Foto: Sergio F Cara (NotiPress/Composición)
Ante la fiebre por la inteligencia artificial (IA), que incrementó la adopción de herramientas generativas, las instituciones bancarias se vieron obligadas a mirar la calidad de los datos antes de seguir modas. En un clima de riesgos financieros marcado por el lavado de dinero, los bancos no están destinando sus recursos para prevenir las etapas críticas de estos ataques cibernéticos al mirar la IA.
Destinar los recursos al lugar equivocado: el espejismo de la IA en el sector bancario
Con motivo de la conferencia ACAMS CDMX 2026, organizada el 27 de julio por la Asociación de Especialistas en Certificación contra el Lavado de Dinero, SAS presentó una serie de observaciones sobre el papel de la IA entre las instituciones financieras. Para la compañía especializada en analítica, el costo de cumplimiento contra el lavado de dinero (AML, por sus siglas en inglés) es elevado. Sin embargo, no garantiza seguridad ante falsos positivos.
De acuerdo con Christopher Ghene, global lead banking compliance de SAS, la IA es una herramienta clave para responder al lavado de dinero. No obstante, la adopción de inteligencia artificial en la banca tradicional se encuentra en un nivel básico, y en lugar de reforzar la seguridad, los actores prefieren invertir en la adopción de IA generativa.
Frente al hábito de inversión y gasto tecnológico de las instituciones financieras que tiende a las modas de LLM, las herramientas como ChatGPT presentan una asistencia limitada. Ello se debe a un error de origen: este nivel de IA no está equipada para prevenir falsos positivos, cuya incidencia cuesta tiempo y dinero a las financieras.
"Microsoft, OpenAI o Anthropic han generado modelos genéricos con billones de datos y ahora se los venden a los clientes en particular o bancos pequeñitos", destacó el vocero de SAS a NotiPress.
En el ámbito bancario, la batalla contra el lavado de dinero no se gana con resúmenes automatizados y asistentes de voz, sino con datos bien estructurados. Para SAS, el conocimiento de clientes y sus riesgos a partir de datos personalizados puede reducir los falsos positivos hasta en 40%.
Técnicas estadísticas: ¿por qué la calidad de los datos importa?
"Antes que se hable de cualquier IA, la calidad de datos es súper importante; porque como se dice en inglés: garbage in, garbage out", informó Ghene.
Las tecnologías de IA en el sector bancario presentan tanto una oportunidad, como un desafío en materia de datos. Este campo requiere que se utilicen herramientas para estandarizar y corregir la información crítica relacionada con los clientes en lugar de la mera automatización de reportes.
Gracias a técnicas estadísticas de resolución de entidades, la IA puede crear un perfil único para cada cliente. Con la unificación de sus cuentas, tarjetas y productos, los modelos pueden evaluar las alertas generadas para prevenir falsos positivos. Asimismo, la segmentación de clientes por pares ofrece una ventaja competitiva, donde las alertas por lavado de dinero se generan solo en caso de comportamientos no reconocidos.
Por ello, la clave consiste en prevenir el uso de IA generativa como moda costosa que no resuelve el problema de fondo. Sin datos limpios y una estrategia preventiva, los bancos seguirán con falsos positivos mientras los criminales avanzan, aseveró SAS.
DESCARGA LA NOTA SÍGUENOS EN GOOGLE NEWS
