Prateek Shrivastava | Julio de 2026 | Washington DC<\/p>\n\n\n\n
La inteligencia artificial ya est\u00e1 generando resultados reales y mensurables en los servicios financieros, y la evidencia m\u00e1s fuerte en este sentido es m\u00e1s s\u00f3lida de lo que el circuito de conferencias suele atribuirle. El anexo de este art\u00edculo contiene la base de datos de estudios de casos mencionados en el texto.<\/p>\n\n\n\n
La evidencia m\u00e1s cre\u00edble se encuentra en dos lugares: los reguladores que utilizan la inteligencia artificial para mejorar su labor de supervisi\u00f3n, y los prestamistas y aseguradores que la utilizan para evaluar el riesgo, extender el cr\u00e9dito, dise\u00f1ar coberturas y procesar reclamaciones. Este art\u00edculo re\u00fane los ejemplos m\u00e1s s\u00f3lidos de ambos grupos.<\/p>\n\n\n\n
Al revisar la evidencia, consideramos \u00fatil clasificar cada caso en uno de dos grupos. Implementaciones medidas<\/strong> Son sistemas activos o sustancialmente operativos con m\u00e9tricas publicadas de adopci\u00f3n, precisi\u00f3n, servicio o rendimiento del portafolio, lo que es la prueba m\u00e1s clara de que la IA ya est\u00e1 funcionando. Pilotos medidos<\/strong> Son implementaciones reales con resultados t\u00e9cnicos cre\u00edbles, que a menudo marcan el camino hacia adelante en cuanto a la implementaci\u00f3n de las medidas. Los informes m\u00e1s amplios, elaborados por el Banco Mundial, el Banco de Pagos Internacionales (BIS), la Organizaci\u00f3n para la Cooperaci\u00f3n y el Desarrollo Econ\u00f3micos (OCDE) y otros, son importantes para comprender hacia d\u00f3nde se dirige el mercado y se incorporan a este ejercicio en lugar de integrarse en \u00e9l.<\/p>\n\n\n\n Esta distinci\u00f3n es importante: las implementaciones medidas que se describen a continuaci\u00f3n 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 aplicar\u00e1 de forma m\u00e1s generalizada.<\/p>\n\n\n\n La investigaci\u00f3n muestra que, en este momento, los ejemplos m\u00e1s relevantes de la parte regulatoria no son los futuristas \u201csupervisores de IA\u201d. Se trata de aplicaciones concretas que mejoran la calidad y la rapidez de las labores que ya realizan los reguladores: la gesti\u00f3n de quejas, el seguimiento de los mercados, la detecci\u00f3n de fraudes y la verificaci\u00f3n de datos. <\/p>\n\n\n\n El Banco Central do Brasil ha probado t\u00e9cnicas de aprendizaje autom\u00e1tico para identificar posibles anomal\u00edas en las solicitudes al registro p\u00fablico de cr\u00e9dito, el SCR. Trabajando con la Corporaci\u00f3n Financiera Internacional (IFC), aplic\u00f3 un modelo de bosque aislado a los datos de pr\u00e9stamos vinculados a los sueldos obtenidos de un conjunto de entrenamiento de 55 millones de pr\u00e9stamos, en comparaci\u00f3n con un registro que procesa 1,1 mil millones de operaciones al mes (Estudio de caso de IFC, mayo de 2025<\/a>). El modelo detect\u00f3 278 pr\u00e9stamos como posibles casos at\u00edpicos en nueve instituciones. De los 206 casos en los que el banco central recibi\u00f3 comentarios de ocho de esas instituciones, 179 fueron confirmados como problemas reales, con una tasa de precisi\u00f3n 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 precisi\u00f3n aument\u00f3 al 97 por ciento.<\/p>\n\n\n\n La muestra validada es de 206 casos, no del registro completo. Este es un ejemplo claro de suptech porque el problema es espec\u00edfico, el modelo soporta un proceso de control existente y se pueden medir los resultados. Se deber\u00eda describir como un piloto medido<\/strong> a menos que haya pruebas p\u00fablicas de que este enfoque se haya aplicado de forma generalizada en todo el registro y haya producido mejoras sostenidas con el tiempo.<\/p>\n\n\n\n The Bangko Sentral ng Pilipinas\u2019 Online Buddy, o BOB, es uno de los ejemplos m\u00e1s claros de protecci\u00f3n 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.<\/p>\n\n\n\n Una evaluaci\u00f3n de Innovations for Poverty Action analiz\u00f3 recientemente 1.372.534 mensajes enviados a BOB durante su primer a\u00f1o de funcionamiento, entre agosto de 2020 y julio de 2021 (IPA, 2022<\/a>). BOB categoriz\u00f3 correctamente el 55 por ciento de las quejas inmediatamente, llegando a un 74 por ciento despu\u00e9s de las preguntas de seguimiento. Solo el 20 por ciento de las interacciones con el chatbot lleg\u00f3 al mensaje final del flujo de conversaci\u00f3n. Esta tasa de abandono es tan informativa como la cifra de precisi\u00f3n: nos dice d\u00f3nde el dise\u00f1o a\u00fan est\u00e1 perdiendo usuarios, lo cual es exactamente el tipo de m\u00e9trica de flujo de trabajo que un regulador deber\u00eda estar monitoreando y publicando de manera continua. La propia evaluaci\u00f3n ya tiene varios a\u00f1os y, hasta donde podemos encontrar, no se ha actualizado p\u00fablicamente desde entonces. Esta combinaci\u00f3n de informes de reguladores y evaluaci\u00f3n independiente a\u00fan hace que BOB sea inusualmente \u00fatil: proporciona evidencia sobre la adopci\u00f3n, el rendimiento del sistema y d\u00f3nde los usuarios se desv\u00edan del camino.<\/p>\n\n\n\n Tambi\u00e9n demuestra un importante principio de dise\u00f1o. El valor no se cre\u00f3 inventando una funci\u00f3n de supervisi\u00f3n completamente nueva. Se obtuvo mejorando el acceso a un proceso de reclamaciones ya existente y convirtiendo los mensajes no estructurados en datos de supervisi\u00f3n utilizables.<\/p>\n\n\n\n La \u00faltima incorporaci\u00f3n a la lista de suptech aborda un problema que los otros casos aqu\u00ed no abordan directamente: la identificaci\u00f3n de \u201ccuentas de camellos\u201d, que se utilizan para recibir y transferir los fondos procedentes de fraudes financieros realizados a trav\u00e9s de la tecnolog\u00eda inform\u00e1tica. El brazo de innovaci\u00f3n del Banco de la Reserva de la India (RBI), el Reserve Bank Innovation Hub, ha desarrollado MuleHunter<\/a>, un modelo de aprendizaje autom\u00e1tico que analiza los datos de transacciones y cuentas para detectar estos \u00abc\u00e1rteles\u00bb financieros. Fue puesto a prueba con dos bancos del sector p\u00fablico en 2024 y fue mencionado por el gobernador del RBI en el comunicado de pol\u00edtica monetaria de diciembre de 2024. Una respuesta sobre el derecho a la informaci\u00f3n reportada en diciembre de 2025 indicaba que 23 bancos lo hab\u00edan adoptado. En mayo de 2026, el Departamento de Servicios Financieros orden\u00f3 p\u00fablicamente a los bancos que aceleraran su adopci\u00f3n.<\/p>\n\n\n\n Ese dato de adopciones merece atenci\u00f3n por una raz\u00f3n m\u00e1s all\u00e1 del propio n\u00famero. No fue revelado por el RBI ni por el vendedor. Se obtuvo a trav\u00e9s de una solicitud independiente de informaci\u00f3n, una forma m\u00e1s s\u00f3lida de proveniencia que la mayor\u00eda de los datos de este \u00e1mbito. Por favor, tenga en cuenta que no hemos encontrado un porcentaje de precisi\u00f3n 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.<\/p>\n\n\n\n La Superintendencia de Banca, Seguros y AFP de Per\u00fa, el Banco de Ghana y la Otoridad Jasa Keuangan (OJK) de Indonesia han desarrollado herramientas de monitoreo y atenci\u00f3n a quejas basadas en inteligencia artificial, utilizando la extracci\u00f3n de datos de redes sociales, an\u00e1lisis de sentimientos, chatbots, gesti\u00f3n de casos de quejas y paneles de control para supervisi\u00f3n.<\/p>\n\n\n\n Estas iniciativas son cre\u00edbles y merecen la pena observar. Algunas ya han procesado vol\u00famenes considerables de comentarios p\u00fablicos y han producido interfaces de monitoreo utilizables. Lo que a\u00fan no tienen p\u00fablicamente 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 aplicaci\u00f3n o la productividad supervisora medidos a lo largo del tiempo. Esto no es tanto un veredicto sobre la tecnolog\u00eda como una indicaci\u00f3n de d\u00f3nde se sit\u00faa 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<\/strong>, el grupo que m\u00e1s probabilidades tiene de producir la pr\u00f3xima implementaci\u00f3n madura.<\/p>\n\n\n\n Primero, la IA funciona mejor cuando se adjunta a un proceso de supervisi\u00f3n existente<\/span> con un claro cuello de botella operativo. Las quejas llegan en forma de texto no estructurado. Las presentaciones en el registro contienen anomal\u00edas. Las redes de transacciones ocultan cuentas de intermediarios. Las conversaciones p\u00fablicas revelan riesgos emergentes en cuanto a conducta. Estos son problemas bien definidos.<\/p>\n\n\n\n En segundo lugar, Las m\u00e9tricas del flujo de trabajo son importantes<\/span>, y los honestos incluyen los n\u00fameros inc\u00f3modos. Un regulador deber\u00eda poder medir la precisi\u00f3n de la clasificaci\u00f3n, los falsos positivos, las tasas de completamiento y abandono, los casos canalizados y si las acciones de supervisi\u00f3n mejoraron, no solo los vol\u00famenes totales.<\/p>\n\n\n\n En tercer lugar, Las cifras obtenidas de manera independiente son m\u00e1s valiosas que las reportadas por el propio individuo.<\/span>. El n\u00famero de adopci\u00f3n del RBI proviene de una solicitud de acceso a la informaci\u00f3n. La evaluaci\u00f3n del BOB fue realizada por una organizaci\u00f3n de investigaci\u00f3n independiente, y no por el propio equipo de comunicaciones del regulador. Esta distinci\u00f3n deber\u00eda influir en la importancia que cada uno de nosotros atribuya a una afirmaci\u00f3n.<\/p>\n\n\n\n En el caso de los proveedores de servicios financieros (FSP), los prestamistas, los emisores de tarjetas de cr\u00e9dito, las empresas de agrofinanzas y las aseguradoras, la base de datos es m\u00e1s amplia, particularmente en la evaluaci\u00f3n de cr\u00e9dito y el dise\u00f1o de productos. Sin embargo, tambi\u00e9n aqu\u00ed la atribuci\u00f3n puede ser confusa. Un prestamista puede tener una gran cartera, un r\u00e1pido crecimiento y un modelo de inteligencia artificial. Esto no significa autom\u00e1ticamente que la inteligencia artificial haya causado los resultados de la cartera.<\/p>\n\n\n\n El modelo \u201c3-1-0\u201d de MYbank, que consiste en una solicitud de tres minutos, una aprobaci\u00f3n de un segundo y una intervenci\u00f3n manual cero, es uno de los ejemplos m\u00e1s destacados de la subrogaci\u00f3n automatizada para peque\u00f1as y medianas empresas (PYME). Este modelo utiliza datos de transacciones y ecosistemas para evaluar empresas que pueden no tener estados financieros o garant\u00edas convencionales.<\/p>\n\n\n\n La cifra m\u00e1s 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<\/a>). Una referencia anterior de IFC de 2020 indicaba que se atend\u00edan 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 actualizaci\u00f3n independiente m\u00e1s reciente para ninguno de estos datos, por lo que estamos indicando ambos valores expl\u00edcitamente en lugar de presentarlos como cifras actuales del rendimiento.<\/p>\n\n\n\n Vale la pena a\u00f1adir un contexto: las cifras m\u00e1s relevantes provienen de las propias divulgaciones de MYbank y Ant Group, reales y sustanciales, aunque no auditadas de forma independiente. La afirmaci\u00f3n m\u00e1s clara, y una afirmaci\u00f3n muy convincente a sus propios t\u00e9rminos, es que la gesti\u00f3n de riesgos basada en IA se ha integrado con \u00e9xito en una de las mayores operaciones de cr\u00e9dito a PYME de cualquier parte del mundo.<\/p>\n\n\n\n Un ejemplo ilustrativo sobre la cuesti\u00f3n de la verificaci\u00f3n independiente es JUMO, la plataforma de financiaci\u00f3n panafricana que opera en Ghana, Kenia, Tanzan\u00eda, Zambia, Uganda, Costa de Marfil, Sud\u00e1frica y Camer\u00fan. JUMO reporta $7.900 millones desembolsados a m\u00e1s de 31 millones de personas desde 2015, una cifra divulgada por la propia empresa con la misma advertencia de atribuci\u00f3n que la de MYbank.<\/p>\n\n\n\n Lo que lo diferencia es que JUMO se convirti\u00f3 en primer proveedor de servicios financieros digitales evaluado conforme al est\u00e1ndar de protecci\u00f3n del cliente Cerise+SPTF<\/span>, un an\u00e1lisis 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 n\u00famero final.<\/p>\n\n\n\n La mayor\u00eda de los ejemplos de pr\u00e9stamos en este campo comparan una cartera con s\u00ed misma, antes y despu\u00e9s, o con un promedio de la industria. Konf\u00edo, un prestamista fintech mexicano que utiliza una puntuaci\u00f3n de cr\u00e9dito basada en inteligencia artificial para empresas micro, peque\u00f1as y medianas (PYME), es uno de los pocos con algo m\u00e1s parecido a un dise\u00f1o de evaluaci\u00f3n genuino. Una an\u00e1lisis realizado por IDB Invest, el brazo del sector privado del Banco Interamericano de Desarrollo, compar\u00f3 a las empresas que recibieron un pr\u00e9stamo de Konf\u00edo con solicitantes similares que fueron rechazados. Dos a\u00f1os despu\u00e9s, los prestatarios que recibieron financiaci\u00f3n Las ventas aumentaron un 19,4 por ciento m\u00e1s que el grupo de comparaci\u00f3n descartado, y un 41,9 por ciento m\u00e1s entre las empresas propiedad de mujeres.<\/em> (IDB Invest<\/a>).<\/p>\n\n\n\n Este dise\u00f1o de grupo de comparaci\u00f3n plantea un requisito de prueba materialmente m\u00e1s elevado que una simple historia de antes y despu\u00e9s, y es por eso que consideramos a Konf\u00edo como una opci\u00f3n superior a la mayor\u00eda de los ejemplos de calificaci\u00f3n crediticia que circulan en este sector. No elimina todas las dudas. IDB Invest tambi\u00e9n es inversor en la empresa, por lo que la evaluaci\u00f3n no es totalmente objetiva. Pero s\u00ed Lo m\u00e1s parecido a una situaci\u00f3n contraria en esta lista, y deber\u00eda servir de punto de referencia cuando un prestamista afirma que su modelo de avalizaci\u00f3n mejora los resultados.\u201c<\/em><\/p>\n\n\n\n Eshandi utiliza la puntuaci\u00f3n basada en el aprendizaje autom\u00e1tico en un producto de microcr\u00e9dito con dinero m\u00f3vil y ha desembolsado cerca de un mill\u00f3n de pr\u00e9stamos a mujeres. Un an\u00e1lisis a nivel de prestatario en un informe de la IFC de 2026 revel\u00f3 que las mujeres obtienen una puntuaci\u00f3n ligeramente superior en la propia calificaci\u00f3n crediticia del modelo y tienen m\u00e1s probabilidades de convertirse en prestatarias recurrentes (IFC, \u201cDesaf\u00eda el c\u00f3digo del cr\u00e9dito\u201d, mayo de 2026<\/a>). El informe es cuidadoso al definir lo que esto significa, se\u00f1alando que la mayor\u00eda de estos modelos son neutrales en cuanto al g\u00e9nero y que los beneficios de la inclusi\u00f3n de este tipo son en gran medida circunstanciales y no est\u00e1n dise\u00f1ados de antemano.<\/p>\n\n\n\n Es el nivel adecuado de precauci\u00f3n. La evidencia muestra que Asociaci\u00f3n<\/strong> entre el modelo de puntuaci\u00f3n, el comportamiento de las reinversiones y el g\u00e9nero. No prueba por s\u00ed solo que la IA haya aumentado la inclusi\u00f3n financiera de las mujeres ni que haya producido mejores resultados econ\u00f3micos. Este caso es \u00fatil precisamente porque plantea las preguntas adecuadas: qui\u00e9n entra en el canal, qui\u00e9nes son aprobados, qui\u00e9nes pagan, y si el modelo reproduce o reduce las disparidades de g\u00e9nero por accidente o por dise\u00f1o.<\/em><\/p>\n\n\n\n La tarjeta de cr\u00e9dito digital de Vexi combina la evaluaci\u00f3n de datos alternativos con la investigaci\u00f3n directa con los clientes. El mismo informe de IFC de 2026 entrevist\u00f3 a m\u00e1s de 3.000 prestatarios de Vexi y encontr\u00f3 que las mujeres que gestionaban empresas personales o familiares utilizaban la tarjeta para gastos empresariales a tasas m\u00e1s altas que los hombres en la misma encuesta, y que sus l\u00edmites de cr\u00e9dito promedio superaban los de los hombres tras aproximadamente cuatro a\u00f1os de uso de la tarjeta.<\/p>\n\n\n\n Esto hace de Vexi m\u00e1s que una historia sobre la calificaci\u00f3n crediticia. Es un ejemplo de dise\u00f1o de productos que muestra c\u00f3mo el acceso a un cr\u00e9dito digital flexible puede apoyar a las empresas familiares y las empresas propiedad de mujeres a largo plazo, no solo en el momento de la aprobaci\u00f3n. Aplica la misma precauci\u00f3n que con Eshandi: Los datos sobre el uso y el crecimiento de los l\u00edmites de cr\u00e9dito son una prueba del uso inclusivo de los productos financieros, no una prueba de que el modelo de suscripci\u00f3n de seguros por s\u00ed solo haya contribuido al crecimiento de las empresas.<\/em><\/p>\n\n\n\n Dos prestamistas y aseguradoras africanos, Apollo Agriculture y Pula, pertenecen a la misma categor\u00eda de FSP y demuestran una verdadera escala, lo que ilustra por qu\u00e9 las reclamaciones relacionadas con la inteligencia artificial deben ser separadas de los resultados de los productos y por qu\u00e9 un objetivo y un resultado no son lo mismo.<\/p>\n\n\n\n Apollo combina la evaluaci\u00f3n de cr\u00e9dito basada en datos con asesoramiento agron\u00f3mico y seguros para los peque\u00f1os agricultores en Kenia y, m\u00e1s recientemente, en Zambia. Un estudio de caso de British International Investment de 2024 cita como objetivo alcanzar a m\u00e1s de 2,3 millones de agricultores para 2026. Este objetivo es a largo plazo y no se aplica actualmente. Las cifras m\u00e1s 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 operaci\u00f3n de Zambia a\u00fan 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 afirmaci\u00f3n defensable es que Apollo ha construido un modelo de finanzas agropecuarias a escala y con tecnolog\u00eda 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 clim\u00e1tica. Estos resultados se ven influenciados por el cr\u00e9dito, los semillas, los fertilizantes, el asesoramiento, el clima, los seguros y el comportamiento del agricultor conjuntamente.<\/p>\n\n\n\n Pula utiliza datos satelitales, meteorol\u00f3gicos y agron\u00f3micos en la planificaci\u00f3n de seguros agr\u00edcolas, el c\u00e1lculo de precios y los procesos de reclamaciones. Seg\u00fan la propia informaci\u00f3n divulgada por la empresa, ha asegurado 20,1 millones de agricultores en 22 pa\u00edses, ha pagado $133,9 millones en indemnizaciones a 2,8 millones de agricultores y ha protegido $2,6 mil millones en inversiones agr\u00edcolas. En octubre de 2024, Pula proces\u00f3 lo que describe como la mayor indemnizaci\u00f3n de seguros agr\u00edcolas de \u00c1frica, m\u00e1s de $29 millones a m\u00e1s de 800.000 agricultores en Zambia tras una grave sequ\u00eda. Esta evidencia es importante, ya que el seguro solo crea resiliencia cuando se distribuye a gran escala y se pagan las indemnizaciones lo suficientemente r\u00e1pido como para ser relevantes, pero el n\u00famero de agricultores asegurados y la cantidad pagada demuestran la escala y el rendimiento de la operaci\u00f3n de seguros. No se est\u00e1 aislando la contribuci\u00f3n incremental del aprendizaje autom\u00e1tico ni de la anal\u00edtica satelital. Pula es un caso s\u00f3lido para la gesti\u00f3n de seguros clim\u00e1ticos con un modelo operativo impulsado por la inteligencia artificial, y no un ensayo controlado del impacto de la inteligencia artificial en la resiliencia.<\/p>\n\n\n\n Para las juntas directivas, los reguladores y los FSPs, aplicamos cinco criterios antes de considerar que una iniciativa de IA es exitosa.<\/p>\n\n\n\n La evidencia ahora es suficientemente s\u00f3lida como para ir m\u00e1s all\u00e1 de los experimentos gen\u00e9ricos, pero no lo suficiente como para suspender el juicio.<\/p>\n<\/blockquote>\n\n\n\n Para los reguladores, la gesti\u00f3n de las quejas, los controles de calidad de los datos, la detecci\u00f3n de fraude y cuentas falsas, y la supervisi\u00f3n espec\u00edfica del mercado son puntos de partida pr\u00e1cticos. Utilizan datos existentes, solucionan los obst\u00e1culos visibles y permiten que los supervisores humanos sigan siendo responsables.<\/p>\n\n\n\n Para los prestamistas y las aseguradoras, la contrataci\u00f3n de datos alternativos y la toma de decisiones automatizada ya est\u00e1n expandiendo su alcance, especialmente para los consumidores con poca solvencia crediticia, las mujeres, las PYMES y los agricultores peque\u00f1os. Los ejemplos m\u00e1s s\u00f3lidos miden la inclusi\u00f3n a lo largo de todo el proceso, desde la solicitud y la aprobaci\u00f3n hasta los l\u00edmites, los precios, la repetici\u00f3n del uso, el reembolso y los resultados para el cliente. La evaluaci\u00f3n de grupos comparativos de Konf\u00edo es el est\u00e1ndar a seguir, y m\u00e1s empresas del sector son capaces de hacerlo que no lo intentan actualmente.<\/p>\n\n\n\n Para los inversores y las instituciones de desarrollo que financian ambos lados de esta ecuaci\u00f3n, la pregunta sobre la diligencia \u00fatil nos pregunta qu\u00e9 decisi\u00f3n ha cambiado, qu\u00e9 evidencia demuestra que es mejor y qui\u00e9n se beneficia, en lugar de simplemente si la empresa utiliza la inteligencia artificial.<\/p>\n\n\n\n Los reguladores ya est\u00e1n detectando fraudes y eliminando los retornos de reclamaciones m\u00e1s r\u00e1pidamente. Los prestamistas est\u00e1n llegando a los prestatarios que hasta ahora eran invisibles para los procesos convencionales de aval\u00fao. Las aseguradoras est\u00e1n pagando las reclamaciones en cuesti\u00f3n de d\u00edas en lugar de meses. La evidencia de la inteligencia artificial en los servicios financieros es m\u00e1s s\u00f3lida y espec\u00edfica que la que el circuito de conferencias suele atribuir a esta tecnolog\u00eda. La tarea ahora es seguir construyendo esa base de datos con la misma rigorosa atenci\u00f3n a los detalles que se exig\u00eda en estos casos, para que la pr\u00f3xima 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.<\/p>\n\n\n\n <\/p>","protected":false},"excerpt":{"rendered":" Prateek Shrivastava | Julio de 2026 | Washington DC. La inteligencia artificial ya est\u00e1 produciendo resultados reales y medibles en los servicios financieros, y la evidencia m\u00e1s s\u00f3lida es m\u00e1s sustancial de lo que el circuito de conferencias suele reconocer. El ap\u00e9ndice de este art\u00edculo contiene la base de datos de casos de estudio citados en el texto. Los m\u00e1s cre\u00edbles\u2026<\/p>","protected":false},"author":2,"featured_media":2638,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"nf_dc_page":"","_kad_blocks_custom_css":"","_kad_blocks_head_custom_js":"","_kad_blocks_body_custom_js":"","_kad_blocks_footer_custom_js":"","_monsterinsights_skip_tracking":false,"_EventAllDay":false,"_EventTimezone":"","_EventStartDate":"","_EventEndDate":"","_EventStartDateUTC":"","_EventEndDateUTC":"","_EventShowMap":false,"_EventShowMapLink":false,"_EventURL":"","_EventCost":"","_EventCostDescription":"","_EventCurrencySymbol":"","_EventCurrencyCode":"","_EventCurrencyPosition":"","_EventDateTimeSeparator":"","_EventTimeRangeSeparator":"","_EventOrganizerID":[],"_EventVenueID":[],"_OrganizerEmail":"","_OrganizerPhone":"","_OrganizerWebsite":"","_VenueAddress":"","_VenueCity":"","_VenueCountry":"","_VenueProvince":"","_VenueState":"","_VenueZip":"","_VenuePhone":"","_VenueURL":"","_VenueStateProvince":"","_VenueLat":"","_VenueLng":"","_VenueShowMap":false,"_VenueShowMapLink":false,"_kadence_starter_templates_imported_post":false,"_swpsp_post_exclude":false,"_kad_post_transparent":"","_kad_post_title":"","_kad_post_layout":"","_kad_post_sidebar_id":"","_kad_post_content_style":"","_kad_post_vertical_padding":"","_kad_post_feature":"","_kad_post_feature_position":"","_kad_post_header":false,"_kad_post_footer":false,"_kad_post_classname":"","footnotes":""},"categories":[7],"tags":[],"class_list":["post-2636","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-ai-impact"],"yoast_head":"\nD\u00f3nde los reguladores obtienen valor pr\u00e1ctico<\/mark><\/h3>\n\n\n\n
Ejemplo 1. Brasil: encontrar anomal\u00edas en un registro de cr\u00e9dito muy grande y ser preciso sobre cu\u00e1ntos casos cubre ese registro.<\/h4>\n\n\n\n
Ejemplo 2. Filipinas: haciendo que la tramitaci\u00f3n de las quejas sea accesible<\/h4>\n\n\n\n
Ejemplo 3. India: detecci\u00f3n de \u201ccuentas de camellos\u201d antes de que desaparezcan los fondos fraudulentos<\/h4>\n\n\n\n
Per\u00fa, Ghana e Indonesia: un trabajo prometedor que a\u00fan est\u00e1 en v\u00edas de consolidarse<\/h4>\n\n\n\n
3 lecciones extra\u00eddas de los casos regulatorios destacan<\/mark><\/h3>\n\n\n\n
Cuando los prestamistas y las aseguradoras tienen pruebas m\u00e1s s\u00f3lidas<\/mark><\/h3>\n\n\n\n
MYbank: pr\u00e9stamos automatizados a PYME a escala significativa y con una presentaci\u00f3n honesta<\/h4>\n\n\n\n
JUMO: un servicio de pr\u00e9stamos digitales a gran escala en \u00c1frica con una evaluaci\u00f3n independiente de la protecci\u00f3n del cliente<\/h4>\n\n\n\n
Konf\u00edo: el caso raro con un grupo de comparaci\u00f3n real<\/h4>\n\n\n\n
Eshandi en Zambia: pruebas prometedoras sobre la igualdad de g\u00e9nero, pero no pruebas causales<\/h4>\n\n\n\n
Vexi en M\u00e9xico: el uso del producto es tan importante como la aprobaci\u00f3n<\/h4>\n\n\n\n
Agrofinanciaci\u00f3n y seguros clim\u00e1ticos: escala real y una atribuci\u00f3n de IA m\u00e1s dif\u00edcil<\/h4>\n\n\n\n
Un mejor m\u00e9todo de prueba para los estudios de casos de IA<\/mark><\/h3>\n\n\n\n
\n
\u00bfQu\u00e9 significa esto para los reguladores y los proveedores de servicios financieros?<\/mark><\/h3>\n\n\n\n
\n
Anexo: Tabla de casos de uso (julio de 2026)<\/h3>\n\n\n\n