La revolución de la inteligencia artificial en la banca no llegó con un estallido, sino con el suspiro de un consultor. El análisis reciente de McKinsey & Company sobre la banca impulsada por IA se lee de manera profesional y medida en la superficie, pero bajo la prosa pulida se esconde una observación condenatoria: la gran mayoría de las instituciones financieras establecidas carecen de capacidad organizativa para capturar el valor que prometen los sistemas de aprendizaje automático e IA avanzada. No se trata de un rezago temporal en la adopción tecnológica ni de una escasez de habilidades que puedan remediar programas de capacitación. Este es un problema estructural integrado en la arquitectura misma de la banca moderna.

El problema central es el desalineamiento arquitectónico. Los bancos tradicionales fueron construidos en una era de productos segmentados, autonomía departamental y toma de decisiones secuencial. Una hipoteca reside en una división, la gestión patrimonial en otra, los pagos en una tercera. Los datos fluyen a través de conductos rígidos. Los procesos de aprobación son jerárquicos. Los sistemas heredados nunca fueron diseñados para ser modulares ni para alimentar datos sin problemas en sistemas inteligentes que pudieran aprender y adaptarse en tiempo real. La inteligencia artificial, por el contrario, prospera en un entorno de datos integrados, experimentación rápida, límites organizacionales permeables y ciclos de retroalimentación continua. Los principios operativos fundamentales son incompatibles.

Considere lo que requeriría un banco verdaderamente impulsado por IA: datos de clientes unificados accesibles en todas las líneas de negocio, APIs que se comuniquen fluidamente entre sí, equipos facultados para ejecutar miles de microexperimentos sin estrangulamiento burocrático, y una cultura que trate los datos como un activo estratégico en lugar de un subproducto del procesamiento de transacciones. Muchos incumbentes no poseen ninguno de estos en medida adecuada. Tienen almacenes de datos heredados que tardaron décadas en construirse y tardarían décadas más en reconciliarse completamente. Tienen departamentos de cumplimiento normativo que operan a una velocidad diferente que los equipos de aprendizaje automático. Tienen estructuras de ganancias y pérdidas que recompensan las ganancias trimestrales sobre la transformación a largo plazo. Tienen carreras profesionales para funcionarios de cumplimiento y riesgo, pero pocos mecanismos institucionales para retener y promover ingenieros de aprendizaje automático o científicos de datos.

La paradoja de la IA se profundiza al considerar las apuestas competitivas. Los actores fintech nativos digitales y los gigantes tecnológicos que ingresan en servicios financieros no enfrentan tales limitaciones organizacionales. Un desafiante puede diseñarse a sí mismo desde primeros principios con flujos de trabajo nativos de IA desde el primer día. No tiene sistemas heredados que integrar, silos departamentales que demoler, ni cultura organizacional construida sobre cadenas de aprobación secuenciales impulsadas por humanos. Esta ventaja estructural se compone. Cada mes que un incumbente pasa actualizando su infraestructura es un mes que un competidor puro gasta entrenando modelos sobre el comportamiento del cliente, optimizando algoritmos de precios, automatizando detección de fraudes y personalizando recomendaciones de productos con aprendizaje automático que aprende más rápido que cualquier marco de pruebas A/B tradicional.

El entorno regulatorio añade otra capa de complejidad. Las autoridades bancarias de todo el mundo—desde el Banco Central Europeo hasta bancos centrales nacionales y autoridades de conducta financiera—están justificadamente escrutando cómo se implementa la IA en infraestructura financiera crítica. Un banco incumbente que implementa IA debe navegar no solo sus propios sistemas heredados sino también requisitos regulatorios en torno a explicabilidad, equidad y contención de riesgos. Estas son preocupaciones legítimas, pero crean fricción que competidores nacidos digitales en mercados adyacentes pueden enfrentar menos acutamente. El resultado es una carrera en la que un competidor debe reconstruir su motor mientras el avión aún está volando, y otro puede construir un avión nuevo desde cero.

Hay excepciones. Algunas grandes instituciones financieras han realizado inversiones organizacionales genuinas en capacidad de IA—no como un complemento a productos existentes sino como una reconceptualización fundamental de cómo operan. Estos bancos se han reestructurado en torno a datos, han creado unidades operativas de IA dedicadas con presupuestos protegidos y autonomía, han invertido en talento de aprendizaje automático a escala, y han comenzado el trabajo difícil de aflojar los silos organizacionales. Pero estos esfuerzos siguen siendo raros, e incluso donde existen, van contra corriente del impulso institucional. El segmento medio—bancos lo suficientemente grandes para importar pero sin los recursos o apetito de transformación de las instituciones financieras globales sistémicamente importantes—enfrenta un apretón especialmente agudo.

¿Qué sucede con los bancos que no cierren esta brecha? En el corto plazo, perderán terreno competitivo en dominios específicos: el comercio algorítmico, la detección de fraudes, la predicción de abandono de clientes y la fijación de precios personalizada migrarán hacia competidores estructuralmente más ágiles. En el mediano plazo, enfrentarán compresión de márgenes a medida que los incumbentes impulsados por IA y los participantes de fintech automatizan procesos anteriormente intensivos en mano de obra humana y trasladan ahorros a los clientes. En el largo plazo, corren el riesgo de convertirse en servicios públicos—fuertemente regulados, modestos en rentabilidad, enfocados principalmente en gestionar bases de depósitos heredados y carteras de préstamos que los competidores ya no desean disputar.

El diagnóstico de McKinsey, sin embargo envuelto en cortesía consultora, señala una verdad difícil: la inteligencia artificial no es meramente una nueva tecnología que los bancos pueden adoptar junto a sus modelos operativos existentes. Es una fuerza para la reestructuración organizacional, e instituciones que no puedan reestructurarse no se beneficiarán significativamente de ella. La próxima fase de la competencia bancaria no será determinada principalmente por qué instituciones tienen los mejores científicos de IA o los presupuestos de aprendizaje automático más grandes. Será determinada por qué instituciones estén dispuestas a reorganizarse a nivel fundamental—para aplanar jerarquías, disolver silos, descentralizar la toma de decisiones y tratar los datos como un activo vivo y estratégico. Esa reestructuración no es un problema tecnológico. Es un problema humano, y es mucho más difícil de resolver.

Escrito por el equipo editorial — periodismo independiente impulsado por Codego Press.