*Reenvía el Título Original ‘#81 - Más Allá del Hype: Por Qué la IA Generativa es el Próximo Verdadero Cambio de Plataforma en la Banca (Gratis para Leer)’

Patrocinado por Triage

Construido por Ejecutivos

En el sector de servicios financieros de África, la experiencia especializada en áreas como riesgo, crédito, cumplimiento y tecnología puede definir el rendimiento de una empresa. Navegar por regulaciones complejas e integrar nuevas tecnologías exige líderes que comprendan las sutilezas de los productos financieros, las expectativas de los interesados y las realidades del mercado. Sin esta profundidad de conocimiento, incluso las instituciones bien financiadas corren el riesgo de cometer errores costosos que inquietan a los inversores, detienen el crecimiento y socavan la confianza del cliente.

Triage aporta una mezcla de experiencia práctica como operadores en la banca y los servicios financieros, y experiencia global trabajando con algunas de las empresas de servicios financieros más grandes del mundo. Nuestro equipo ha trabajado con líderes senior en más de 35 países de África apoyando una variedad de estrategias de crecimiento y cambio a lo largo de un espectro de clientes, desde empresas en etapas tempranas hasta escalas, transformaciones digitales y reestructuraciones. Esta amplia experiencia nos permite distinguir entre la experiencia pasajera y la capacidad genuina, asegurando que usted se relacione con líderes que realmente entienden lo que se necesita para tener éxito en el mundo de los servicios financieros, que evoluciona rápidamente.

Introducción

El escepticismo es lo que se necesita para mirar detrás de un balance, el último milagro de la ingeniería financiera o la historia que no se puede perder. . . . Solo un escéptico puede separar las cosas que suenan bien y lo son de las cosas que suenan bien y no lo son. Los mejores inversores que conozco ejemplifican este rasgo. Es una necesidad absoluta. - Howard Marks

Como joven en finanzas, es importante desarrollar una dosis saludable de escepticismo. En la banca específicamente, el escepticismo da frutos porque los bancos más exitosos son aquellos que evitan pérdidas en lugar de aquellos que persiguen ganancias. Es un arte negativo. No obstante, el escepticismo no es lo mismo que el pesimismo. Simplemente significa tener discernimiento sobre lo que es exageración y lo que no lo es. El desafío con muchas personas en finanzas es que caen en la trampa de ser escépticos por el valor de señalar socialmente que eres inteligente.

Como dijo John Collison o fue Naval Ravikant, “Los pesimistas suenan inteligentes, los optimistas ganan dinero”. Una mente escéptica es valiosa. Sin embargo, para que sea valiosa, debe estar acompañada de rigor analítico y, lo que es más importante, de la capacidad de cambiar de opinión cuando los hechos cambian.

Este es un contexto útil para la actual discusión sobre la IA generativa, particularmente en banca y finanzas. Es importante referirse específicamente a la IA generativa en lugar del aprendizaje automático que ha existido. durante algún tiempo, particularmente en el sector bancario. La IA generativa es el tipo de inteligencia que puede crear cosas nuevas como texto, imágenes, audio o video a partir del aprendizaje en vastas cantidades de datos. Un escepticismo perezoso está llevando a muchas personas a llamar prematuramente a la IA un bombo, mientras que un optimismo desenfrenado podría llevar a inversiones prematuras. Para que se tomen decisiones inteligentes sobre la IA, es importante poner la IA en contexto, particularmente su contexto económico. Eso significa analizar la IA como un cambio de plataforma y situarla en su lugar histórico en comparación con otros cambios de plataforma. La IA en su contexto histórico debería hacer que los banqueros y la industria financiera en general tomen las decisiones correctas.

En el artículo de hoy, entenderemos qué es un cambio de plataforma, revisaremos los cambios de plataforma pasados y su impacto en la industria de servicios financieros, colocaremos la IA en su contexto como un cambio de plataforma, observaremos las iniciativas globales de bancos y Fintechs en torno a la IA y evaluaremos las lecciones clave para los líderes en la industria de servicios financieros.

Cambios de plataforma y servicios financieros

¿Qué es un cambio de plataforma?

Las finanzas, como cualquier otra industria, están sujetas a las vicisitudes que trae la tecnología. Ya sea el telegrama y su impacto en la banca basada en sucursales o el mini-computador y su impacto en los cajeros automáticos. Las finanzas siempre se han adaptado a los cambios de plataforma. En tecnología, un cambio de plataforma se refiere a un cambio fundamental en la arquitectura tecnológica subyacente que permite nuevas capacidades debido a un cambio drástico en la estructura de costos subyacente. A menudo, esto permite nuevos modelos de negocio y formas de crear valor. Lo clave es que debe haber un cambio fundamental en la estructura de costos de algo, es decir, el costo de hacer X se reduce en un factor de 10x+ para que algo sea verdaderamente considerado un cambio de plataforma. Las características clave se pueden describir como;

• Cambio de Arquitectura Fundamental: Los cambios en la plataforma implican transformaciones radicales en la forma en que se estructura y accede a la tecnología, no solo mejoras en los sistemas existentes.
• Mejoras Exponenciales en Coste-Rendimiento: Normalmente ofrecen mejoras de orden de magnitud (10x o más) en coste, rendimiento o capacidades, no solo ganancias incrementales.
• Nuevos Modelos de Creación de Valor: Los cambios en las plataformas permiten modelos de negocio y creación de valor completamente nuevos que antes no eran viables.
• Formación de ecosistemas: Generan ricos ecosistemas de productos, servicios y negocios complementarios. Esto es a menudo un efecto en lugar de una característica definitoria.
• Disrupción del mercado: Los cambios en la plataforma a menudo interrumpen las industrias existentes y crean mercados completamente nuevos.
• Democratización: Normalmente hacen que la tecnología sea accesible a audiencias más amplias, lo que permite la participación de nuevos participantes.

Analizaremos algunos cambios históricos en las plataformas y, lo más importante, analizaremos;

1. De qué se trataba el cambio de plataforma;
2. Su impacto en la estructura de costos;
3. Ganadores de este cambio y cómo aprovecharon la tecnología;

1. Mainframes: Centralizando la Computación (década de 1950–principios de 1970)

Contexto histórico y características clave
Antes de la década de 1950, los bancos llevaban libros de contabilidad a mano o con tabuladores electro-mecánicos. Procesar un cheque significaba que un empleado escribía un ítem, archivaba papel y conciliaba totales al final del día. Los mainframes como el System / 360 de IBM introdujeron la computación con programas almacenados, el reconocimiento de caracteres de tinta magnética y el procesamiento por lotes. Por primera vez, una sola máquina podía leer decenas de miles de cheques por hora, aplicar automáticamente las reglas de las cuentas y publicar los resultados durante la noche.

Curva de costos
La factura de capital fue elevada, varios millones de dólares, pero el costo marginal de publicar una transacción cayó aproximadamente de cien a uno en comparación con la entrada manual. Las tasas de error colapsaron, las ventanas de corte se redujeron y la escala se convirtió en un problema de software en lugar de un problema de personal.

La historia del ganador
En la América de la posguerra, la clase media estadounidense estaba en auge y la demanda de servicios bancarios y cheques en particular estaba creciendo. En el Bank of America, el número de cuentas corrientes crecía a una tasa de 23,000 cuentas por mes y el banco tenía que cerrar a las 2 p.m. solo para procesar cheques. Bank of America implementó elMáquina de Grabación Electrónica Contable(ERMA) sistema en 1959. Procesaba alrededor de 36 000 cheques por hora, (alrededor de 10 por segundo) en comparación con ~245 cheques/hora por un contable humano. Manejó tres cuartos de mil millones de asientos al año, y liberó al banco para expandirse más allá de California sin contratar miles de empleados. Para Bank of America, al mejorar drásticamente el rendimiento (más de 100× más rápido), redujo drásticamente el costo por cheque procesado y se escaló para atender a más clientes. La automatización de tareas de back-office dio a los primeros adoptantes como BofA una ventaja de costos, impulsando su crecimiento hacia líderes nacionales.

2. Minicomputadoras: Automatización Departamental (décadas de 1970 a mediados de 1980)

Contexto histórico y características clave
La llegada de los minicomputadores – más pequeños y mucho más baratos que los mainframes – democratizó la computación más allá de las Fortune 500. Los bancos, las corredurías y los proveedores de servicios podían desplegar sistemas mini y de rango medio (de proveedores como DEC, Data General, la línea AS/400 de IBM, etc.) a nivel de departamento o sucursal. Esta era vio nacer redes electrónicas y servicios fintech que podían funcionar en infraestructuras menos costosas, permitiendo la aparición de nuevos jugadores especializados.

Curva de costo
Una sucursal ahora podría tener su propia capacidad de cómputo por una fracción del costo de una computadora central. Las sesiones interactivas reemplazaron los informes por lotes, y nuevos canales como los cajeros automáticos se volvieron económicos. Las minicomputadoras redujeron el precio de la computación. Una mini de mediados de la década de 1970 podría costar decenas de miles, reduciendo los costos de cómputo por unidad en un orden de magnitud en comparación con las computadoras centrales de la década de 1960. Esta asequibilidad amplió la adopción de TI en finanzas. Como resultado, para la década de 1980, incluso las empresas financieras de nivel medio estaban informatizando sus operaciones, lo que conducía a un servicio más rápido y menores costos por unidad.

Historia del ganador

Una mini computadora DEC - Fuente DEC

Citibank compró cientos de computadoras Tandem NonStop y DEC mini, las conectó a los cajeros automáticos y lanzó su marketing "Citi Never Sleeps" en 1977. Cuando una tormenta de nieve cerró Nueva York en 1978, los cajeros automáticos de Citi siguieron sirviendo a los clientes, los volúmenes de transacción aumentaron un veinte por ciento y la participación de depósitos en la ciudad se duplicó en tres años. Los costos de los cajeros, aproximadamente un dólar por visita,cayó a unos treinta centavos en un cajero automático.

3. Cliente‑Servidor y Bases de Datos Relacionales: Procesamiento Distribuido (finales de 1980–1990)

Contexto histórico y características clave
Antes de la era cliente-servidor, la base de datos residía dentro de la computadora combinando tanto los datos como la interfaz. La era cliente-servidor trajo consigo una separación entre la capa de datos y la capa de interfaz. Había un cliente (PC) y un servidor. Una PC con Windows o Mac manejaba la presentación, un servidor de gama media almacenaba datos, y SQL se comunicaba entre ellos a través de una red local. Las bases de datos relacionales listas para usar significaban una nueva perspectiva: millones de filas podían ser consultadas en segundos, lo que permitía modelos de marketing estadístico y de riesgo.

Curva de costos
PCs de menos de $2,000 más cajas Unix de menos de $100,000 permiten a los bancos consultar millones de filas en segundos.

Historia del ganador
Capital One, que se escindió de Signet Bank en 1994, utilizó una red cliente-servidor ejecutando Oracle para probar miles de ofertas de tarjetas de crédito en paralelo. Preciaba el riesgo a nivel individual y aumentó su base de clientes en un cuarenta por ciento en 1997, mientras que los incumbentes se basaban en amplios niveles de FICO. El retorno sobre el capital superó consistentemente el veinte por ciento porque la analítica reemplazó la fijación de precios general. Otros ganadores incluyeron a Charles Schwab, que se dio cuenta de que la era del cliente-servidor podría democratizar la intermediación bursátil.

En África, aunque hubo un ligero retraso, los ganadores incluyeron;

1. Equity Bank que aprovechó la arquitectura cliente-servidor y mini-ordenadores para escalar sus capacidades transaccionales al actualizarse a Finacle (un sistema bancario central basado en cliente-servidor), mientras también escalaban su red de cajeros automáticos utilizando los mismos sistemas. Esto eventualmente se convirtió en Banca de Agencia. Pasaron de ser una entidad no reconocida en los 90 a ser el banco más grande de África Oriental por capitalización de mercado;
2. GT Bank - Utilizó una arquitectura cliente-servidor para mejorar el procesamiento de transacciones en la sucursal, lo que permite un mejor servicio al cliente. Antes de esto, los clientes tenían que esperar horas para procesar un simple depósito o retiro.

4. Cloud 1.0: Infraestructura como Servicio (2006–inicios de los 2010s)

Fuente: Revista de Negocios y Finanzas - Los Hermanos Collison

Contexto histórico y características clave

La web todavía requería que las empresas tuvieran servidores. Amazon Web Services convirtió el cómputo, el almacenamiento y las bases de datos en servicios públicos medidos. Una aplicación podría escalar de diez usuarios a diez millones sin una orden de compra de hardware.

Curva de costos
En lugar de millones en capex, un desarrollador necesitaba una tarjeta de crédito y podía pagar centavos por hora por computación. La capacidad elástica significaba que el costo escalaba aproximadamente en proporción al uso, eliminando grandes aumentos. Esto estaba muy lejos de la era de las bases de datos relacionales donde necesitabas dimensionar tu crecimiento por adelantado, lo que llevaba a un capex significativo por adelantado.

La historia del ganador
Stripe se lanzó en 2010, cuatro años después de que AWS se lanzara en 2006, con una API de pago que se activó en minutos. Su muestra de código de siete líneas abstraía la suscripción de comerciantes, la liquidación y el cumplimiento. Para 2024, Stripe manejaba alrededor de US $1.4 trillion en pagos, volúmenes que anteriormente estaban con adquirentes bancarios y procesadores heredados, y su costo de incorporación seguía siendo un error de redondeo gracias a la facturación en la nube basada en el uso. Las API se convirtieron en una nueva forma de creación de valor que valida la nube como un verdadero cambio de plataforma.

5. Era Móvil y Nativa de la Nube (2010s – 2020s)

Fuente: [itweb.co.za]

Contexto histórico y características clave
Los teléfonos inteligentes ponen una computadora de internet, un sensor biométrico y un elemento seguro en cada bolsillo, convirtiendo la "distribución" en una lista de aplicaciones en la tienda. Además, las plataformas de nube pública (AWS, GCP, Azure) ofrecieron infraestructura de grado bancario como un servicio; los microservicios y las canalizaciones de CI/CD permitieron lanzamientos de funciones semanales, e incluso diarias. Las redes móviles también sirvieron como vías de pago; los códigos QR y las cuentas virtuales desplazaron el hardware de POS dedicado y las redes de sucursales.

Curva de costo
En este nuevo marco, los clientes proporcionaron el terminal, el ancho de banda y la autenticación; el costo incremental de incorporación se redujo a una fracción de los costos de incorporar a un cliente o comerciante basado en sucursales. Las tarifas de transacción en rieles basados en aplicaciones caen por debajo del 1 %, abriendo un acceso rentable a pagos de bajo monto y cuentas sin comisiones.

Ganadores & sus manuales de juego

• Nubank (Brasil, fundado en 2013)
  • Adquisición solo para móviles a través de una lista de espera viral; más de 2 000 microservicios de AWS para análisis de crédito en tiempo real.
  • Código desplegado docenas de veces al día, lanzando características más rápido de lo que los reguladores podrían aprobar los aumentos de precios de los bancos tradicionales.
  • Para 2023: 100 millones de clientes en toda América Latina; US$11 mil millones en tarifas heredadas ahorradas para los usuarios; participación de dos dígitos en el mercado de tarjetas de Brasil mientras se mantiene uno de los coeficientes de costo-ingreso más bajos en la banca global.
  • Sus ingresos están creciendo al doble de la tasa de sus costos y están en camino de convertirse en el banco más rentable de Brasil para 2028.
• TymeBank (Sudáfrica, fundada en 2019)
  • Núcleo en la nube en AWS; KYC instantáneo y sin papel a través de quioscos biométricos dentro de cadenas de supermercados (Pick n Pay, Boxer).
  • Sin sucursales propias, equipo tecnológico ágil; venta cruzada de ahorros, crédito y seguros en la aplicación.
  • Para 2024: 8 millones de clientes; alcanzadosrentabilidad en menos de cinco años, demostrando que la distribución física puede ser externalizada mientras el núcleo permanece puramente digital.
• Otros ejemplos incluyen empresas como Flutterwave, Stitch, MNT Halan, Paystack y Paymob.

Por qué ganaron

• Distribución sin infraestructura ;
• Economía elástica
• Superficies orientadas a desarrolladores;
• Ciclos de iteración rápida;

Tomados en conjunto, estos actores ilustran cómo los dispositivos de propiedad del cliente más la arquitectura nativa de la nube crean una ventaja de costo estructural y convierten la velocidad, no la escala heredada, en el arma decisiva tanto en la banca africana como en la global.

Lecciones clave de cambios de plataforma pasados

Algunas lecciones clave de cambios pasados en las plataformas

1. Todos los cambios en la plataforma permitieron que los servicios financieros se realizaran de una manera diferente. La idea fundamental era la estructura de costos de un problema específico, ya sea el costo de transacción o el costo de distribución.
2. Los beneficiarios de los cambios en la plataforma fueron o bancos que adoptaron rápidamente la tecnología (BoFA, Citi) o nuevos entrantes que entendieron lo que el cambio permitía (Stripe, Nubank);

El contexto para la IA generativa

Para mí, los cambios de plataforma del pasado se han centrado en el costo y la distribución, dado que estos dominios eran realmente específicos del software, es decir, deterministas. La IA Generativa puede no ser necesariamente un problema de costo y distribución. Mi opinión es que la IA Generativa representará una reducción de 10,000 veces en el costo de ofrecer una relación personalizada. Actualmente, los bancos y las fintechs han distribuido transacciones a través de la tecnología y esta es una tendencia que continuará. Casi todos realizan transacciones en su teléfono, con muy pocas transacciones ocurriendo en la sucursal. Esto se aplica tanto a individuos como a clientes corporativos. No obstante, el cuello de botella restante para distribuir aún más los servicios financieros es habilitar la banca de relaciones a gran escala. Esto se debe a que esto sigue siendo trabajo de seres humanos, dado que la gestión de relaciones es de alto contexto y requiere juicio.

La IA Gen puede ofrecer una "banca de relaciones" premium por unos pocos centavos por cliente. Hoy en día, un mejor RM africano cuesta aproximadamente $6,000 al mes para atender a ~30 clientes, alrededor de $300 cada uno después de los gastos generales. Si trasladamos ese trabajo a la IA, el costo podría reducirse a meros centavos, desbloqueando asesoramiento de alto contacto para el mercado masivo y transformando el acceso financiero en todo el continente. En mi opinión, este es el próximo frontier dado que el Fintech transaccional ya ha sido resuelto.

Las relaciones seguirán siendo importantes en la banca, pero pasarán de ser de humano a humano a ser de humano a IA. Las conversaciones sobre dinero a menudo llevan vergüenza; muchos clientes ocultan preguntas básicas de la mirada de un banquero. Una IA inanimada e incansable reduce esa barrera social, invitando a la sinceridad y a un sinfín de preguntas "estúpidas". Mayor honestidad más orientación 24/7 convierte a la IA en un poderoso y escalable administrador de relaciones.

Iniciativas Globales de IA

Cómo los bancos del mundo están utilizando realmente la inteligencia artificial generativa

Si quitas los titulares y el bombo, la pregunta sigue siendo: ¿qué están haciendo realmente los bancos más grandes del mundo con la inteligencia artificial generativa? No el potencial futuro. No lo que los proveedores están vendiendo. ¿Qué se ha implementado realmente y dónde?

En los últimos dos años, el sector financiero global ha entrado silenciosamente en la era de la IA generativa. Pero la imagen que emerge no es uniforme. Es una mezcla de herramientas internas silenciosas, experimentos cautelosos orientados al cliente y algunos movimientos genuinamente audaces que sugieren cómo la banca puede reestructurarse desde adentro hacia afuera. A continuación, ofrezco un resumen;

Primero Interno, Luego Cliente

Si hay un tema consistente, es este: la IA comienza desde adentro.

La mayor parte de la adopción de la IA generativa se ha centrado en la productividad interna: herramientas que ayudan al personal a hacer más con menos. Desde Asistente de analista de JPMorgan que analiza la investigación de acciones, para La herramienta impulsada por GPT de Morgan Stanley para gestores de patrimonio, la apuesta temprana está en empoderar a los banqueros, no en reemplazarlos.

Goldman Sachs es construyendo copilotos para desarrolladores.Citi tiene resumidores de IA que ayudan al personal a manejar memorandos y redactar correos electrónicos. Standard Chartered's " SC GPT” está en vivo en 70,000 empleados, ayudando con todo, desde la redacción de propuestas hasta consultas de recursos humanos.

Dado que vivimos en un entorno regulatorio de alto contacto, las herramientas internas tienen sentido porque los bancos pueden experimentar y afinar sus habilidades en IA sin enfrentar infracciones regulatorias. Si la reciente acción del CBN contra Zap es algo a tener en cuenta, entonces es mejor prevenir que lamentar.

Segmento por segmento: dónde está el valor

Diferentes divisiones se mueven a diferentes velocidades. La banca minorista lidera en términos de volumen. En este sentido, Wells Fargo’sFargo o Bank of America’s Erica, los chatbots impulsados por IA generativa ahora manejan cientos de millones de interacciones anualmente. En Europa, Commerzbank lanzó recientementeAva, su propio chatbot.

El problema, no obstante, es que algunos de estos no están utilizando realmente inteligencia artificial generativa y, de hecho, están dependiendo del aprendizaje automático. Estoartículo ofrece un buen desglose de cómo funciona Erica de Bank of America, de hecho es un turco mecánico. No obstante, lo que importa es la experimentación.

En la banca corporativa y de inversión, el cambio es más sutil. Las herramientas internas de JPMorgan apoyan a los equipos de investigación y ventas, no a los clientes.Deutsche Bank está utilizando IA para analizar los registros de comunicación con los clientes.Esto no es servicio al cliente, es aprovechamiento de datos, ayudando a los banqueros a entender y servir a los clientes de manera más eficiente y rápida.

La gestión de patrimonio se sitúa en un punto intermedio. La IA de Morgan Stanley no habla directamente con los clientes, pero asegura que los asesores nunca entren a una reunión sin preparación. Deutsche Bank y First Abu Dhabi Bank están probando asistentes orientados al cliente para sus clientes de primer nivel, diseñados para responder preguntas de inversión matizadas en tiempo real.

Diferencias Regionales: ¿Quién se Está Moviendo Rápido?

Fuente:Índice de IA Evidente

América del Norte está liderando, como se esperaba. Los bancos de EE. UU.; JPMorgan, Capital One, Wells Fargo, Citi y RBC han convertido la IA en un motor de productividad. Y gracias a asociaciones con OpenAI y Microsoft, han tenido acceso temprano a modelos de vanguardia.

Europa es más cautelosa. BBVA, Deutsche y HSBC están probando herramientas internamente, a menudo con más restricciones. El RGPD proyecta una larga sombra. Como siempre, Europa se está enfocando en la regulación en lugar de en el progreso y esto podría costarles.

África y América Latina están en una etapa anterior, pero avanzando rápidamente. Nubank en Brasil es un destacado, asociándose con OpenAI para implementar herramientas internamente y eventualmente para los clientes. En Sudáfrica, bancos como Standard Bank y Nedbank están ejecutando pilotos internos de IA en áreas de riesgo, soporte y desarrollo.

China: Construyendo Su Propio Stack de IA

Los bancos de China no solo están utilizando IA, sino que están construyendo la pila.

• ICBC lanzóZhiyong, un modelo de lenguaje grande de 100 mil millones de parámetros construido internamente. Se ha llamado más de mil millones de veces, impulsando casos de uso desde el análisis de documentos hasta la automatización del marketing en 200 dominios empresariales. No es solo una herramienta interna, es un cambio fundamental en cómo opera el banco.
• Ant Group lanzó dos LLMs financieros -Zhixiaobao 2.0 (para clientes minoristas) yZhixiaozhu 1.0 (para profesionales financieros). El primero está diseñado para explicar productos financieros a usuarios comunes dentro de Alipay. El segundo ayuda a los gestores de patrimonio a resumir informes del mercado y generar ideas de cartera.
• Ping An Group, uno de mis fintechs favoritos, una combinación de seguros, banca y tecnología, está avanzando aún más. Ha construido PreguntaBob, un asistente de IA generativa tanto para clientes como para gerentes de relaciones. Para los clientes, AskBob puede responder preguntas sobre inversiones y seguros en chino natural. Para los asesores, recopila y resume la historia del cliente, los datos del producto y los materiales de marketing, convirtiendo a cada agente en un experto financiero digitalmente mejorado. La ambición de Ping An es redefinir el asesoramiento financiero a través de la IA, no solo responder preguntas, sino anticiparlas.

En China, donde los marcos regulatorios fomentan fuertemente la localización de datos y la transparencia del modelo, estas instituciones están tomando el camino largo: construyendo IA entrenada a medida que puede prosperar en entornos regulatorios, lingüísticos y de mercado nacionales. Además, China tiene una densidad de talento suficiente para permitir que los bancos construyan sus propios modelos fundamentales, una hazaña que puede no repetirse en ninguna otra parte del mundo.

¿Quién está detrás de esto?

Algunos nombres grandes aparecen en todas partes: Microsoft (a través de Azure OpenAI) es, con mucho, la plataforma más común. Todos, desde Morgan Stanley hasta Standard Chartered, están ejecutando sus modelos en el entorno seguro de Microsoft.

Los LLM de Google también están en juego, Wells Fargo utiliza Flan para impulsar Fargo. Y en China, es principalmente de origen local: DeepSeek, Hunyuan y otros.

Algunos bancos como JPMorgan, ICBC y PingAn están entrenando sus propios modelos. Pero la mayoría está ajustando los existentes. No se trata de poseer el modelo. Se trata de poseer la capa de datos y la orquestación.

Descripción general de las diferentes iniciativas de IA a nivel mundial

¿Y qué?

En una industria altamente regulada, es importante ser cauteloso y por eso los bancos están manteniendo la IA en el bucle, no en la primera línea. No obstante, como hemos observado en otros cambios de plataforma, es crítico ser decisivo y experimentar rápidamente. La regulación nunca estará por delante de la ejecución y no es inteligente estancar la experimentación con IA con la idea de que debes esperar a que lleguen las regulaciones. Recuerdo que hace más de una década construimos banca de agencia en un país que no tenía tales regulaciones. Una vez que lo construimos, fuimos nosotros quienes lo explicamos al Banco Central. Si estuviera en la junta de un banco, mi pregunta sería: “¿cuántos experimentos estamos realizando y cuántas ideas estamos generando?”

Para medir realmente el progreso, debes volver a los fundamentos de un cambio de plataforma. Tu estrategia de IA debe responder a:

“¿Nuestra estrategia de IA reconstruye la arquitectura central, reduce costos en un 100×, desbloquea nuevos modelos de valor, impulsa conexiones en el ecosistema, interrumpe mercados y democratiza el acceso?”

La lógica es clara, es importante ser escéptico, pero la lógica y los hechos apuntan a que la IA es un nuevo cambio de plataforma. Además, la lógica y los hechos muestran que los cambios de plataforma en el pasado han movido proverbialmente el queso en los mercados financieros. El trabajo de Citi con la tecnología en los años 70 y 80 amplió significativamente su negocio minorista. Capital One surgió de la nada para convertirse en uno de los 10 principales bancos en el mercado y un jugador significativo en industrias adyacentes como préstamos automotrices e hipotecas. En África, Equity Bank aprovechó la ola cliente-servidor para convertirse en el banco más grande de África Oriental por capitalización de mercado. La misma ola fue aprovechada por Access Bank, GT Bank y Capitec en sus respectivos mercados.

La era de las plataformas de IA está aquí y creará ganadores. La idea no es centrarse en los perdedores porque lo que sucede es que los ganadores obtienen una participación de mercado significativa en un vector específico, por ejemplo, Stripe en Pagos. Estas cuñas iniciales llevan a ganancias de participación de mercado en áreas adyacentes, como cómo Nubank utilizó las tarjetas de crédito para convertirse en un jugador serio en la banca para pymes y minoristas.

Mi opinión es que los ganadores en la era de la IA se centrarán en el costo de la relación. Ya no es un juego transaccional. Eso ya ha sucedido. Es un juego de experiencia del cliente y de relaciones. Esta es la idea central que los líderes de servicios financieros deben considerar. ¿Cómo puedes crear una mejora de 100 veces en la experiencia del cliente y en la banca relacional a una fracción del costo? ¿Cómo podemos aprovechar la inteligencia como banco para ayudarte a gestionar mejor tus finanzas, tu negocio y tu vida? Los jugadores que respondan a estas preguntas y ejecuten serán los ganadores.

Descargo de responsabilidad：

1. Este artículo es reproducido de [ Boletín de Fintech Frontier]. Reenvía el Título Original ‘#81 - Más Allá del Hype: Por Qué la IA Gen es el Próximo Verdadero Cambio de Plataforma en la Banca (Gratis para Leer)’. Todos los derechos de autor pertenecen al autor original [Mary Mogoi]. Si hay objeciones a esta reimpresión, por favor contacte con el Gate Learn equipo, y ellos lo manejarán rápidamente.
2. Descargo de responsabilidad: Las opiniones y puntos de vista expresados en este artículo son únicamente del autor y no constituyen ningún consejo de inversión.
3. Las traducciones del artículo a otros idiomas son realizadas por el equipo de Gate Learn. A menos que se mencione, está prohibido copiar, distribuir o plagiar los artículos traducidos.