- Un experto desmonta los mitos más comunes sobre cómo los bancos pueden extraer valor real a su data transaccional
- Regulación, privacidad, tecnologías: temas que están presentes en esta entrevista, y que podrás profundizar en vivo en Fintech Summit Americas
Después de años trabajando en seguros, mercado de dinero, banca empresarial, banca adquirente y organismos reguladores, Diego Romero Tuccio llegó a una pregunta que no lo dejó tranquilo: ¿por qué las empresas más valiosas del mundo construyeron su valor a partir de datos, mientras los bancos —que acumulan décadas de información transaccional de millones de usuarios— no la aprovechan?
«Con el avance de marcos de Open Finance en la región —Colombia, Uruguay— y el endurecimiento de licencias en México, la privacidad y monetización no son incompatibles si el dato se procesa de forma anonimizada, sin información sensible o de identificación personal, y sin que abandone el control de la institución bancaria», explica el experto y apunta a la experiencia europea, donde operó bajo marcos regulatorios pioneros.
Al frente de la operación para LatAm de Coinscrap Finance, una compañía especializada en analizar y categorizar datos transaccionales bancarios mediante inteligencia artificial, Romero Tuccio será parte del panel de Finanzas Abiertas de Fintech Summit Americas, este 12 y 13 de agosto en Ciudad de México. Frecuencia Money le consultó sobre los mitos que frenan a la banca regional a la hora de aprovechar los datos monetizables.
Mito 1
Para monetizar datos, un banco tiene que volverse una empresa tech
Es, dice Romero Tuccio, el error más frecuente. «La naturaleza de los bancos no es ser empresas tecnológicas. Si bien es imperativo contar con una infraestructura y un departamento de tecnología robustos, sus esfuerzos deben subordinarse estrictamente al negocio bancario: la captación y colocación de recursos«.
El intento de convertirse en una «entidad tech» suele terminar en una mala asignación de capital: equipos internos dedicados dos o tres años, con inversiones de varios millones de dólares, para construir motores de categorización que ya existen en el mercado con mejor desempeño. La decisión estratégica más razonable no es construir desde cero, sino apoyarse en proveedores especializados.
Mito 2
Monetizar datos significa venderlos a terceros
La venta de datos a terceros está hoy muy regulada y mal vista, y no es el modelo que impulsa la monetización real del dato bancario. Los dos vectores que sí está viendo funcionar son otros.
El primero es el Banking as a Service, apalancado en Open Finance: bancos que exponen APIs seguras a empresas de otros sectores —comercio electrónico, movilidad, salud— y monetizan tanto su infraestructura como su data, sin que esta salga nunca del control de la institución.
El segundo es la hiperpersonalización: cruzar historial financiero con comportamiento y geolocalización para ofrecer el producto correcto en el momento correcto, ya sea un tipo de cambio preferencial ante actividad transfronteriza o financiamiento en el punto de venta. Romero Tuccio cita un caso: un módulo de microahorro basado en economía conductual generó, en uno de sus clientes, un incremento de 173 millones de dólares en saldos de cuentas a la vista en diez meses, fondeo de bajo costo para el banco. En venta cruzada, dice, la precisión analítica puede elevar las tasas de conversión hasta un 60%.
Mito 3
Solo el dato «completo» —años de historial, variables sofisticadas— genera valor
Uno de los supuestos que más sorprende a los bancos es lo poco que hace falta para empezar. Con variables tan básicas como fecha, descripción y monto de una transacción ya es posible generar valor inmediato y entender en qué gasta e ingresa dinero un usuario. Si a eso se suma información estandarizada como el Código de Categoría del Comerciante (MCC), la capacidad de perfilar dónde y con quién transacciona un usuario se expande de forma exponencial.
El obstáculo real no es la falta de datos, sino cómo están guardados: silos organizacionales, sistemas legacy con años de adecuaciones, archivos no estructurados y una propiedad del dato fragmentada entre áreas. Ahí es donde entra la IA, no como reemplazo del dato sino como la pieza que permite extraerlo.
El objetivo con el que debería arrancar un banco mediano
«Más que elegir entre retención, cross-sell o reducción de fraude, el objetivo debería ser un enfoque genuinamente centrado en el cliente, algo que la industria declara pero no siempre ejecuta porque los recursos suelen desviarse a contingencias operativas y deuda técnica.
un ejemplo: un usuario sin cobertura médica que enfrenta un depósito hospitalario de emergencia. Si el banco detecta esa anomalía transaccional en tiempo real y ofrece de forma proactiva diferir el pago a plazos, gana en un momento de fricción y el cliente construye un nivel de lealtad que el marketing tradicional no logra».Mito 4
Hace falta años de historial y una inversión millonaria para arrancar
Según Romero Tuccio, un historial de apenas 12 meses —o el disponible desde el onboarding, en clientes nuevos— alcanza para perfilar de forma inicial los hábitos financieros de un usuario. Y aunque los montos de inversión varían según la estrategia de cada entidad, sostiene que en ningún caso representan una barrera de entrada significativa para el sector, gracias a la maduración de la nube y la IA en la última década.
Mito 5
La IA generativa ya transformó la banca como lo hizo el machine learning tradicional
Acá Romero Tuccio pide cautela. El sector bancario, señala, todavía está definiendo cómo integrar operativamente la IA «tradicional» —cuya adopción ya es un imperativo de negocio— y hay pocos casos de uso validados de IA generativa en el sector, con pocas instituciones dispuestas a asumir el riesgo de ser pioneras.
Lo que sí ve venir es un cambio de fondo, aunque todavía no consumado: el paso de modelos analíticos centrados en predicción numérica hacia sistemas capaces de ejecutar decisiones de forma autónoma, y una IA generativa con capacidad de procesar datos no estructurados sin depender de arquitecturas rígidas, algo que el ML tradicional no resuelve bien. Para el experto, esa transición llegará después de que la banca termine de asimilar la IA «tradicional» en sus verticales de negocio, y probablemente con menos fricción de la que costó la primera ola.
