Inteligencia artificial para crear modelos de prevención en las finanzas

Por: Christoph Scheuermann, Chief Technology Officer de Kamina

En los últimos años, la inteligencia artificial ha alcanzado un pico de popularidad en todas las industrias, debido a la facilidad que brinda para procesar grandes volúmenes de datos. Especialmente en el sector Fintech, hemos visto cómo todo ahora es “AI powered”. Esto está muy bien, ya que realmente permite construir soluciones de valor. Sin embargo, la cuestión fundamental es: ¿Cómo hacerlo bien de verdad?

Existen tres grandes ventajas que debemos aprovechar de esta tecnología. Primero, el análisis preventivo. La inteligencia artificial nos permite integrar comportamientos pasados para predecir eventos futuros. Segundo, la personalización. Hoy en día, la clave del éxito de las experiencias de usuario radica en la capacidad de personalizar la comunicación y las ofertas, identificando las necesidades particulares de cada individuo. Tercero, la detección oportuna de fraudes mediante la identificación de patrones inusuales. Sin embargo, hablar de tecnología de prevención financiera implica ir mucho más allá.

Para no ser muy técnicos, se puede resumir en los siguientes puntos:

La morosidad: Analizando la data cruda del usuario, se puede conocer cómo gestionan sus deudas y qué patrones de pago siguen. De esta manera, se activan alertas cuando se detecta una alta probabilidad de retraso en los pagos.

Control financiero: Al complementar la data cruda del usuario (ingresos, pagos) con sus comportamientos, se logra proponer recomendaciones personalizadas que se traducen en acciones concretas para mejorar y mantener las finanzas bajo control.

Educación: Con inteligencia artificial, podemos identificar los vacíos en educación financiera de los usuarios y proporcionarles la información que realmente necesitan, mediante un proceso de curaduría de contenidos.

¿Dónde entra el análisis de datos en todo esto? Predecir la morosidad requiere un nivel de complejidad mayor que considerar un único patrón. Es necesario crear un modelo predictivo, lo que implica integrar ciencias del comportamiento con datos históricos para prevenir patrones futuros. De ahí surgen las alertas. En términos simples, se crea un perfil de comportamiento financiero de las personas, compuesto por data cruda (información del buró de crédito, relación ingresos-gastos, etc.) y una percepción personal extraída de un test de autodiagnóstico.

Ahora, ¿Cómo hacer esto cercano a las personas? La respuesta está en los modelos de lenguaje de gran escala (LLM). Estos permiten crear conversaciones naturales, facilitar la comprensión de temas complejos con un lenguaje accesible y fomentar el engagement al proporcionar recomendaciones basadas en la identificación social.

Sin embargo, muchas Fintech cometen el error de creer que todo se resuelve con un chatbot. Es una herramienta útil, pero no es la solución mágica. La calidad de las respuestas que genera un LLM depende estrictamente de la data con la que se alimenta. Todos los modelos de inteligencia artificial están propensos a cometer errores, eso está claro. No obstante, existen factores que ayudan a minimizarlos:

Calidad de los datos: El proceso de curaduría de la información es fundamental y esta debe ser precisa, concreta y actualizada.

Validación continua: Las pruebas exhaustivas deben convertirse en un hábito. Es crucial probar el modelo y ajustar el input para obtener mejores resultados.

Feedback loops: Los sistemas de retroalimentación de los usuarios son esenciales para confirmar que la información entregada es útil y de calidad.

El uso de la inteligencia artificial en las Fintech no es una novedad. Quienes no lo están implementando ya están atrasados. La diferencia radica en cómo se aprovecha esta tecnología para crear modelos de prevención apalancados en data cruda y comportamental, con el fin de transformar hábitos. Aquí es donde se crea explora un nuevo terreno: el financial prevention tech.