La experiencia del año sobre IA y datos para líderes de negocio, perfiles técnicos y partners de SAS

Transformación de la Gestión de Riesgos en Banca: De la Volatilidad a la Ventaja Competitiva

Durante el evento SIOT 2025 en Madrid, expertos del sector bancario y tecnológico debatieron cómo la inteligencia artificial (IA), los modelos avanzados y la automatización están redefiniendo la gestión de riesgos en un entorno marcado por la volatilidad. La sesión, moderada por Anselmo Marmonti, Vice President – Risk, Fraud & Compliance for Banking en SAS, reunió a Alejandra Méndez Barba, Data & AI CoE Manager EY, y Lucas Palin, CTO en GMWVIT Consultoría, quienes compartieron experiencias reales y estrategias aplicadas en entidades financieras líderes. La introducción del panel estuvo a cargo de Carles Cerdá, Sr. Manager de Risk Solutions en SAS.

Volatilidad como Motor de Cambio

La incertidumbre geopolítica, los shocks macroeconómicos, la inflación y los cambios regulatorios han obligado a los bancos a replantear sus modelos de riesgo. Según Alejandra Méndez, las entidades están desarrollando modelos de segmentación más granulares para anticipar el comportamiento de los clientes ante escenarios adversos, como subidas de tipos de interés o interrupciones en la cadena de suministro. Un ejemplo fue el impacto de la guerra de Ucrania en los precios de la electricidad en España, que desembocó en subidas de tipos por parte del BCE, presionando a los hogares con hipotecas a tipo variable.

Esta capacidad predictiva es clave no solo para mantener la estabilidad financiera, sino también para cumplir con las prioridades supervisoras del BCE entre 2025 y 2027, centradas en la preparación frente a riesgos emergentes. Además, Méndez subrayó que uno de los retos más importantes es la falta de datos adecuados para modelar cadenas causales entre eventos geopolíticos, precios de materias primas y comportamiento del portafolio crediticio.

Modernización, Consolidación y Gobernanza

Lucas Palin destacó que la transformación digital en banca requiere plataformas dinámicas, capaces de adaptarse rápidamente a cambios regulatorios y de mercado. Las entidades deben tener capacidad para cambiar reglas y ofertas de forma ágil, y ser capaces de reaccionar en tiempo real ante un mercado volátil. Esto implica un alineamiento cada vez mayor entre tecnología y negocio.

Los bancos están fortaleciendo la gobernanza de modelos sobre tres pilares:
– Automatización de flujos de publicación.
– Entrenamiento recurrente de modelos.
– Ajustes basados en la criticidad de cada modelo.

Alejandra Méndez añadió que la adopción de prácticas de MLOps (Machine Learning Operations), como CI/CD (integración y entrega continua), permite industrializar y escalar el desarrollo de modelos, reduciendo la necesidad de recalibraciones manuales frecuentes y aumentando la eficiencia operativa y de monitorización.

Por su parte, Anselmo Marmonti apuntó que se observa una tendencia creciente hacia la consolidación tecnológica: muchas entidades están migrando de arquitecturas fragmentadas (con sistemas diferentes por tipo de cliente o canal) a plataformas unificadas que permiten compartir datos, modelos y decisiones entre segmentos de negocio, reduciendo costes internos, mejorando la experiencia del cliente y permitiendo una visión holística del comportamiento financiero.

IA Generativa: De la Teoría a la Práctica

Aunque la IA generativa aún se encuentra en fases tempranas de adopción industrial, ya se están viendo casos de uso tangibles. Alejandra Méndez destacó dos grandes áreas:

1. Documentación automática de modelos, con reducciones de hasta el 80 % en tiempo de preparación.
2. Contraste de normativas regulatorias con políticas internas, para detectar incongruencias o zonas grises que podrían generar incumplimientos.

También mencionó el uso de agentes inteligentes (AI agents) en procesos de originación, evaluación de préstamos y contacto con clientes, permitiendo una automatización integral de principio a fin.

Lucas Palin reforzó estos ejemplos con un caso real en Brasil, donde se logró una importante transformación en la forma de gestionar las decisiones automatizadas de riesgo de crédito, logrando:

- Un crecimiento de más del 300% en el número de implementaciones de un año a otro.
- Una reducción de más del 70% en el tiempo de publicación de políticas.
- Optimización del 50% en el tiempo requerido para los modelos de aprendizaje automático.

Además, destacó que muchas áreas que se mostraban reacias al cambio (“tenemos un sistema que lleva 10 años y no queremos tocarlo”) están ahora abiertas a transformarse al ver resultados reales con IA generativa aplicada sobre datos propios.

Retorno de la Inversión e Innovación Continua

Los beneficios de estas transformaciones no son solo operativos, sino también estratégicos. La automatización de procesos, la alineación entre negocio y tecnología y la capacidad de respuesta en tiempo real están posicionando a los bancos más innovadores como referentes en eficiencia, cumplimiento y adaptación regulatoria.

Alejandra Méndez señaló que, en términos de adopción, los retos principales para convencer a la dirección son:

1. ¿Quién más lo ha hecho? (referencias y casos de éxito)
2. ¿Estoy preparado? (infraestructura y calidad de datos)
3. ¿Es el momento adecuado? (timing estratégico)

Anselmo Marmonti cerró destacando la necesidad de consolidar sistemas para evitar silos y lograr mayor eficiencia, simulación más ágil, mejor uso de los datos y una experiencia de cliente unificada.