Lo que los reguladores y las instituciones financieras han demostrado sobre la IA
Prateek Shrivastava | Julio de 2026 | Washington DC
La inteligencia artificial ya está generando resultados reales y mensurables en los servicios financieros, y la evidencia más fuerte en este sentido es más sólida de lo que el circuito de conferencias suele atribuirle. El anexo de este artículo contiene la base de datos de estudios de casos mencionados en el texto.
La evidencia más creíble se encuentra en dos lugares: los reguladores que utilizan la inteligencia artificial para mejorar su labor de supervisión, y los prestamistas y aseguradores que la utilizan para evaluar el riesgo, extender el crédito, diseñar coberturas y procesar reclamaciones. Este artículo reúne los ejemplos más sólidos de ambos grupos.
Al revisar la evidencia, consideramos útil clasificar cada caso en uno de dos grupos. Implementaciones medidas Son sistemas activos o sustancialmente operativos con métricas publicadas de adopción, precisión, servicio o rendimiento del portafolio, lo que es la prueba más clara de que la IA ya está funcionando. Pilotos medidos Son implementaciones reales con resultados técnicos creíbles, que a menudo marcan el camino hacia adelante en cuanto a la implementación de las medidas. Los informes más amplios, elaborados por el Banco Mundial, el Banco de Pagos Internacionales (BIS), la Organización para la Cooperación y el Desarrollo Económicos (OCDE) y otros, son importantes para comprender hacia dónde se dirige el mercado y se incorporan a este ejercicio en lugar de integrarse en él.
Esta distinción es importante: las implementaciones medidas que se describen a continuación son una prueba de que la inteligencia artificial ya funciona en este sector. Estos proyectos piloto son un buen indicio de lo que pronto se aplicará de forma más generalizada.
Dónde los reguladores obtienen valor práctico
La investigación muestra que, en este momento, los ejemplos más relevantes de la parte regulatoria no son los futuristas “supervisores de IA”. Se trata de aplicaciones concretas que mejoran la calidad y la rapidez de las labores que ya realizan los reguladores: la gestión de quejas, el seguimiento de los mercados, la detección de fraudes y la verificación de datos.
Ejemplo 1. Brasil: encontrar anomalías en un registro de crédito muy grande y ser preciso sobre cuántos casos cubre ese registro.
El Banco Central do Brasil ha probado técnicas de aprendizaje automático para identificar posibles anomalías en las solicitudes al registro público de crédito, el SCR. Trabajando con la Corporación Financiera Internacional (IFC), aplicó un modelo de bosque aislado a los datos de préstamos vinculados a los sueldos obtenidos de un conjunto de entrenamiento de 55 millones de préstamos, en comparación con un registro que procesa 1,1 mil millones de operaciones al mes (Estudio de caso de IFC, mayo de 2025). El modelo detectó 278 préstamos como posibles casos atípicos en nueve instituciones. De los 206 casos en los que el banco central recibió comentarios de ocho de esas instituciones, 179 fueron confirmados como problemas reales, con una tasa de precisión del 87 por ciento. Tras segmentar a los prestatarios de ingresos altos del resto de la cartera y llevar a cabo un proceso de reentrenamiento, la precisión aumentó al 97 por ciento.
La muestra validada es de 206 casos, no del registro completo. Este es un ejemplo claro de suptech porque el problema es específico, el modelo soporta un proceso de control existente y se pueden medir los resultados. Se debería describir como un piloto medido a menos que haya pruebas públicas de que este enfoque se haya aplicado de forma generalizada en todo el registro y haya producido mejoras sostenidas con el tiempo.
Ejemplo 2. Filipinas: haciendo que la tramitación de las quejas sea accesible
The Bangko Sentral ng Pilipinas’ Online Buddy, o BOB, es uno de los ejemplos más claros de protección de los consumidores impulsada por la inteligencia artificial en mercados emergentes. Ofrece a los consumidores un canal digital para presentar quejas y utiliza el procesamiento de lenguaje natural para categorizar y canalizar los casos.
Una evaluación de Innovations for Poverty Action analizó recientemente 1.372.534 mensajes enviados a BOB durante su primer año de funcionamiento, entre agosto de 2020 y julio de 2021 (IPA, 2022). BOB categorizó correctamente el 55 por ciento de las quejas inmediatamente, llegando a un 74 por ciento después de las preguntas de seguimiento. Solo el 20 por ciento de las interacciones con el chatbot llegó al mensaje final del flujo de conversación. Esta tasa de abandono es tan informativa como la cifra de precisión: nos dice dónde el diseño aún está perdiendo usuarios, lo cual es exactamente el tipo de métrica de flujo de trabajo que un regulador debería estar monitoreando y publicando de manera continua. La propia evaluación ya tiene varios años y, hasta donde podemos encontrar, no se ha actualizado públicamente desde entonces. Esta combinación de informes de reguladores y evaluación independiente aún hace que BOB sea inusualmente útil: proporciona evidencia sobre la adopción, el rendimiento del sistema y dónde los usuarios se desvían del camino.
También demuestra un importante principio de diseño. El valor no se creó inventando una función de supervisión completamente nueva. Se obtuvo mejorando el acceso a un proceso de reclamaciones ya existente y convirtiendo los mensajes no estructurados en datos de supervisión utilizables.
Ejemplo 3. India: detección de “cuentas de camellos” antes de que desaparezcan los fondos fraudulentos
La última incorporación a la lista de suptech aborda un problema que los otros casos aquí no abordan directamente: la identificación de “cuentas de camellos”, que se utilizan para recibir y transferir los fondos procedentes de fraudes financieros realizados a través de la tecnología informática. El brazo de innovación del Banco de la Reserva de la India (RBI), el Reserve Bank Innovation Hub, ha desarrollado MuleHunter, un modelo de aprendizaje automático que analiza los datos de transacciones y cuentas para detectar estos «cárteles» financieros. Fue puesto a prueba con dos bancos del sector público en 2024 y fue mencionado por el gobernador del RBI en el comunicado de política monetaria de diciembre de 2024. Una respuesta sobre el derecho a la información reportada en diciembre de 2025 indicaba que 23 bancos lo habían adoptado. En mayo de 2026, el Departamento de Servicios Financieros ordenó públicamente a los bancos que aceleraran su adopción.
Ese dato de adopciones merece atención por una razón más allá del propio número. No fue revelado por el RBI ni por el vendedor. Se obtuvo a través de una solicitud independiente de información, una forma más sólida de proveniencia que la mayoría de los datos de este ámbito. Por favor, tenga en cuenta que no hemos encontrado un porcentaje de precisión verificada procedente de una fuente primaria del RBI, y cualquier cifra que circule en cobertura secundaria debe considerarse no confirmada hasta que el banco central publique uno directamente.
Perú, Ghana e Indonesia: un trabajo prometedor que aún está en vías de consolidarse
La Superintendencia de Banca, Seguros y AFP de Perú, el Banco de Ghana y la Otoridad Jasa Keuangan (OJK) de Indonesia han desarrollado herramientas de monitoreo y atención a quejas basadas en inteligencia artificial, utilizando la extracción de datos de redes sociales, análisis de sentimientos, chatbots, gestión de casos de quejas y paneles de control para supervisión.
Estas iniciativas son creíbles y merecen la pena observar. Algunas ya han procesado volúmenes considerables de comentarios públicos y han producido interfaces de monitoreo utilizables. Lo que aún no tienen públicamente es la misma profundidad de evidencia de resultados que Brasil, Filipinas o India, cambios duraderos en los resultados para los consumidores, la eficacia de la aplicación o la productividad supervisora medidos a lo largo del tiempo. Esto no es tanto un veredicto sobre la tecnología como una indicación de dónde se sitúa cada programa en su propia curva, antes que Brasil, Filipinas e India, pero en el mismo camino. Entran en la base de datos como Pilotos medidos, el grupo que más probabilidades tiene de producir la próxima implementación madura.
3 lecciones extraídas de los casos regulatorios destacan
Primero, la IA funciona mejor cuando se adjunta a un proceso de supervisión existente con un claro cuello de botella operativo. Las quejas llegan en forma de texto no estructurado. Las presentaciones en el registro contienen anomalías. Las redes de transacciones ocultan cuentas de intermediarios. Las conversaciones públicas revelan riesgos emergentes en cuanto a conducta. Estos son problemas bien definidos.
En segundo lugar, Las métricas del flujo de trabajo son importantes, y los honestos incluyen los números incómodos. Un regulador debería poder medir la precisión de la clasificación, los falsos positivos, las tasas de completamiento y abandono, los casos canalizados y si las acciones de supervisión mejoraron, no solo los volúmenes totales.
En tercer lugar, Las cifras obtenidas de manera independiente son más valiosas que las reportadas por el propio individuo.. El número de adopción del RBI proviene de una solicitud de acceso a la información. La evaluación del BOB fue realizada por una organización de investigación independiente, y no por el propio equipo de comunicaciones del regulador. Esta distinción debería influir en la importancia que cada uno de nosotros atribuya a una afirmación.
Cuando los prestamistas y las aseguradoras tienen pruebas más sólidas
En el caso de los proveedores de servicios financieros (FSP), los prestamistas, los emisores de tarjetas de crédito, las empresas de agrofinanzas y las aseguradoras, la base de datos es más amplia, particularmente en la evaluación de crédito y el diseño de productos. Sin embargo, también aquí la atribución puede ser confusa. Un prestamista puede tener una gran cartera, un rápido crecimiento y un modelo de inteligencia artificial. Esto no significa automáticamente que la inteligencia artificial haya causado los resultados de la cartera.
MYbank: préstamos automatizados a PYME a escala significativa y con una presentación honesta
El modelo “3-1-0” de MYbank, que consiste en una solicitud de tres minutos, una aprobación de un segundo y una intervención manual cero, es uno de los ejemplos más destacados de la subrogación automatizada para pequeñas y medianas empresas (PYME). Este modelo utiliza datos de transacciones y ecosistemas para evaluar empresas que pueden no tener estados financieros o garantías convencionales.
La cifra más reciente que puedo obtener es de 53 millones de PYME atendidas de forma acumulada, divulgada por Ant Group y MYbank en abril de 2024 como parte del informe anual de MYbank de 2023 (Businesswire, abril de 2024). Una referencia anterior de IFC de 2020 indicaba que se atendían 45 millones de PYME y que la tasa de morosidad rondaba el 1,5%, aproximadamente un 60% por debajo de la media del sector en ese momento. No hemos encontrado ninguna actualización independiente más reciente para ninguno de estos datos, por lo que estamos indicando ambos valores explícitamente en lugar de presentarlos como cifras actuales del rendimiento.
Vale la pena añadir un contexto: las cifras más relevantes provienen de las propias divulgaciones de MYbank y Ant Group, reales y sustanciales, aunque no auditadas de forma independiente. La afirmación más clara, y una afirmación muy convincente a sus propios términos, es que la gestión de riesgos basada en IA se ha integrado con éxito en una de las mayores operaciones de crédito a PYME de cualquier parte del mundo.
JUMO: un servicio de préstamos digitales a gran escala en África con una evaluación independiente de la protección del cliente
Un ejemplo ilustrativo sobre la cuestión de la verificación independiente es JUMO, la plataforma de financiación panafricana que opera en Ghana, Kenia, Tanzanía, Zambia, Uganda, Costa de Marfil, Sudáfrica y Camerún. JUMO reporta $7.900 millones desembolsados a más de 31 millones de personas desde 2015, una cifra divulgada por la propia empresa con la misma advertencia de atribución que la de MYbank.
Lo que lo diferencia es que JUMO se convirtió en primer proveedor de servicios financieros digitales evaluado conforme al estándar de protección del cliente Cerise+SPTF, un análisis realizado externamente, obtuvo un puntaje de 92,2 por ciento. Este es un caso muy raro en este campo, en el que un tercero, en lugar de la propia empresa, es quien arroja el número final.
Konfío: el caso raro con un grupo de comparación real
La mayoría de los ejemplos de préstamos en este campo comparan una cartera con sí misma, antes y después, o con un promedio de la industria. Konfío, un prestamista fintech mexicano que utiliza una puntuación de crédito basada en inteligencia artificial para empresas micro, pequeñas y medianas (PYME), es uno de los pocos con algo más parecido a un diseño de evaluación genuino. Una análisis realizado por IDB Invest, el brazo del sector privado del Banco Interamericano de Desarrollo, comparó a las empresas que recibieron un préstamo de Konfío con solicitantes similares que fueron rechazados. Dos años después, los prestatarios que recibieron financiación Las ventas aumentaron un 19,4 por ciento más que el grupo de comparación descartado, y un 41,9 por ciento más entre las empresas propiedad de mujeres. (IDB Invest).
Este diseño de grupo de comparación plantea un requisito de prueba materialmente más elevado que una simple historia de antes y después, y es por eso que consideramos a Konfío como una opción superior a la mayoría de los ejemplos de calificación crediticia que circulan en este sector. No elimina todas las dudas. IDB Invest también es inversor en la empresa, por lo que la evaluación no es totalmente objetiva. Pero sí Lo más parecido a una situación contraria en esta lista, y debería servir de punto de referencia cuando un prestamista afirma que su modelo de avalización mejora los resultados.“
Eshandi en Zambia: pruebas prometedoras sobre la igualdad de género, pero no pruebas causales
Eshandi utiliza la puntuación basada en el aprendizaje automático en un producto de microcrédito con dinero móvil y ha desembolsado cerca de un millón de préstamos a mujeres. Un análisis a nivel de prestatario en un informe de la IFC de 2026 reveló que las mujeres obtienen una puntuación ligeramente superior en la propia calificación crediticia del modelo y tienen más probabilidades de convertirse en prestatarias recurrentes (IFC, “Desafía el código del crédito”, mayo de 2026). El informe es cuidadoso al definir lo que esto significa, señalando que la mayoría de estos modelos son neutrales en cuanto al género y que los beneficios de la inclusión de este tipo son en gran medida circunstanciales y no están diseñados de antemano.
Es el nivel adecuado de precaución. La evidencia muestra que Asociación entre el modelo de puntuación, el comportamiento de las reinversiones y el género. No prueba por sí solo que la IA haya aumentado la inclusión financiera de las mujeres ni que haya producido mejores resultados económicos. Este caso es útil precisamente porque plantea las preguntas adecuadas: quién entra en el canal, quiénes son aprobados, quiénes pagan, y si el modelo reproduce o reduce las disparidades de género por accidente o por diseño.
Vexi en México: el uso del producto es tan importante como la aprobación
La tarjeta de crédito digital de Vexi combina la evaluación de datos alternativos con la investigación directa con los clientes. El mismo informe de IFC de 2026 entrevistó a más de 3.000 prestatarios de Vexi y encontró que las mujeres que gestionaban empresas personales o familiares utilizaban la tarjeta para gastos empresariales a tasas más altas que los hombres en la misma encuesta, y que sus límites de crédito promedio superaban los de los hombres tras aproximadamente cuatro años de uso de la tarjeta.
Esto hace de Vexi más que una historia sobre la calificación crediticia. Es un ejemplo de diseño de productos que muestra cómo el acceso a un crédito digital flexible puede apoyar a las empresas familiares y las empresas propiedad de mujeres a largo plazo, no solo en el momento de la aprobación. Aplica la misma precaución que con Eshandi: Los datos sobre el uso y el crecimiento de los límites de crédito son una prueba del uso inclusivo de los productos financieros, no una prueba de que el modelo de suscripción de seguros por sí solo haya contribuido al crecimiento de las empresas.
Agrofinanciación y seguros climáticos: escala real y una atribución de IA más difícil
Dos prestamistas y aseguradoras africanos, Apollo Agriculture y Pula, pertenecen a la misma categoría de FSP y demuestran una verdadera escala, lo que ilustra por qué las reclamaciones relacionadas con la inteligencia artificial deben ser separadas de los resultados de los productos y por qué un objetivo y un resultado no son lo mismo.
Apollo combina la evaluación de crédito basada en datos con asesoramiento agronómico y seguros para los pequeños agricultores en Kenia y, más recientemente, en Zambia. Un estudio de caso de British International Investment de 2024 cita como objetivo alcanzar a más de 2,3 millones de agricultores para 2026. Este objetivo es a largo plazo y no se aplica actualmente. Las cifras más recientes de cobertura que tenemos indican que en 2025 la cobertura real asciende aproximadamente a 400.000 agricultores en ambos mercados, mientras que en la operación de Zambia aún hay menos de 30.000 agricultores tras los primeros 18 meses. Las cifras de rendimiento y calidad de vida que Apollo y sus inversores citan, incluido un rendimiento promedio reportado de 2,6 veces superior al de otros agricultores kenianos, se extraen de encuestas realizadas por la empresa y los inversores, y no de evaluaciones independientes. La afirmación defensable es que Apollo ha construido un modelo de finanzas agropecuarias a escala y con tecnología digital que sigue creciendo hacia sus objetivos declarados, y no que la inteligencia artificial haya sido demostrada de forma independiente que aumente el rendimiento o la resiliencia climática. Estos resultados se ven influenciados por el crédito, los semillas, los fertilizantes, el asesoramiento, el clima, los seguros y el comportamiento del agricultor conjuntamente.
Pula utiliza datos satelitales, meteorológicos y agronómicos en la planificación de seguros agrícolas, el cálculo de precios y los procesos de reclamaciones. Según la propia información divulgada por la empresa, ha asegurado 20,1 millones de agricultores en 22 países, ha pagado $133,9 millones en indemnizaciones a 2,8 millones de agricultores y ha protegido $2,6 mil millones en inversiones agrícolas. En octubre de 2024, Pula procesó lo que describe como la mayor indemnización de seguros agrícolas de África, más de $29 millones a más de 800.000 agricultores en Zambia tras una grave sequía. Esta evidencia es importante, ya que el seguro solo crea resiliencia cuando se distribuye a gran escala y se pagan las indemnizaciones lo suficientemente rápido como para ser relevantes, pero el número de agricultores asegurados y la cantidad pagada demuestran la escala y el rendimiento de la operación de seguros. No se está aislando la contribución incremental del aprendizaje automático ni de la analítica satelital. Pula es un caso sólido para la gestión de seguros climáticos con un modelo operativo impulsado por la inteligencia artificial, y no un ensayo controlado del impacto de la inteligencia artificial en la resiliencia.
Un mejor método de prueba para los estudios de casos de IA
Para las juntas directivas, los reguladores y los FSPs, aplicamos cinco criterios antes de considerar que una iniciativa de IA es exitosa.
- ¿El sistema está realmente en uso? Un prototipo funcional es útil, pero no es una producción.
- ¿Está claramente identificada la parte relacionada con la inteligencia artificial? “Los términos ”digital“ y ”con IA” suelen utilizarse de forma demasiado vaga.
- ¿Los resultados se refieren al modelo o simplemente a la institución? El crecimiento del portafolio de un prestamista no prueba que su algoritmo haya funcionado.
- ¿Las métricas se verifican de forma independiente? Los datos reportados por la empresa pueden ser valiosos, pero deberían etiquetarse como tales, y un grupo de comparación genuino, como el que se encuentra detrás de la evaluación de Konfío, o una cifra obtenida de manera independiente, como la que se encuentra detrás del lanzamiento del programa de mules en India, deberían tener más peso que un comunicado de prensa propio de la empresa.
- ¿Se miden los resultados tanto para los clientes como para la institución? Un procesamiento más rápido es útil. Un mejor acceso, decisiones más justas, menores pérdidas y una mayor resiliencia son más importantes.
¿Qué significa esto para los reguladores y los proveedores de servicios financieros?
La evidencia ahora es suficientemente sólida como para ir más allá de los experimentos genéricos, pero no lo suficiente como para suspender el juicio.
Para los reguladores, la gestión de las quejas, los controles de calidad de los datos, la detección de fraude y cuentas falsas, y la supervisión específica del mercado son puntos de partida prácticos. Utilizan datos existentes, solucionan los obstáculos visibles y permiten que los supervisores humanos sigan siendo responsables.
Para los prestamistas y las aseguradoras, la contratación de datos alternativos y la toma de decisiones automatizada ya están expandiendo su alcance, especialmente para los consumidores con poca solvencia crediticia, las mujeres, las PYMES y los agricultores pequeños. Los ejemplos más sólidos miden la inclusión a lo largo de todo el proceso, desde la solicitud y la aprobación hasta los límites, los precios, la repetición del uso, el reembolso y los resultados para el cliente. La evaluación de grupos comparativos de Konfío es el estándar a seguir, y más empresas del sector son capaces de hacerlo que no lo intentan actualmente.
Para los inversores y las instituciones de desarrollo que financian ambos lados de esta ecuación, la pregunta sobre la diligencia útil nos pregunta qué decisión ha cambiado, qué evidencia demuestra que es mejor y quién se beneficia, en lugar de simplemente si la empresa utiliza la inteligencia artificial.
Los reguladores ya están detectando fraudes y eliminando los retornos de reclamaciones más rápidamente. Los prestamistas están llegando a los prestatarios que hasta ahora eran invisibles para los procesos convencionales de avalúo. Las aseguradoras están pagando las reclamaciones en cuestión de días en lugar de meses. La evidencia de la inteligencia artificial en los servicios financieros es más sólida y específica que la que el circuito de conferencias suele atribuir a esta tecnología. La tarea ahora es seguir construyendo esa base de datos con la misma rigorosa atención a los detalles que se exigía en estos casos, para que la próxima ola de casos pueda ocupar su lugar junto a ellos. Los ganadores en este sector pueden no ser las instituciones con los mayores presupuestos para IA. Pueden ser quienes puedan demostrar su trabajo.
