Hoy casi todos los bancos grandes de América Latina tienen alguna iniciativa de inteligencia artificial generativa. La pregunta ya no es si usarla, sino cómo: ¿con un modelo propio o con el de un proveedor externo?
La pregunta incómoda
Hace tres años se discutía si la inteligencia artificial generativa era relevante para la banca. Esa discusión ya está cerrada: según una encuesta global de NVIDIA (2024), el 78% de las instituciones financieras del mundo tiene proyectos activos. La conversación se movió a un terreno más incómodo: ¿con qué modelo trabajamos y quién lo controla?
Decidir entre construir un modelo propio o contratar uno externo —como GPT, Claude o Gemini— es una decisión estratégica, no técnica. Implica tomar posición frente al control de los datos, la ventaja competitiva, los costos a largo plazo y la mirada del regulador. Y en la banca, donde los datos del cliente son a la vez el activo más valioso y el más sensible, la respuesta pesa más que en cualquier otra industria.
Lo que cuesta construir
Entrenar un modelo desde cero está fuera del alcance de casi cualquier banco. Solo el poder de cómputo para entrenar GPT-4 costó entre 50 y 100 millones de dólares, según estimaciones de Epoch AI. A eso hay que sumar el equipo de especialistas, la infraestructura de datos y el mantenimiento posterior.
Pero «construir» admite grados. La mayoría de las instituciones que dicen tener un «modelo propio» en realidad adaptan un modelo abierto —como Llama o Mistral— con sus propios datos. Es una opción razonable para casos puntuales: cumplimiento normativo, análisis de contratos o atención al cliente en lenguaje regulado. Esa adaptación puede arrancar desde unos 50.000 dólares, muchísimo menos que entrenar desde cero. La trampa está en el costo de mantenerlo: según Andreessen Horowitz (2024), el 80% del costo total de un modelo en funcionamiento llega después de la puesta en marcha.
Lo que cuesta comprar
Los modelos externos son rápidos de implementar, accesibles y mejoran solos: el proveedor los actualiza y el banco recibe la mejora sin esfuerzo. La puesta en marcha se mide en semanas, no en meses.
El problema no es el precio, que sigue bajando, sino adónde van los datos. Cuando un banco consulta un modelo externo, envía información de sus clientes, sus procesos y sus productos a la infraestructura de un tercero. Para muchos reguladores de la región eso es un problema: el Banco Central de Brasil, la CNBV de México y la SFC de Colombia ya trabajan en reglas sobre el uso de proveedores de inteligencia artificial, y el tratamiento de datos sensibles es el punto de mayor tensión.
El otro riesgo es la dependencia del proveedor. Si este cambia sus precios, retira una versión o sufre una interrupción, el banco que montó su atención al cliente sobre ese modelo no tiene plan B inmediato. Un estudio de McKinsey (2024) encontró que el 60% de las empresas que adoptaron modelos externos reportó preocupación por su continuidad operativa a largo plazo.
El camino que está ganando: el híbrido
Las instituciones más sofisticadas no eligen entre construir y comprar: combinan. Las tareas generales —resúmenes, redacción, análisis de documentos públicos— corren sobre modelos externos, sin datos sensibles. El procesamiento de datos del cliente —transacciones, evaluación crediticia, detección de fraude— corre sobre modelos propios o adaptados, dentro del perímetro que exige el regulador. Y la verdadera diferenciación está en la capa que decide qué modelo se usa para cada tarea.
BBVA, por ejemplo, tiene acuerdos con OpenAI y a la vez desarrolla modelos internos para los casos regulados. JPMorgan combina modelos propios y externos según la sensibilidad del dato en más de 300 casos de uso. En América Latina, bancos como Itaú y Bancolombia avanzan por el mismo camino, aunque a menor escala.
La pregunta que importa
La decisión no se responde en abstracto, sino caso por caso, con tres preguntas: ¿qué tan sensibles son los datos involucrados? ¿Cuánta ventaja competitiva real genera tener un modelo propio? ¿Existe el equipo para sostenerlo en el tiempo?
Para la mayoría de los bancos de la región, la respuesta honesta es: comprar para los usos generales, adaptar un modelo propio para los casos regulados y sensibles, y construir desde cero solo si hay datos y un negocio que lo justifiquen. El peligro no es equivocarse al inicio —eso se corrige—. El peligro es atarse a una arquitectura que no puede evolucionar.
En inteligencia artificial, el modelo que se usa hoy probablemente no sea el que se use en 18 meses. La ventaja no la da el modelo: la da la capacidad de adoptarlo, integrarlo y mejorarlo más rápido que los demás.
