas en cada cliente.

El uso de bots basados en Inteligencia Artificial es uno de los avances má s importantes y con mayor
aplicabilidad en el proceso de cobranza. Son usados para hacer notificaciones, ofrecer
reestructuraciones simples, agendar compromisos de pago, e interacciones con el deudor de forma
automatizada, masiva y con un alto nivel de eficiencia, especialmente gestionando clientes en
tramos de mora. Esta tecnología ha alcanzado un nivel de refinamiento tal, que estos bots son
capaces de procesar cualquier tipo de comunicació n sin importar su origen y derivarla con un
operador de ser necesario, o ejecutando las acciones necesarias que logren la recuperació n o
reestructuració n de la deuda.

Aunque la Inteligencia Artificial y el autoservicio son una combinació n muy efectiva, los operadores
humanos seguirá n siendo por mucho tiempo una parte importante de la operació n de gestió n de
cobro porque su capacidad de negociació n y empatía ante casos difíciles no ha podido ser emulada
por los bots.

Si los clientes se mantienen satisfechos con la gestió n de cobro, la probabilidad de que se vuelvan
deudores morosos baja y sube la de que cumplan con las fechas de pago.

La Inteligencia Artificial al igual que otras tecnologías, debe ser entendida como facilitadora en la
democratizació n del conocimiento de la organizació n, de la toma de decisiones y de la
simplificació n de procesos operativos. Esta ofrece la rapidez, precisió n y simplificació n de muchas
de las actividades relacionadas con la gestió n de cobro, y es una herramienta que ayuda a que
nuestras organizaciones sean má s inteligentes.

Funcionalidades de un Sistema de Cobranzas Inteligente:

Omnicanalidad: Se requiere poder utilizar todos los canales digitales disponibles para contactar al
cliente para recordarle que pagues su deuda. Estos canales son llamadas telefó nicas, mensajes de
texto al celular conocidos como SMS, correos electró nicos, mensajes vía chatbots, callbots.

Estrategia: Ejecutar las campañ as de cobranzas a través de estrategias de combinació n del uso de
los diferentes canales para lograr una cobranza efectiva, realizando el monitoreo de la gestió n de

27
cobranzas para poder evaluar los resultados de la gestió n de cobranza, utilizando un portal con
indicadores claves de cobranzas.

Inteligencia: Utilizar algoritmos matemá ticos que detecten los patrones de comportamiento de
pago de los clientes, analizando el comportamiento de diversas variables de la cobranza, para
alimentar al motor de inteligencia artificial, que permita aprender de los resultados obtenidos de
cada campañ a y hacer las adecuaciones al modelo para optimizar la cobranza

La combinació n de las funcionalidades de estas tres dimensiones, permiten que las gestiones de
cobranza sean cada vez mas inteligentes, logrando mejorar los resultados de las campañ as de
cobranzas.

4 Claves para el uso de la Inteligencia Artificial en la cobranza

Comenzamos con los datos
En una gestió n de cobranza tenemos acceso a una enorme cantidad de datos que, si la usamos de
manera inteligente, nos permitirá n conocer detalladamente el comportamiento de cada uno de los
deudores que integran nuestra cartera. De acuerdo a un estudio de McKinsey: “...las empresas
deben hacer esfuerzos digitales para reflejar las expectativas cambiantes de los clientes” y esto solo
lo podremos lograr usando los datos de manera inteligente.

Montos adeudados, compromisos vencidos, historial de pagos, canales de comunicació n efectivos o

cualquier otro dato que necesitemos o inclusive que creamos no necesitar, ya está ahí, estos datos
son el punto de partida porque será n la fuente de alimentació n para entrenar a los algoritmos que
identificará n los patrones de conducta, automatizará n funciones y definirá n la clusterizació n a
aplicar en la cartera dando paso a acciones de cobranza claras enfocadas a cada cliente.

Datos + modelos predictivos = estrategia

Los modelos predictivos son algoritmos construidos con Machine Learning que nacen de la data
que poseemos, esta informació n nos permitirá adelantarnos a las acciones de los clientes y con base
a esto, tomar decisiones, crear estrategias y disponer de productos que permitan lograr el recupero,
en especial en estos tiempos donde la diná mica econó mica ha cambiado tanto a raíz de la pandemia.

“En definitiva, el ‘machine learning’ es un maestro del reconocimiento de patrones, y es capaz de

convertir una muestra de datos en un programa informá tico capaz de extraer inferencias de nuevos
conjuntos de datos para los que no ha sido entrenado previamente”. José Luis Espinoza, científico
de datos de BBVA México.

Entender el intrincado conjunto de variables que definen el comportamiento de pago de un deudor,

la forma en la que se comunica y los eventuales cambios, es una necesidad y hacerlo rá pidamente es
un deber.

En Colektia hemos desarrollado algoritmos propios con los que logramos tener una comprensió n
profunda de la cartera de clientes con una precisió n de hasta el 80%, con esto diseñ amos
estrategias que se adaptan a las necesidades de los deudores aumentando así las probabilidades de
recupero.

Los bots y el reconocimiento de voz y texto entran en la jugada

El uso de bots basados en Inteligencia Artificial es uno de los avances má s importantes y con mayor
aplicabilidad en el proceso de cobranza. Son usados para hacer notificaciones, ofrecer productos,
agendar compromisos de pago e interacciones con el deudor de forma automatizada, masiva y con
un alto nivel de eficiencia especialmente gestionando clientes en tramos de mora temprana
menores a 30 días.

Esta tecnología ha alcanzado un nivel de refinamiento tal, que estos bots son capaces de procesar
cualquier tipo de comunicació n sin importar su origen y derivarla con un operador de ser
necesario, o ejecutando las acciones necesarias que logren la recuperació n de la deuda.

28
De hecho, un aná lisis hecho por Ricardo Bonastre, CEO y Cofundador de Lead Ratings, demuestra
que las campañ as que se realizan usando este tipo de soluciones basadas en IA, representan un
aumento de ingresos para la empresa en un 30% y ahorro en los costos de operació n de un 25%.

En Colektia desarrollamos un bot especializado en cobranza de nombre Ramiro, el cual puede

interactuar con los clientes y guiarlos hasta lograr que se pongan al día con la deuda, y en aquellos
casos donde no puede lograr el objetivo, deriva inmediatamente el caso a un operador.

El equipo humano de cobranza mejora gracias a la IA

Muchos piensan que los bots son la puerta de entrada para la desaparició n de los operadores
humanos, pero en Colektia somos firmes creyentes de que la Inteligencia Artificial viene a potenciar
las labores de tu equipo humano haciéndolos má s eficientes.

Aunque la Inteligencia Artificial y el autoservicio son una combinació n muy efectiva, los operadores
humanos seguirá n siendo por mucho tiempo una parte importante de la operació n de gestió n de
cobranza porque su capacidad de negociació n y empatía ante casos difíciles no ha podido ser
emulada por los bots.

Si los clientes se mantienen satisfechos con tu gestió n de cobranza, la probabilidad de que se

vuelvan deudores conscientes baja y crece la probabilidad que cumplan con las fechas de pago. Por
esto abordar la gestió n de cobranza usando un modelo mixto es má s ventajoso.

3.2. Uso de la inteligencia artificial en la gestión de riesgos

Como no podía ser de otra manera, la inteligencia artificial también puede ser utilizada y ofrecer
grandes ventajas para el proceso de gestió n de riesgos empresariales.

En este caso, los algoritmos de inteligencia artificial aprenden a partir de datos histó ricos de la
gestió n realizada a reconocer patrones y tendencias de riesgos a los que está expuesta una
organizació n.

De esta manera, usar inteligencia artificial en la gestió n de riesgos sirve para:

 Identificar riesgos emergentes. A partir de los datos analizados, los algoritmos de IA

pueden detectar riesgos que podrían llegar a materializarse en el mediano o largo plazo.
 Evaluar los riesgos de forma má s precisa. La IA también puede ser utilizada en la
evaluació n de la probabilidad de ocurrencia y el impacto de los riesgos identificados,
facilitando así la toma de mejores decisiones.
 Mitigar los riesgos gracias a la implementació n de controles má s efectivos que se ajusten a
las características concretas de cada riesgo.
 Realizar monitoreos en tiempo real. Los algoritmos de IA pueden monitorear
continuamente y estar alertas al contexto organizacional para identificar en tiempo real
posibles amenazas que afecten la operació n y la continuidad del negocio.
 Predecir y prevenir posibles situaciones riesgosas que pueden ocurrir en un futuro.

Adicional a esto, la inteligencia artificial en la gestió n de riesgos trae otras ventajas para las
organizaciones, por ejemplo:

 Disminuir la probabilidad de errores en el proceso de gestió n, a la par que realiza aná lisis
profundos de una gran cantidad de datos histó ricos y del contexto organizacional.
 Realizar cá lculos má s rá pidos y eficientes en funció n de cientos de criterios, ademá s, la IA
ayuda a agilizar la gestió n de riesgos y a tener predicciones má s fiables y seguras.
 Mejorar la toma de decisiones empresariales.
 Tener una visió n má s completa y holística de los riesgos a los que se enfrenta la
organizació n porque la IA permite tener evaluaciones sistemá ticas y ayuda a anticiparse.

29
  Eliminar carga de trabajo a los profesionales de riesgos, que pueden dedicarse a tareas má s
analíticas y estratégicas de la gestió n, aumentando así su productividad y mejores
resultados.

Teniendo en cuenta todo lo anterior, la inteligencia artificial puede ser una gran aliada para la
gestió n de riesgos en las organizaciones, de hecho, de acuerdo con los expertos y defensores de esta
tecnología, quienes la incorporan a futuro podrá n responder má s á gilmente a las amenazas,
cambios y desafíos que trae el mercado.

3.3. Cómo la Inteligencia Artificial filtrará mayor información en las

centrales de riesgo

La inteligencia artificial (IA) tiene el potencial de filtrar y analizar una mayor cantidad de
informació n en las centrales de riesgo de varias formas:

Análisis de datos no estructurados: Las centrales de riesgo tradicionales se basan principalmente

en datos financieros estructurados, como historiales de crédito y datos de ingresos. Sin embargo, la
IA puede procesar y analizar datos no estructurados, como publicaciones en redes sociales, correos
electró nicos, noticias y comentarios en línea. Esta informació n adicional puede proporcionar una
visió n má s completa del comportamiento y la situació n financiera de un individuo o empresa.

Extracción de datos de múltiples fuentes: La IA puede integrar datos de diversas fuentes, tanto
internas como externas, para mejorar el aná lisis de riesgos. Por ejemplo, puede recopilar
informació n de transacciones financieras, informes de crédito, bases de datos gubernamentales,
registros de propiedad, informació n empresarial y muchos otros recursos disponibles. Al reunir y
analizar datos de mú ltiples fuentes, la IA puede proporcionar una imagen má s precisa y detallada
del riesgo crediticio.

Análisis de patrones y tendencias: Los algoritmos de aprendizaje automá tico utilizados en la IA

son capaces de identificar patrones y tendencias ocultas en grandes volú menes de datos. Al aplicar
estos algoritmos a los datos de las centrales de riesgo, la IA puede descubrir relaciones y
correlaciones que podrían pasar desapercibidas para los analistas humanos. Esto permite una
evaluació n má s precisa y rá pida del riesgo crediticio.

Monitoreo en tiempo real: La IA también puede proporcionar un monitoreo continuo y en tiempo

real de los cambios en la situació n financiera de los individuos o empresas. Al analizar datos en
tiempo real, como transacciones financieras recientes o cambios en los patrones de gasto, la IA
puede ayudar a detectar de manera proactiva posibles riesgos o comportamientos fraudulentos.

Es importante destacar que, si bien la capacidad de la IA para filtrar y analizar una mayor cantidad
de informació n puede ser beneficiosa, también plantea desafíos relacionados con la privacidad y la
seguridad de los datos. Es fundamental garantizar que se cumplan los está ndares de protecció n de
datos y privacidad, y que se establezcan salvaguardias adecuadas para proteger la informació n
personal y sensible utilizada en el proceso de evaluació n de riesgos.

30
 3.4. Cómo la Inteligencia Artificial mejorará la oferta y la demanda en el
Sistema Financiero Nacional.

Tecnologías utilizadas por la banca digital

Big Data (Datos Masivos)
Es la recopilació n y administració n masiva de informació n que hace posible el almacenamiento,
procesamiento y aná lisis de informació n digital. Permite a la banca tomar decisiones de manera
efectiva, dado que, al conocer mejor a sus clientes, puede ofrecer productos y servicios financieros
diseñ ados segú n sus necesidades. Mejora los procesos de aprobació n de créditos, gestió n de riesgos,
banca de inversió n y ventas cruzadas. Ademá s, elimina las barreras de la asimetría de informació n.

Blockchain (Cadena de Bloques)

Es una cadena de bloques o registro de datos descentralizado. Se trata de una base de datos
compartida por una red distribuida que utiliza algoritmos encriptados haciendo de la informació n
difícil de manipular o robar. En la banca, en un futuro cercano, facilitará la transmisió n de
documentos (datos) y capitales de una forma segura utilizando có digos encriptados. Asimismo,
permitirá proporcionar a los clientes una identidad segura en la red; ademá s, se reemplazará n los
contratos tradicionales por los smart contract, lo que reducirá el riesgo en las transacciones.

En cuanto al sector bancario y financiero, si bien es cierto que el uso de esta tecnología aú n es
incipiente, algunos bancos han venido trabajando de manera importante en la utilizació n del
blockchain en el desarrollo de sus productos, viendo en su utilizació n enormes posibilidades para la
reducció n de costos, mayor eficiencia y agilidad en las transacciones. (Federació n Latinoamericana
de Bancos [FELABAN], 2018, p.1).

Cloud Computing (computación en la nube)

Es la tecnología que facilita el acceso remoto por medio de internet para el almacenamiento de
datos, plataformas, aplicaciones y servicios en un espacio virtual. Las nubes (servidores localizados
en la red) son los entornos donde se ejecutan las cargas de trabajo. El almacenamiento de datos y
servicios en la nube asegura el procesamiento rá pido de transacciones y genera ahorros tanto para
el cliente financiero como para la banca, genera escalabilidad y agilidad en el negocio bancario y es
amigable con otras tecnologías como la inteligencia artificial y el big data.

Inteligencia Artificial (IA)

Es una especialidad de la ciencia informá tica que se refiere al desarrollo de los sistemas para
realizar tareas complejas como lo haría la inteligencia humana. La inteligencia artificial impacta en
actividades de la banca como la gestió n de riesgos, calificació n de créditos, fraudes en tarjetas de
crédito, transacciones de efectivo y el asesoramiento personalizado (app chatbot). “Un chatbot es
un software que interactú a con el usuario mediante una interfaz de conversació n, diseñ ado para
simular una conversació n inteligente sin un ser humano presente” (Serrano-Cobos, 2016, p.845). La
inteligencia artificial se ha convertido en una herramienta imprescindible en los mercados
financieros de inversió n, por lo que su uso se generalizará en el corto plazo. Sin embargo,
difícilmente llegará a sustituir al ser humano en su totalidad, sino que será un factor
complementario en la toma de decisiones (Alonso y Carrio, 2019).

Inteligencia artificial y banca personalizada

En el sector bancario, la IA alimenta a los chatbots, que brindan a los clientes soluciones integrales
de autoayuda mientras reducen la carga de trabajo del call center. Los asistentes virtuales
controlados por voz impulsados por tecnología inteligente, como la Alexa de Amazon, también está n
ganando terreno rá pidamente, lo que no es una sorpresa: al contar con una funció n de
autoeducació n, se vuelven má s inteligentes cada día. Ambas herramientas pueden verificar saldos,
programar pagos, buscar actividades de cuenta y má s.

31
Una serie de aplicaciones de IA ofrecen asesoramiento financiero personalizado y ayudan a las
personas a lograr sus objetivos financieros. Estos sistemas inteligentes rastrean los ingresos, los
gastos recurrentes esenciales y los há bitos de gasto, y ofrecen un plan optimizado y consejos
financieros.

Se puede esperar que, en un futuro cercano, las empresas confíen en la inteligencia artificial para
tomar decisiones importantes relacionadas con su planificació n y futuro en el mercado. Las
organizaciones deben entender la IA como una inversió n a largo plazo para reducir costos y
mantenerse actualizadas. Esta nueva tecnología no solo cambiará la forma en la que se llevan a cabo
los negocios, sino también todo tipo de actividades no comerciales.

Inteligencia Artificial y automatización de procesos

Los líderes vanguardistas de la industria buscan la automatizació n de procesos cuando quieren
reducir los costos operativos y aumentar la productividad.

Por ejemplo, el reconocimiento inteligente de caracteres hace posible automatizar una variedad de
tareas mundanas y lentas que solían llevar miles de horas de trabajo e inflar las nó minas. El
software habilitado con inteligencia artificial verifica los datos y genera informes de acuerdo con los
pará metros dados, revisa documentos y extrae informació n de formularios (solicitudes, acuerdos,
etc.).

El empleo de la automatizació n para tareas repetitivas de alta frecuencia reduce el error humano y
permite que una institució n financiera reoriente los esfuerzos de la fuerza laboral en proceso que
requieren la participació n humana.

Ernst & Young ha informado de una reducció n de costes del 50% al 70% para este tipo de tareas, y
Forbes lo llama un “fá rmaco de puerta de entrada a la transformació n digital”.

Una firma financiera líder, JP Morgan Chase, ha implementado exitosamente un proceso automá tico
robó tico (RPA, por sus siglas en inglés) para ejecutar tareas como extracció n de informació n,
cumpliendo con las regulaciones de conocer a tu cliente (KYC, por sus siglas en inglés) y capturar
documentos. RPA es una de las cinco tecnologías emergentes. JP Morgan Chase usa esto para
mejorar los procesos de manejo de efectivo.

La tecnología de banca abierta tecnológica para fomentar la inversión

Los asesores de inversió n pueden mejorar las ventas si tienen agregació n de cuentas. Es decir, en la
plataforma de inversió n se incluya informació n de diferentes bancos, casas de bolsa, prestamistas,
seguros, entre otras. De esa manera, se pueden construir informes robustos del cliente.

Por su parte, mediante una herramienta de gestió n financiera (PFM), los clientes tienen una visió n
clara de su posició n actual, optimiza el asesoramiento que guía clientes para tomar las mejores
decisiones en su futuro financiero.

Beneficios de la banca abierta tecnológica para instituciones de inversión

La agregació n de cuentas, sumada al procesamiento de datos, ayuda a los asesores a identificar
clientes potenciales. Ademá s, ayuda a realizar una serie de ajustes para la institució n financiera.

Visión 360º para asesores y clientes

Los asesores al final del día son los que tienen contacto con los clientes y pueden brindar una mejor
oferta de servicios. Es ideal que puedan acceder a plataforma los asesores y también los clientes.

Aumento de ventas
Proporcionar a los clientes una imagen completa de sus activos abre la conversació n para realizar
ventas cruzadas y atraer activos a su institució n.

Equilibrio de cartera

32
Una cartera de inversió n de clientes actualizada y completa es ideal para modelar y reequilibrar los
activos externos e internos. Lo que facilita la recomendació n de productos para los clientes.

Creación de aplicaciones propias

Las empresas de inversió n deberían crear sus propias aplicaciones. Se pueden apoyarse de otros
desarrolladores de APIs financieras, SDK o whitelabel, para ofrecer informació n en un solo lugar y
productos personalizados.

Las aplicaciones deben incluir cuentas de inversiones y bienestar financiero. Con este tipo de
aplicaciones los asesores pueden continuar interactuando con sus clientes y ayudarlos a elegir las
mejores opciones.

Banca abierta + enriquecimiento de datos = mejores resultados

3.5. ¿Cómo la Inteligencia Artificial apoyaría al Sistema Financiero en el

análisis del riesgo de cartera de clientes?

La inteligencia artificial (IA) puede desempeñ ar un papel crucial en el aná lisis de riesgo de cartera
de clientes en el sistema financiero. Al aplicar técnicas avanzadas de aprendizaje automá tico y
procesamiento del lenguaje natural, la IA puede mejorar significativamente la precisió n y eficiencia
de este proceso. A continuació n, se presentan algunas formas en las que la IA puede apoyar al
sistema financiero en el aná lisis de riesgo de cartera de clientes:

Aná lisis de datos masivos: La IA puede procesar grandes cantidades de datos de manera
rá pida y eficiente. Esto es especialmente ú til cuando se manejan mú ltiples fuentes de
informació n, como historiales de transacciones, informes crediticios, datos econó micos y
financieros, redes sociales, etc. Al tener acceso a esta informació n detallada, los analistas
pueden obtener una visió n má s completa y precisa del perfil de riesgo de cada cliente.

Modelos de crédito avanzados: La IA puede desarrollar modelos de crédito má s sofisticados y

precisos mediante el aná lisis de patrones complejos en los datos histó ricos de los clientes.
Estos modelos pueden evaluar factores de riesgo y predecir la probabilidad de impago o
incumplimiento de un cliente en el futuro.

Detecció n temprana de riesgos: Mediante el aná lisis continuo de los datos de los clientes, la IA
puede detectar señ ales tempranas de problemas financieros o cambios en la capacidad de
pago de un cliente. Esto permite a las instituciones financieras tomar medidas preventivas y
mitigar los riesgos antes de que se conviertan en problemas mayores.

Segmentació n de clientes: La IA puede ayudar a segmentar a los clientes en grupos con

perfiles de riesgo similares. Esto facilita la personalizació n de los productos y servicios
financieros ofrecidos a cada grupo, lo que puede mejorar la satisfacció n del cliente y reducir el
riesgo general de la cartera.

Automatizació n de procesos: La IA puede automatizar tareas repetitivas y basadas en reglas, lo

que permite que los analistas se centren en actividades má s estratégicas y decisiones má s
complejas. Esto también puede acelerar el proceso de toma de decisiones y reducir el tiempo
necesario para evaluar la cartera de clientes.

Monitoreo en tiempo real: La IA puede monitorear de manera constante la cartera de clientes

y alertar sobre posibles riesgos o desviaciones significativas en el comportamiento de los
clientes. Esto permite una gestió n proactiva del riesgo y una mayor capacidad de respuesta
ante situaciones cambiantes.

Mejora de la experiencia del cliente: Al utilizar la IA para comprender mejor las necesidades y
preferencias de los clientes, las instituciones financieras pueden ofrecer productos y servicios
má s personalizados y adaptados a sus perfiles, lo que aumenta la satisfacció n del cliente y, en

33
 ú ltima instancia, reduce el riesgo de abandono.

En general, la inteligencia artificial puede brindar una ventaja competitiva a las instituciones
financieras al mejorar la precisió n del aná lisis de riesgo de cartera de clientes y permitir una toma
de decisiones má s informada y rá pida. Sin embargo, es importante tener en cuenta que la
implementació n de estas tecnologías debe ser cuidadosa y responsable, garantizando la privacidad
y seguridad de los datos de los clientes en todo momento.

34