El sistema financiero en la era de la inteligencia artificial

Por Alejandro Manzocchi, responsable de Endava para las Américas

En Colombia, como en buena parte del mundo, la conversación sobre inteligencia artificial ha avanzado más rápido que su adopción real. Muchas organizaciones, en especial del sector financiero, hablan de IA, experimentan con herramientas y anuncian pilotos, pero pocas han dado el paso decisivo hacia modelos verdaderamente AI-native.

Si bien, durante años, las metodologías ágiles ayudaron a las organizaciones financieras a avanzar más rápido, colaborar y llevar a cabo la transformación digital, ahora, en la era de la IA, muchos líderes se están dando cuenta que para potenciar resultados y tiempos de entrega, la agilidad combinada con AI resulta una dupla poderosa. En ese sentido, Endava, consultó a 1.000 líderes de servicios financieros y de tecnología financiera y, en su más reciente informe reveló que, el 94% de ellos cree que convertirse en nativo de IA es esencial para seguir siendo competitivos.

Sin embargo, el problema no es tecnológico. El acceso a la IA está ampliamente democratizado y el conocimiento sobre cómo implementarla es global. En la mayoría de casos, la IA se adopta por presión del entorno o por miedo a quedarse atrás, sin replantear los procesos centrales del negocio. El informe menciona que el 26% de los encuestados planea convertirse en nativo de IA en los próximos dos años. Cuando la IA se usa como un complemento externo y no como parte estructural del sistema operativo de la organización, el impacto es limitado y el retorno de inversión difícil de justificar.

En este contexto, Colombia parte de una posición interesante. El país cuenta con una Superintendencia Financiera que ha demostrado apertura a la innovación, promoviendo iniciativas como el sandbox regulatorio y el avance hacia esquemas de Open Finance. Lejos de ser un obstáculo, un regulador tecnológicamente sofisticado puede convertirse en un acelerador de la transformación, siempre que la IA se adopte de manera responsable, explicable y alineada con objetivos de negocio claros.

Sin embargo, el reto para los bancos es evidente. Aunque han avanzado significativamente en digitalización, la mayoría aún opera bajo lógicas que no son AI-native. Cerrar esa brecha implica ir más allá de pilotos o herramientas aisladas y rediseñar procesos críticos —como la prevención de fraude, la gestión de riesgos o el onboarding de clientes— para que la IA no solo asista, sino anticipe y tome decisiones basadas en datos en tiempo real.

El avance hacia Open Finance abre una oportunidad adicional. El acceso a mayores volúmenes y diversidad de datos permite desarrollar modelos más sofisticados de scoring alternativo, monitoreo de riesgos y personalización de servicios. Combinado con entornos de prueba regulados, Colombia tiene el potencial de experimentar con nuevos modelos operativos sin comprometer la estabilidad del sistema financiero.

En áreas críticas como la prevención de fraude o el riesgo tecnológico, la IA agéntica puede marcar una diferencia sustancial. El verdadero salto está en pasar de esquemas reactivos —que actúan cuando el problema ya ocurrió— a modelos predictivos capaces de anticipar patrones de comportamiento. Esto no reemplaza a las personas, pero sí redefine tareas clave y eleva la calidad de las decisiones.

Para el ecosistema fintech, el momento es aún más relevante. Las fintech colombianas, por su tamaño y agilidad, tienen una ventaja natural para adoptar modelos AI-native desde el inicio. Entrenar a toda la organización, rediseñar procesos y escalar con menor burocracia les permite “saltar etapas” de adopción tecnológica y competir en mercados dominados por grandes jugadores con estructuras más pesadas.

Casos de uso como el onboarding digital inteligente, el scoring alternativo, la atención autónoma al cliente o los servicios 24/7 son ejemplos concretos de cómo la IA puede generar impacto inmediato, mejorando la eficiencia operativa y la experiencia del usuario al mismo tiempo.

Este cambio también pone en cuestión los métodos tradicionales de trabajo. Los enfoques ágiles, diseñados originalmente para el desarrollo de software, comienzan a mostrar sus límites en entornos donde los sistemas aprenden y evolucionan de manera constante. Transitar hacia un modelo AI-native implica aceptar procesos más dinámicos, lo cual no equivale a una automatización total. Por el contrario, uno de los principales desafíos será mantener al ser humano dentro del ciclo de aprendizaje de la IA, ya que esto contribuirá de manera decisiva a que los procesos alcancen el éxito de forma sostenida.