Durante los últimos años, el sector bancario ha experimentado una continua adaptación a las nuevas tecnologías, y, en este momento, es el turno de que se adapte a la inteligencia artificial generativa. Según portavoces del evento Data Bank 2023 -encuentro organizado por IKN Spain– para los profesionales del dato en el sector bancario, actualmente hasta el 20% de entidades bancarias son data driven, es decir, aprovechan al 100% todos los recursos y facultades que la analítica de datos y la IA ofrecen en la actualidad.
Entre las utilidades de la inteligencia artificial que aplican las entidades está ayudar a los clientes a gestionar las finanzas.
Los clientes de BBVA usan cada vez más las capacidades tecnológicas de la app y web para controlar sus gastos, tomar decisiones de compra e inversión o potenciar el ahorro familiar. En concreto, la entidad reconoce que en España las utilizan seis de cada diez clientes digitales del banco, cuyo grado de satisfacción es casi un 30% superior al de quienes no las utilizan.
La app y la web transaccional de BBVA clasifican los movimientos bancarios en las categorías de gasto, ingreso y ahorro/inversión, tanto los de la propia entidad como los de otros bancos si los clientes así lo solicitan. Esta categorización automática puede ser ajustada manualmente por los clientes, aplicándose los cambios a los futuros movimientos similares.
De esta forma, la entidad puede ofrecer a los clientes sugerencias personalizadas verdaderamente inteligentes como, por ejemplo, “reduce un 10% el gasto en bares y restaurantes”, en lugar del más genérico “reduce tus gastos un 10%”.
Además, desde junio de 2023, en España los movimientos de la tarjeta de crédito se clasifican en tiempo real, de tal forma que cada vez que los clientes de BBVA hacen un gasto con su tarjeta de crédito, ven de inmediato cómo afecta a sus ingresos y en qué categoría lo hace. Lo mismo ocurre con la recategorización que pueden realizar a mano los propios clientes.
Para aumentar la efectividad de la comunicación, es importante que las propuestas y sugerencias para mejorar la salud financiera del cliente estén adaptadas a su situación e intereses. Por eso, BBVA utiliza analítica avanzada para identificar grupos de clientes que tienen necesidades similares, con el objetivo de adecuar el plan de salud financiera a cada caso. “Esta segmentación, desarrollada con expertos, ayuda a dirigir las propuestas más adecuadas a cada persona en base a las estimaciones que tenemos sobre su salud financiera”, indica David Muelas, científico de datos de BBVA AI Factory.
Un ejemplo de esto es que el banco crea grupos de clientes definidos en base a determinadas claves -como el colchón financiero o la capacidad de ahorro- para reforzar las acciones y experiencias de salud financiera que más se adaptan a sus objetivos y situación. Por ejemplo, haciendo más visibles herramientas como presupuestos a clientes que tienen dificultades para llegar a fin de mes.
Para tomar mejores decisiones en la gestión de las finanzas personales, los usuarios de la app y web del banco pueden consultar los movimientos previstos para el mes corriente y el siguiente. Esta funcionalidad está soportada por ‘ensembles’, una técnica que aplica varios modelos de machine learning a un problema determinado y combina los resultados que obtiene cada uno. En el caso de BBVA, estos ‘ensembles’ se entrenan para predecir movimientos que se van a repetir en el futuro, estimar el importe que tendrán y proporcionar una predicción de las fechas en las que ocurrirán.
Esta predicción se complementa con la detección de transacciones que se corresponden con gastos fijos, aquellos que suceden de forma regular. Para ello, los científicos de datos de BBVA han creado un catálogo de gastos fijos de determinados servicios que pueden contratar los clientes (por ejemplo, una suscripción a Netflix) junto a su gasto periódico asociado. Este catálogo se complementa con análisis estadísticos de las series de movimientos para detectar otros gastos fijos que no se pueden conocer a priori como, por ejemplo, la cuota mensual del gimnasio.
BBVA también ha desarrollado un modelo de predicción de saldo en cuenta que permite hacer estimaciones sobre su evolución futura y detectar valores fuera de lo habitual. Este modelo utiliza una red neuronal que permite obtener predicciones a distintos niveles de probabilidad. Además, se ha entrenado de forma que es capaz de generar predicciones a largo plazo que reflejan la evolución esperada y la variabilidad del saldo. «Así, cuando observamos valores de saldo que están muy alejados de lo esperado teniendo en cuenta la incertidumbre de la predicción, podemos avisar a los clientes y sugerirles posibles acciones que respondan a los eventos que los han causado, si fuera necesario», recalca Muelas.
También Bankinter da soluciones a sus clientes con inteligencia artificial. En esta entidad, «se busca crear herramientas de inteligencia artificial propias y adaptadas al banco, a su escala», con modelos a medida basados en machine learning, con el foco en dos puntos: eficiencia y conveniencia para el cliente. En este marco, con la IA la entidad tiene como objetivo mejorar la gestión de procesos internos.
Como ejemplos de ese objetivo que el cliente puede percibir: se emplea en la categorización de cada movimiento en la app y en la web, de tal manera que el cliente puede identificar mejor qué tipo de compra o abono es, si es un recibo y de qué o una adquisición en un comercio. Se utiliza, asimismo, en el alta por videollamada con reconocimiento facial para comprobar que la cara de la persona coincide con el DNI enviado. También desde el servicio automático de banca telefónica para ver qué tipo de necesidad tiene el cliente con el fin de derivarle al especialista correcto.
Por áreas, esta aplicación se centra sobre todo en Banca Comercial y Banca de Empresas, en el área de Riesgos y, además en Portugal, donde replicamos lo implementado en España. Asimismo, es utilizado en ciberseguridad para aumentar la eficiencia de los procesos. En todo caso, el uso de herramientas y modelos estadísticos que dan información siempre está revisado por una decisión humana sobre cómo utilizar ese resultado; la IA no toma decisiones por sí sola, según aclaran desde la entidad.
En CaixaBank también se han sumado a esta tendencia. Su trayectoria en este campo es larga pero, en 2022, la entidad financiera alcanzó un acuerdo con Microsoft para la puesta en marcha de un Laboratorio de inteligencia artificial (AI Innovation Lab). Además, dispone de equipos especializados en proyectos de IA, tanto dentro de la propia entidad financiera como en su filial tecnológica CaixaBank Tech.
La entidad apuesta por el uso de la inteligencia artificial para ganar eficiencia y para mejorar la experiencia de usuario de los clientes con productos y servicios más personalizados, un mejor análisis de sus necesidades y una mejor comunicación. El banco destaca su asistente cognitivo, que «ya cuenta con más de 4 millones de usuarios». Este servicio dialoga con las personas utilizando el lenguaje natural y puede resolver dudas y consultas de los clientes, realizadas por escrito o por voz. También es capaz de realizar operativas sencillas, como el bloqueo de tarjetas, el envío de dinero a través de Bizum o ayuda en la contratación de un producto.
Otro caso de uso de la inteligencia artificial sería el desarrollo de una tecnología para identificar a los clientes sénior, mayores de 65 años, cuando realizan consultas al call center, para su llamada sea siempre atendida por un gestor especializado, en lugar de derivarse al sistema general de gestión.
En 2018, CaixaBank se convirtió en el primer banco español en crear un servicio de asesoramiento digital en inversiones integrado en su banca online: Smart Money. Es un servicio de gestión discrecional de carteras donde un asesor digital de inversiones ofrece la cartera que mejor se adapta al cliente en base a sus conocimientos, experiencia y perfil inversor.
Dos años después, amplió su oferta en gestión discrecional con las carteras Smart Allocation. Se trata de una solución de gestión discrecional que ofrece una gestión dinámica con mayor control de la volatilidad a través de un modelo cuantitativo que identifica distintos escenarios de mercado para ajustar el nivel de riesgo de la cartera con la modificación del peso de la renta variable renta variable, dentro de cada perfil.
Santander, por su parte, apuesta por el uso de los datos y la analítica avanzada (machine learning / inteligencia artificial) como palanca clave para impulsar su estrategia de negocio. La entidad cuenta con iniciativas en desarrollo en todo el Grupo para atraer nuevos clientes y mejorar la experiencia de los ya existentes. También para potenciar la eficiencia de Santander mediante el uso de robots cognitivos -basados en técnicas de deep-learning-, en los que la entidad se apoya para simplificar y automatizar procesos -por ejemplo, la lectura automática de documentos o imágenes.
Santander desarrolla sus propios modelos utilizando ecosistemas de modelización propios que nos permiten crear modelos robustos de manera eficiente y escalable, gracias a una continua monitorización y auditoria de estos desarrollos. El grupo cuenta con un laboratorio de IA en el centro corporativo y las unidades de negocio.
La nueva ley europea de la inteligencia artificial y su impacto en la industria bancaria
La Unión Europea tiene como objetivo convertirse en un territorio de referencia mundial en el uso de la inteligencia artificial. Para lograrlo, las instituciones comunitarias han estado trabajando en un reglamento que permita controlar los riesgos de esta tecnología y aprovechar las oportunidades que ofrecen estas herramientas digitales salvaguardando los derechos de los ciudadanos.
Durante Data Driven 2023, se detalló cómo afectará esta ley a las empresas, ya que todas las industrias se verán repercutidas por ella, incluido el sector financiero. Esta normativa divide el riesgo del uso de la IA en cuatro niveles. En primer lugar, se encuentra el riesgo inaceptable, en el que se prohibirá el uso de IA en ciertas aplicaciones, como en el caso de manipulación cognitiva del comportamiento o los sistemas de identificación biométrica en tiempo real o a distancia.
Por otra parte, los niveles de alto riesgo, riesgo limitado y riesgo mínimo permitirán el uso de la IA siguiendo una serie de recomendaciones o registrándose en una base de datos de la Unión Europea en los casos de alto riesgo. En todos los supuestos, el componente de la transparencia resultará fundamental, ya que los potenciales clientes de una empresa deberán conocer, por ejemplo, que los datos que le proporciona provienen de una inteligencia artificial.
Por Funds Society, Madrid