Explicación de la IA Generativa

Como su propio nombre indica, se trata de Inteligencia Artificial que genera. Lo que GenAI produce son datos, en forma de textos, imágenes, audio, vídeo, etc. Ejemplos de ello son conceptos como ChatGPT o Midjourney, una app que genera imágenes hiperrealistas y que está causando sensación en las redes sociales. Estas son probablemente los usos de la IA que llama más atención, ya que el resultado son creaciones similares a las humanas, como el «arte» o las interacciones de texto.

El hecho de que la IA pueda, no sólo imitar la creación y la lógica humanas, sino ir más allá y desarrollar nuevos procesos, productos y niveles de productividad, está a punto de allanar el camino para un cambio fundamental en casi cualquier sector de la ciencia, la empresa, la educación, etc.

Prevención del fraude

Falsas devoluciones: las empresas pierden aproximadamente un 3% de sus ingresos anuales debido a falsas devoluciones de tarjetas, transacciones legítimas marcadas como fraude. Los algoritmos basados en IA pueden identificar correctamente las anomalías en las transacciones aprovechando el aprendizaje automático en lugar de un algoritmo basado en reglas, que tiene una capacidad limitada para la detección del fraude. El uso de la IA puede mejorar la precisión, aumentar la eficiencia, reducir los costes y facilitar la supervisión en tiempo real.

Se prevé que las pérdidas mundiales por fraude digital superen los 343.000 millones de dólares entre 2023 y 2027. (fuente: Juniper Research) No es de extrañar que el sector financiero tenga mucho que ganar aprovechando la IA en el contexto de la prevención del fraude. Además de utilizar el aprendizaje automático para detectar anomalías, se puede utilizar la IA conversacional para la autenticación de voz a través de la biometría de voz.

Una posibilidad que nos lleva a los siguientes pasos de tener un proceso de Conozca a su Cliente (KYC) que sea hermético.

Regulación de las instituciones financieras

Las normativas «Conozca a su cliente» (KYC) y contra el blanqueo de capitales (AML) representan costes sustanciales para la mayoría de las empresas del sector de pagos. El incumplimiento de dichas normativas puede acarrear costes astronómicos en forma de multas o incluso el cese de las autorizaciones para operar en el sector.

El aprendizaje automático tiene un gran potencial para guiar a las empresas por los laberintos del cumplimiento normativo. A medida que las tecnologías de aprendizaje automático «ingieran» nuevas normativas, el Machine Learning será capaz de identificar dónde son aplicables y las lagunas en el programa normativo existente.

Sin embargo, dado que la IA es intrusiva por naturaleza, especialmente la IA basada en el aprendizaje automático, plantea cuestiones complejas, sobre todo en lo que respecta a la protección de los datos personales, y los agentes de la IA deben prestar especial atención a las cuestiones jurídicas que rodean a los datos personales.

Al diseñar y utilizar estas herramientas hay que tener cuidado de no vulnerar los derechos y libertades de las personas.

El enfoque adoptado debe tener en cuenta los principios fundamentales del RGPD, en particular la legalidad, la equidad y la proporcionalidad del tratamiento.

Generación de códigos para productos de pago

Tener éxito en Fintech significa tener éxito con el desarrollo de IT. Obviamente, esto tiene un precio. Un precio que la generación de código mediante IA puede reducir drásticamente.

Probablemente, el 99,9% de la programación de datos se basa en métodos y procedimientos ya establecidos. Esto significa que los datos están «ahí para usarlos», y si encima se añade el aprendizaje automático, el potencial de desarrollo de sistemas, programas y productos para soluciones de pago es ilimitado.

Ya existe una amplia gama de generadores de código de IA en el mercado, incluido uno de OpenAI, «OpenAi Codex». Al utilizar este tipo de herramientas, como con cualquier otro tipo de datos, hay que ser cauteloso con respecto a lo que se introduce en la herramienta y asegurarse de que no se están compartiendo datos confidenciales de la empresa.

La IA de bajo código/sin código se refiere a herramientas que permiten a cualquiera crear aplicaciones sin apenas codificar. Un ejemplo es Apple CreateML, que permite al usuario crear aplicaciones para iOS con una sencilla interfaz de arrastrar y soltar. Google y Microsoft ofrecen soluciones similares, y una herramienta como PyCaret permite al usuario más avanzado crear en el popular lenguaje de programación Python con funciones preconfiguradas.

En resumen, la IA y el Machine Learning están cambiando completamente el panorama para la creación de aplicaciones y programas, en todos los ámbitos, y tendrán un profundo impacto en los pagos como en cualquier otra industria impulsada por la tecnología.

Asistencia e integración

Chatbots, ¿recuerdas cuando sólo eran tontos y molestos? Pues esto está cambiando. Aplicando el aprendizaje automático, los chatbots son capaces de gestionar consultas cada vez más complejas de los usuarios. Esto significa que cada vez más problemas de soporte se pueden gestionar «en la puerta», y no es necesario pasar a los profesionales de soporte. De hecho, la rapidez y disponibilidad de los bots también debería mejorar la experiencia del usuario.

La integración es otra práctica que exige muchos recursos y que puede beneficiarse enormemente de la automatización mediante IA, por ejemplo, para automatizar la verificación y autenticación de los datos del cliente. Los chatbots o los «anfitriones» generados por IA pueden guiar a los clientes a lo largo del proceso. El «toque» humano solo es necesario para el control de calidad final.

Es justo decir que cuantos más datos maneje su empresa, más importancia cobrarán las soluciones de aprendizaje automático en su negocio. En el mundo de los pagos, esto es quizá tan difícil como necesario debido a las restricciones impuestas al uso de datos. Lo que no puede permitirse es no tener una estrategia en materia de inteligencia artificial.