¿Su IA entiende la política de provisionamiento de la institución?
¿El modelo entiende nuestra clasificación? ¿Aplica nuestra política de provisionamiento? La pregunta que separa a adoptantes de apostadores Dos preguntas valem más, para una institución financiera, que cualquier…
¿Su IA entiende la política de provisionamiento de la institución?
¿El modelo entiende nuestra clasificación?
¿Aplica nuestra política de provisionamiento?
La pregunta que separa a adoptantes de apostadores
Dos preguntas valen más, para una institución financiera, que cualquier demostración de IA:
¿El modelo entiende nuestra clasificación? ¿Aplica nuestra política de provisionamiento?
Quienes están en el C-Level conocen la complejidad detrás de estas respuestas. La provisión para créditos de dudoso cobro no es solo un número calculado. Resulta de la combinación entre datos, criterios de clasificación, políticas internas y exigencias regulatorias.
La Resolución CMN 4.966 y el CPC 48 establecen referencias importantes. Pero cada institución operacionaliza estas directrices de acuerdo con su propia realidad, con criterios, excepciones, niveles de materialidad y políticas de riesgo.
Ahí es donde reside un riesgo silencioso de la ola de analytics con IA.
Un asistente puede responder rápido, de forma elegante y incorrecta por dentro.
Una definición genérica de “cliente problemático”, por ejemplo, aplicada al portafolio de una institución puede producir una respuesta coherente, pero que no representa la política aprobada internamente.
El problema aparece después, en el resultado, en la auditoría, en el directorio y en las explicaciones al regulador.
La automatización acelera la interpretación.
Si la interpretación está equivocada, acelera el problema.
Este es un punto que suele quedar fuera de las promesas de analytics genérico.
Imagine la pregunta:
“¿Cuál fue la variación de la provisión de la cartera rural en relación con el mes anterior?”
La respuesta no debería traer solo un número.
Debe dejar claro qué definición de cartera se utilizó, qué fuente originó el dato, qué reglas se aplicaron y qué excepciones se consideraron.
Sin estas capas, la respuesta puede incluso parecer correcta. Pero falta contexto y, principalmente, trazabilidad.
Un analytics agéntico preparado para este escenario necesita operar en cinco capas:
- Datos gobernados
Datos de calidad, responsables definidos, catálogo y linaje. Sin esto, todo lo demás se convierte en una capa de interpretación sobre una base incierta. - Semántica del negocio
El sistema necesita entender qué llama esa institución cartera renegociada, cliente de mayor riesgo, excepción de política o cualquier otro concepto relevante. - Reglas declaradas y versionadas
La política de provisionamiento debe estar representada por reglas parametrizadas, visibles, editables, con vigencia y traza de auditoría. No puede depender de una lógica oculta dentro del modelo. - Agente analítico
El agente investiga, cruza información, simula escenarios y explica resultados. Y también debe reconocer sus límites. Si un concepto no está definido, la respuesta correcta es señalar la brecha, no inventar una interpretación. - Gobernanza de modelos y atribuciones
Es necesario definir quién puede alterar una regla, aprobar una excepción o publicar un número. El agente apoya el análisis. La responsabilidad de la decisión sigue siendo de la institución.
La diferencia entre un chatbot conectado a dashboards y un analytics agéntico de verdad no está solo en el modelo.
Está en el contexto que el modelo logra comprender y respetar.
Por qué las reglas de la institución no son un detalle
La pregunta central de este artículo también puede usarse como una prueba simple de madurez.
Pregunte:
- ¿Su asistente de IA sabe qué llama su comité cartera reestructurada?
- ¿Aplica su política de provisionamiento, considerando sus excepciones y criterios?
- ¿Logra mostrar el camino entre la pregunta y el número presentado?
- Si alguien cuestiona el resultado, ¿existe suficiente trazabilidad para explicar cómo fue calculado?
Si estas respuestas aún dependen de planillas paralelas o del conocimiento tácito de unos pocos especialistas, existe una brecha entre tener analytics y tener analytics confiable.
Y esa brecha importa.
Porque una provisión que sorprende al propio emisor puede presionar el margen y exigir explicaciones. De la misma forma, una herramienta que desconoce las reglas de la institución puede comprometer la confianza en el resultado que entrega.
La madurez se demuestra en los datos, no en el slide
Adoptar analytics agéntico sin madurez de datos es construir sobre una base que aún no está preparada para sostener la decisión.
Por eso, la secuencia comienza mucho antes del prompt: catálogo, linaje, glosario, clasificación, calidad y acceso gobernado a los datos.
El agente entra después, en un entorno que ya sabe qué significa cada dato, de dónde vino y qué reglas deben considerarse.
Es esta lógica la que encontramos en proyectos de datos en el sector financiero.
En uno de nuestros casos públicos, una institución financiera con un Data Lake de miles de millones de objetos necesitaba, antes de avanzar en casos de IA, garantizar que sus datos fueran encontrados, comprendidos y confiables. Esto involucró catalogación, glosario, clasificación, monitoreo de calidad y acceso mediante Data Marketplace.
Ninguno de estos ítems necesariamente se convierte en titular.
Pero todos ellos ayudan a determinar si, cuando llegue la hora de la pregunta, el agente tendrá condiciones para responder con contexto y trazabilidad.
Es en este punto donde la experiencia acumulada marca la diferencia. Son más de 15 años trabajando con datos, integración, migración, gobernanza, ingeniería, calidad y BI, entendiendo los desafíos que surgen cuando la organización pasa de la experimentación a la operación.
Porque la gobernanza no comienza en la pantalla de aprobación.
Comienza en la definición de la métrica, pasa por la fuente de datos y llega a la parametrización de la regla.
El número es solo el comienzo
En analytics financiero, no basta con llegar al número. Es necesario saber de dónde vino, qué regla se aplicó y si esa regla corresponde a la política de la institución.
Eso es lo que diferencia una respuesta plausible de una respuesta que puede sostener una decisión.
¿La IA entiende nuestra clasificación?
¿Aplica nuestra política de provisionamiento?
Si la respuesta es sí, existe contexto detrás del número. Y ahí es donde la IA comienza, de hecho, a apoyar decisiones.
¿Quiere probar esta lógica en su escenario? En una conversación de 30 minutos, partimos de una pregunta real de su ciclo de provisión y mostramos cómo datos, reglas y contexto pueden trabajar juntos.
Contáctenos
Conozca más sobre quiénes somos y cómo podemos construir juntos el futuro de su empresa.