Imagina que un cliente necesita un crédito y quiere solicitarlo desde su celular para así evitar tramites presenciales. Ya no fue necesario llamar a un asesor, ni entregar documentos físicos, ni mucho menos esperar días para poder obtener una respuesta. 

En cuestión de minutos, un sistema analizó su comportamiento financiero, el historial de pagos, las variables de riesgo y sus patrones de consumo, aprobándole así el crédito. Para el cliente todo se resume en una experiencia exitosa, rápida y moderna, pero para el banco fue un proceso basado en eficiencia, escalabilidad y toma de decisiones agiles y estratégicas.  

Sin embargo, detrás de esa repuesta de aprobación hay un sistema impulsado por IA que está tomando decisiones en tiempo real. Cuando los algoritmos empiezan a tener influencias en las decisiones sobre el dinero, el riesgo o sobre un posible fraude, para las organizaciones debe ser inevitable preguntarse ¿cómo se puede garantizar que esa IA realmente sea confiable y tome las decisiones correctas? 

Es ahí donde aparece el Quality Engineering con el fin de tomar un rol fundamental, que no solo se base en tomar decisiones desde la tecnología, sino también desde la perspectiva del negocio.  

Aunque la IA acelera los procesos, la calidad sigue siento humana.

La adopción de la IA en el sector financiero ha crecido exponencialmente en los últimos años como una respuesta a la necesidad de transformación tecnológica que presentaba el sector. Hoy los modelos de Inteligencia Artificial permiten detectar fraudes en tiempo real, mejorar los procesos como las aprobaciones crediticias, anticipar riesgos e incluso personalizar los productos financieros. 

Según McKinsey, la adopción de IA podría reducir la base de costos de la banca global entre 15 % y 20 %, impulsando mejoras significativas en productividad operativa y en la toma de decisiones basadas en datos. 

Sin embargo, estos avances traen consigo retos importantes para el sector. Los modelos de IA que conocemos hoy aprenden de los datos que reciben, es decir que, si los datos tienen inconsistencias o riesgos, el sistema aprenderá y se guiará de los mismos, tomando posiblemente decisiones equivocadas. 

Es por esta razón, que aun cuando el mercado nos exige acelerar y automatizar, el criterio humano debe seguir presente.  

Del dato, a la base de una decisión

Uno de los cambios que ha tenido mayor impacto al implementar IA, es que la calidad ya no se evalúa únicamente en el software, sino también en los datos.  

Ahora, los modelos de Machine Learning se están entrenando a partir de amplios volúmenes de información como por ejemplo: historiales de transacciones, comportamiento de los usuarios, variables de riesgo y señales de fraude.  

Cada una de estas acciones puede influir directamente en las decisiones que tienen gran importancia como lo es aprobar un crédito o detectar y bloquear una transacción sospechosa. Básicamente, si los datos tienen problemas de calidad, el impacto no sería técnico sino de negocio.  

Pensémoslo así: 

• Un motor antifraude que tiene fallos puede afectar directamente la experiencia del cliente. 

• Un modelo de riesgo que no está entrenado correctamente puede influir en las decisiones crediticias. 

• Un algoritmo sesgado puede generar incumplimientos regulatorios.  

La calidad en sistemas inteligentes es un proceso continuo

Durante años, los sistemas tradicionales fueron evaluados antes de que el software pasara a producción. Se realizaban pruebas, se validaban los flujos y cuando estuviera probado, el software se liberaba. Pero hoy, los sistemas impulsados por la IA funcionan de manera diferente. 

Un modelo puede comportarse correctamente al inicio, pero con el paso del tiempo los datos empiezan a cambiar, los fraudes evolucionarán, los hábitos de consumo se transformarán y el contexto económico de cada país cambiará la manera en la que los usuarios usarán los servicios financieros.  

Cuando eso ocurre, los modelos que se usan empiezan a perder precisión, a este fenómeno se le conoce como Model Drift y es actualmente uno de los principales desafíos de los ecosistemas potenciados por IA.  

En conclusión, la calidad QE dejó de ser solo una etapa del ciclo de desarrollo para convertirse en una pieza fundamental de la estrategia tecnológica del sector financiero. Porque en la banca, los sistemas podrán ser cada vez más inteligentes, pero el criterio humano sigue siendo irremplazable.  

¡Si quieres conocer más has clic aquí!