Digitalización e inteligencia artificial: 5 claves para el éxito

El aprendizaje automático, el procesamiento del lenguaje, la robótica y la inteligencia artificial son una caja de herramientas que permiten a las máquinas actuar de forma autónoma. Para no quedar atrás de los rápidos desarrollos tecnológicos, las instituciones financieras necesitan saber hacia dónde dirigir su proceso de digitalización y cómo utilizar las tecnologías innovadoras de manera enfocada.

En mayo de 2018, el CEO de Google, Sundar Pichai, presentó una tecnología nueva llamada Duplex. Esta tecnología permite al asistente digital de Google llamar a los proveedores de servicios o a los restaurantes para concertar una cita o reservar una mesa, todo en lenguaje natural. Las conversaciones presentadas en la demostración son, en efecto, impresionantes, y las palabras de relleno insertadas en la IA hacen que la conversación suene muy natural. Independientemente de cuán comerciales se consideren dichas tecnologías, el progreso en el desarrollo de los sistemas de diálogo automáticos es rápido y esos sistemas son y serán cada vez más capaces de realizar partes importantes de la interacción con los clientes en los bancos. 

Los bancos están enfrentando desafíos similares en la automatización de procesos. En la primera ola de automatización, hace 20 o 30 años, vimos cómo ciertos procesos se eliminaron de las sucursales y se transfirieron a nuevas unidades centralizadas. En dichas unidades, los procesos se serializaron y recortaron para mejorar su productividad. Con la digitalización y la IA muchos procesos ahora se pueden automatizar totalmente por primera vez, sin pasos manuales. Esto promete ventajas de reducción de costos importantes y procesamientos más rápidos, lo cual, a su vez, crea una mejor experiencia del cliente. Comparado con los procesos completamente digitales, los procesos de la primera ola de centralización y racionalización parecerán muy manuales.

Este desarrollo también se basa en el hecho de que los procesos digitales, en los que se apoyan las decisiones a automatizar, están mejorando cada vez más y normalmente superan el rendimiento de las decisiones manuales. Los métodos de investigación de las operaciones, como la optimización matemática, habilitan un conocimiento cuantitativo de las compensaciones entre objetivos competitivos, como la rentabilidad, la participación de mercado y el apetito de riesgo y, por lo tanto, permiten el desarrollo de estrategias de decisiones personalizadas.    

Para que la digitalización en los bancos sea exitosa y hagan un buen uso de la IA, se deben cumplir varios prerrequisitos, los cuales comentaré en este artículo.

Premisa 1: La digitalización requiere nuevas habilidades 

Las nuevas tecnologías siempre exigen habilidades nuevas. Además de experiencia técnica, es esencial tener conocimientos de ingeniería para lograr procesos automatizados exitosos. 

La gestión de procesos digitales y las decisiones automatizadas requieren que los empleados aborden un proceso de la misma forma en que se abordaría una línea de producción: pensar en la tolerancia a errores, las técnicas de medición y cuándo intervenir manualmente en caso necesario. Mientras que reciben retroalimentación de los empleados humanos sobre el éxito o fracaso de las acciones, no pueden esperar este tipo de proactividad de una máquina. El uso de chatbots que no tienen las respuestas correctas a las preguntas de los clientes conducen a experiencias de frustración de parte de los clientes. Por lo tanto, los empleados que controlan los procesos deben vigilar todos los pasos del proceso, reconocer los puntos ciegos y optimizarlos donde sea debido.

La digitalización también tendrá un impacto en el conjunto de habilidades requeridas para las operaciones. Cuando la mayor parte de las tareas las asumen las máquinas, los casos que terminan en operaciones para revisión manual son más complejos, exigen mayor consulta y, por lo general, contienen excepciones y conflictos (éstos son los casos que antes se hubieran podido escalar al líder del equipo). Manejar dichos casos requiere más experiencia y habilidad. Ya estamos viendo a algunas empresas utilizar el fenómeno de contracción natural del mercado para reducir la nómina en las unidades operativas que están siendo relevadas por procesos digitales. Sin embargo, cuando se contrata personal, se necesita gente más calificada con salarios más altos que los empleados medios antes del cambio.

Premisa 2: La digitalización requiere métodos ágiles

Si la comunicación con los clientes se realiza a través de canales digitales, no existe información inmediata sobre lo que está saliendo mal. Mientras que los empleados adaptan de forma intuitiva su comunicación para mejorar su eficacia, las máquinas se empeñan en seguir sus reglas sin brindar retroalimentación sobre lo que no funciona.  

 Los bancos con procesos digitales exitosos monitorean esos procesos de cerca y los ajustan continuamente. Los resultados del diálogo independiente y los pasos de los procesos se evalúan de manera sistemática y cuantitativa, y otras estrategias se prueban con un enfoque del modelo Champion /Challenger.

Para facilitar este ciclo de aprendizaje continuo, los bancos forman un equipo de estrategia multifuncional que revisa los resultados en cada paso del proceso, en conjunto con los respectivos dueños de los negocios; desarrollan ideas para mejoras, y las prueban. El prerrequisito para esta estrategia ágil y cuantitativa es la capacidad de implementar los ajustes rápida y extensamente sin emplear recursos de TI. Por lo tanto, la tecnología de decisiones que se utilice debe permitir a los empleados sin habilidades de programación configurar reglas y contenido de comunicación de manera independiente. Los recursos de TI se usan, por lo general, en la gestión de versiones, si acaso, ya que la configuración de los procesos y las reglas son responsabilidad de la respectiva unidad de negocio.  

Las organizaciones exitosas constantemente perfeccionan los procesos digitales con métodos ágiles 

 Premisa 3: La investigación de IA y operaciones aumenta la eficacia 

¿Qué ofertas o límite de crédito recibe un cliente? ¿Qué iniciativas de marketing son prometedoras para un determinado grupo? ¿Qué tan intensa debe ser la gestión de cuentas por cobrar? Las estrategias de decisiones que guían estas acciones generalmente se desarrollan con base en la experiencia de negocio. La analítica se usa con frecuencia para segmentar la cartera de clientes; sin embargo, los métodos analíticos no suelen utilizarse para asignar decisiones, medidas o precios a estos segmentos. Esto conduce a costos de oportunidad considerables.  

En mi opinión, los métodos de la investigación de operaciones se emplearán cada vez más en el desarrollo de estrategias de precio, pero también para desarrollar procesos operativos dirigidos. Con la optimización matemática de las decisiones, las dependencias entre volumen de ventas, rentabilidad y objetivos de riesgo, por ejemplo, pueden conocerse cuantitativamente, a fin de que las estrategias de decisiones logren alcanzar el equilibrio óptimo entre objetivos competitivos. No aplicar estos métodos es costoso: calculo que el uso insuficiente de métodos matemáticos ocasiona que los bancos europeos pierdan ganancias anuales de entre 500 millones y 1,000 millones de euros, tan sólo por préstamos a plazos.   

Premisa 4: La IA requiere esfuerzo

El aprendizaje automático y la inteligencia artificial están rodeados de un aura de simplicidad: los problemas se resuelven por sí solos. Esta noción es imprecisa.

Muchos subestiman que la incorporación de IA requiere una buena preparación y una supervisión y reajuste constantes. Esto comienza con la selección del método correcto: no todos los algoritmos son adecuados para todos los problemas. Y un modelo es sólo tan bueno como los datos que contiene. Por lo tanto, es esencial preparar y limpiar los datos minuciosamente.  

Para obtener un valor agregado real, también es imperativo conocer las dependencias entre objetivos de negocio, métodos y decisiones. ¿Dónde está el valor en un proceso de negocio y qué decisión tiene mayor impacto? ¿Qué conocimientos y predicciones pueden ayudar a mejorar esa decisión? Estas preguntas seguirán requiriendo respuestas por parte de expertos.

Premisa 5: La IA debe ser explicable

Las decisiones automatizadas que usan IA son sumamente escalables. Esto conlleva el riesgo de que los errores y prejuicios indeseables se repitan de forma automática. Por ello, la lógica de las decisiones que representa una caja negra alberga riesgos incalculables. Es fundamental conocer la manera en que los modelos funcionan, y poder ver y explicar las características de los datos que dominan una decisión –tanto a nivel global como para una decisión independiente–.

De acuerdo con el reciente estudio “State of Responsible AI“ (“El estado de la IA responsable”), elaborado por la compañía de investigación de mercado Corinium a solicitud de FICO, el 65% de las compañías encuestadas no pueden explicar cómo realizan las predicciones o toman decisiones de IA. Sólo una quinta parte de los encuestados monitorea activamente los modelos para que sean imparciales y éticos. Estas cifras son alarmantes.

No obstante, la necesidad de una IA explicable no sólo proviene de los principios de un buen gobierno corporativo. En varios documentos de trabajo publicados por la Asociación Bancaria Europea y organismos regulatorios nacionales se están creando regulaciones que exigen explicación de, al menos, las decisiones relacionadas con el riesgo. Esto hace que la analítica explicable sea fundamental por cuestiones de protección de inversiones.  

Conclusión

La inteligencia artificial y la digitalización prometen mejorar considerablemente la estructura de costos en la banca minorista. Sin embargo, al igual que con todos los proyectos de automatización, es importante utilizar estas herramientas con cautela. Pero incluso las tecnologías inteligentes no pueden reparar mágicamente los procesos mediocres. Por lo tanto, vale la pena enfocarse en decisiones y procesos que proporcionen el mayor valor a sus organizaciones. Al hacerlo, la IA deja de ser una palabra de moda y muestra el potencial de la banca minorista.