Hoy casi todos los bancos grandes de Am\u00e9rica Latina tienen alguna iniciativa de inteligencia artificial generativa. La pregunta ya no es si usarla, sino c\u00f3mo: \u00bfcon un modelo propio o con el de un proveedor externo?<\/p>\n\n\n\n
Hace tres a\u00f1os se discut\u00eda si la inteligencia artificial generativa era relevante para la banca. Esa discusi\u00f3n ya est\u00e1 cerrada: seg\u00fan una encuesta global de NVIDIA (2024), el 78% de las instituciones financieras del mundo tiene proyectos activos. La conversaci\u00f3n se movi\u00f3 a un terreno m\u00e1s inc\u00f3modo: \u00bfcon qu\u00e9 modelo trabajamos y qui\u00e9n lo controla?<\/p>\n\n\n\n
Decidir entre construir un modelo propio o contratar uno externo \u2014como GPT, Claude o Gemini\u2014 es una decisi\u00f3n estrat\u00e9gica, no t\u00e9cnica. Implica tomar posici\u00f3n 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 m\u00e1s valioso y el m\u00e1s sensible, la respuesta pesa m\u00e1s que en cualquier otra industria.<\/p>\n\n\n\n
Entrenar un modelo desde cero est\u00e1 fuera del alcance de casi cualquier banco. Solo el poder de c\u00f3mputo para entrenar GPT-4 cost\u00f3 entre 50 y 100 millones de d\u00f3lares, seg\u00fan estimaciones de Epoch AI. A eso hay que sumar el equipo de especialistas, la infraestructura de datos y el mantenimiento posterior.<\/p>\n\n\n\n
Pero “construir” admite grados. La mayor\u00eda de las instituciones que dicen tener un “modelo propio” en realidad adaptan un modelo abierto \u2014como Llama o Mistral\u2014 con sus propios datos. Es una opci\u00f3n razonable para casos puntuales: cumplimiento normativo, an\u00e1lisis de contratos o atenci\u00f3n al cliente en lenguaje regulado. Esa adaptaci\u00f3n puede arrancar desde unos 50.000 d\u00f3lares, much\u00edsimo menos que entrenar desde cero. La trampa est\u00e1 en el costo de mantenerlo: seg\u00fan Andreessen Horowitz (2024), el 80% del costo total de un modelo en funcionamiento llega despu\u00e9s de la puesta en marcha.<\/p>\n\n\n\n
Los modelos externos son r\u00e1pidos 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.<\/p>\n\n\n\n
El problema no es el precio, que sigue bajando, sino ad\u00f3nde van los datos. Cuando un banco consulta un modelo externo, env\u00eda informaci\u00f3n de sus clientes, sus procesos y sus productos a la infraestructura de un tercero. Para muchos reguladores de la regi\u00f3n eso es un problema: el Banco Central de Brasil, la CNBV de M\u00e9xico 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 tensi\u00f3n.<\/p>\n\n\n\n
El otro riesgo es la dependencia del proveedor. Si este cambia sus precios, retira una versi\u00f3n o sufre una interrupci\u00f3n, el banco que mont\u00f3 su atenci\u00f3n al cliente sobre ese modelo no tiene plan B inmediato. Un estudio de McKinsey (2024) encontr\u00f3 que el 60% de las empresas que adoptaron modelos externos report\u00f3 preocupaci\u00f3n por su continuidad operativa a largo plazo.<\/p>\n\n\n\n
Las instituciones m\u00e1s sofisticadas no eligen entre construir y comprar: combinan. Las tareas generales \u2014res\u00famenes, redacci\u00f3n, an\u00e1lisis de documentos p\u00fablicos\u2014 corren sobre modelos externos, sin datos sensibles. El procesamiento de datos del cliente \u2014transacciones, evaluaci\u00f3n crediticia, detecci\u00f3n de fraude\u2014 corre sobre modelos propios o adaptados, dentro del per\u00edmetro que exige el regulador. Y la verdadera diferenciaci\u00f3n est\u00e1 en la capa que decide qu\u00e9 modelo se usa para cada tarea.<\/p>\n\n\n\n
BBVA, por ejemplo, tiene acuerdos con OpenAI y a la vez desarrolla modelos internos para los casos regulados. JPMorgan combina modelos propios y externos seg\u00fan la sensibilidad del dato en m\u00e1s de 300 casos de uso. En Am\u00e9rica Latina, bancos como Ita\u00fa y Bancolombia avanzan por el mismo camino, aunque a menor escala.<\/p>\n\n\n\n
La decisi\u00f3n no se responde en abstracto, sino caso por caso, con tres preguntas: \u00bfqu\u00e9 tan sensibles son los datos involucrados? \u00bfCu\u00e1nta ventaja competitiva real genera tener un modelo propio? \u00bfExiste el equipo para sostenerlo en el tiempo?<\/p>\n\n\n\n
Para la mayor\u00eda de los bancos de la regi\u00f3n, 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 \u2014eso se corrige\u2014. El peligro es atarse a una arquitectura que no puede evolucionar.<\/p>\n\n\n\n
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 m\u00e1s r\u00e1pido que los dem\u00e1s.<\/p>\n","protected":false},"excerpt":{"rendered":"
\u00bfLos bancos deben crear sus propios modelos de lenguaje o contratar uno externo? Costos, riesgos regulatorios y el camino h\u00edbrido que eligen los l\u00edderes en Am\u00e9rica Latina.<\/p>\n","protected":false},"author":36,"featured_media":17277,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_seopress_titles_title":"","_seopress_titles_desc":"\u00bfLos bancos deben crear sus propios modelos de lenguaje o contratar uno externo? Costos, riesgos regulatorios y el camino h\u00edbrido que eligen los l\u00edderes en Am\u00e9rica Latina.","_seopress_robots_index":"","_seopress_robots_follow":"","_seopress_robots_imageindex":"","_seopress_robots_snippet":"","_seopress_robots_primary_cat":"","_seopress_robots_breadcrumbs":"","_seopress_robots_freeze_modified_date":"","_seopress_robots_custom_modified_date":"","_seopress_robots_canonical":"","_seopress_social_fb_title":"","_seopress_social_fb_desc":"","_seopress_social_fb_img":"","_seopress_social_fb_img_attachment_id":0,"_seopress_social_fb_img_width":0,"_seopress_social_fb_img_height":0,"_seopress_social_twitter_title":"","_seopress_social_twitter_desc":"","_seopress_social_twitter_img":"","_seopress_social_twitter_img_attachment_id":0,"_seopress_social_twitter_img_width":0,"_seopress_social_twitter_img_height":0,"_seopress_redirections_value":"","_seopress_redirections_enabled":"","_seopress_redirections_enabled_regex":"","_seopress_redirections_logged_status":"","_seopress_redirections_param":"","_seopress_redirections_type":0,"_seopress_analysis_target_kw":"","footnotes":""},"categories":[214,203],"tags":[488,489,490,491,492],"_links":{"self":[{"href":"https:\/\/blog.n5now.com\/en\/wp-json\/wp\/v2\/posts\/17279"}],"collection":[{"href":"https:\/\/blog.n5now.com\/en\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/blog.n5now.com\/en\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/blog.n5now.com\/en\/wp-json\/wp\/v2\/users\/36"}],"replies":[{"embeddable":true,"href":"https:\/\/blog.n5now.com\/en\/wp-json\/wp\/v2\/comments?post=17279"}],"version-history":[{"count":1,"href":"https:\/\/blog.n5now.com\/en\/wp-json\/wp\/v2\/posts\/17279\/revisions"}],"predecessor-version":[{"id":17282,"href":"https:\/\/blog.n5now.com\/en\/wp-json\/wp\/v2\/posts\/17279\/revisions\/17282"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/blog.n5now.com\/en\/wp-json\/wp\/v2\/media\/17277"}],"wp:attachment":[{"href":"https:\/\/blog.n5now.com\/en\/wp-json\/wp\/v2\/media?parent=17279"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/blog.n5now.com\/en\/wp-json\/wp\/v2\/categories?post=17279"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/blog.n5now.com\/en\/wp-json\/wp\/v2\/tags?post=17279"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}