El 47% de los bancos a nivel global enfrenta un “trust dilemma”: subutiliza IA por falta de confianza o depende de sistemas que aún no han sido suficientemente validados.
Aunque la banca es una de las industrias con mayor apuesta por IA, solo 23% de los bancos opera en el nivel más alto del Trustworthy AI Index, según el estudio de SAS con insights de IDC.
En Colombia, la digitalización financiera avanza a gran escala: Bre-B acumuló más de 670 millones de transacciones por un valor superior a $105 billones en sus primeros seis meses de operación, según el Banco de la República.
La inteligencia artificial gana espacio en procesos cada vez más relevantes para el sector financiero. Desde la evaluación de riesgo y la detección de fraude hasta la atención al cliente y el cumplimiento regulatorio, los bancos amplían el uso de modelos analíticos y herramientas de automatización para responder con mayor rapidez y precisión.
Ese avance, sin embargo, está abriendo una discusión distinta. A medida que la tecnología interviene en decisiones de mayor impacto, ya no basta con medir su capacidad para generar resultados: las entidades también necesitan demostrar cómo llega a ellos, con qué datos, bajo qué controles y qué mecanismos existen para supervisar su funcionamiento.
Los nuevos hallazgos para banca del Data and AI Impact Report: The Trust Imperative, elaborado por SAS con IDC, muestran que esta sigue siendo una tarea pendiente para buena parte del sector. Aunque la banca presenta avances importantes en inversión y adopción de inteligencia artificial frente a otras industrias, solo 11% de las entidades combina una alta confianza en estas tecnologías con sistemas cuya confiabilidad puede demostrarse.
El contraste es aún más evidente al observar que 47% de los bancos se encuentra en lo que IDC denomina el “trust dilemma”. Allí conviven dos situaciones: organizaciones que cuentan con sistemas confiables, pero todavía dudan en utilizarlos plenamente, y otras que depositan una confianza elevada en soluciones que aún no tienen suficientes mecanismos de validación y control. A su vez, solo 23% de los bancos alcanza el nivel más alto del Trustworthy AI Index.
La diferencia entre adoptar inteligencia artificial y poder respaldar sus resultados adquiere especial importancia en banca, donde una decisión automatizada puede incidir sobre el acceso al crédito, una alerta de fraude, una operación financiera o la relación de un cliente con su entidad.
Decisiones más rápidas, pero también más exigentes
En crédito, los modelos de inteligencia artificial pueden ampliar la capacidad de análisis, procesar mayores volúmenes de información y apoyar evaluaciones de riesgo más oportunas. Pero su uso también exige que las entidades puedan identificar qué variables incidieron en una decisión, revisar la calidad de los datos utilizados y establecer controles frente a posibles sesgos, inconsistencias o resultados inesperados.
En fraude y seguridad, el desafío es similar. Las capacidades analíticas permiten detectar comportamientos atípicos y responder con mayor velocidad ante nuevas amenazas, pero su efectividad depende de la actualización de los modelos y de su integración con la operación. Un sistema demasiado sensible, por ejemplo, puede aumentar los falsos positivos y afectar transacciones legítimas o deteriorar la experiencia del cliente.
También cambia la discusión alrededor de la personalización. La posibilidad de anticipar necesidades y ofrecer productos o servicios más pertinentes depende cada vez más del uso de datos y modelos analíticos. Para las entidades, esto supone encontrar un equilibrio entre una mayor capacidad de anticipación y criterios claros sobre el uso de la información y el grado de automatización adecuado para cada interacción.
“La banca siempre ha operado sobre la confianza. Lo que cambia hoy es que esa confianza también debe extenderse a los datos, modelos y sistemas de inteligencia artificial que apoyan decisiones críticas. En crédito, riesgo, fraude, cumplimiento o experiencia del cliente, no basta con que la IA sea rápida: debe ser explicable, gobernada y trazable, permitiendo comprender cómo y por qué se tomó cada decisión y generando resultados medibles en contextos reales de negocio”, señaló Ricardo Saponara, Líder de Asesoría en Riesgo, Fraude y Cumplimiento para América Latina de SAS.
El crecimiento digital eleva la exigencia
En Colombia, esta discusión coincide con una expansión sostenida de los servicios financieros digitales y del volumen de operaciones que circulan por estos canales. De acuerdo con el Banco de la República, Bre-B acumuló más de 670 millones de transacciones por un valor superior a $105 billones durante sus primeros seis meses de operación, con más de 34 millones de usuarios registrados y más de 103 millones de llaves.
Por su parte, la Superintendencia Financiera de Colombia reportó que la cartera de crédito cerró 2025 en cerca de $763 billones, mientras que Banca de las Oportunidades señaló que el 96,9% de los adultos en el país tenía al menos un producto de depósito o crédito. La escala que ha alcanzado el sistema financiero refuerza la necesidad de contar con datos de calidad, modelos monitoreados y procesos que permitan reconstruir y explicar una decisión cuando sea necesario. Esto es particularmente relevante en entornos donde una falla puede traducirse en impactos financieros, regulatorios o reputacionales.
El reto aumenta con la llegada de sistemas más autónomos
Esta necesidad de control adquiere una nueva dimensión con el avance de la IA agéntica, capaz de interactuar con herramientas, activar flujos y ejecutar determinadas tareas dentro de procesos empresariales. Para los bancos, este tipo de sistemas puede agilizar análisis, reducir tiempos de respuesta y apoyar distintas funciones operativas. Al mismo tiempo, obliga a definir con mayor precisión qué acciones puede ejecutar una solución de manera autónoma, qué información puede utilizar, bajo qué condiciones debe detenerse y en qué situaciones se requiere intervención humana.
Por eso, la gobernanza empieza a ocupar un lugar más relevante en la estrategia de inteligencia artificial. No se limita a validar un modelo antes de ponerlo en funcionamiento: implica observar su desempeño en el tiempo, controlar los cambios en los datos, documentar resultados y contar con mecanismos para corregir comportamientos no esperados.
También supone resolver desafíos que preceden a la propia IA. La fragmentación de la información, la existencia de silos, la calidad de los datos y la dificultad para rastrear su origen siguen condicionando la capacidad de las organizaciones para llevar modelos analíticos a procesos críticos. Para el sector financiero, el siguiente paso no pasa únicamente por ampliar el número de casos de uso. A medida que la inteligencia artificial asuma un papel mayor en crédito, riesgo, fraude, cumplimiento y servicio al cliente, será necesario determinar en qué decisiones aporta valor, qué nivel de autonomía resulta adecuado y qué controles deben acompañarla.
En una industria construida sobre la confianza, la adopción tecnológica tendrá que avanzar al mismo ritmo que la capacidad de explicar y respaldar las decisiones que produce.