¿Cómo ser éticamente responsable adoptando la Inteligencia Artificial en las instituciones financieras?

Robotización de procesos mediante un software que simula el comportamiento de los actuales usuarios interactuando sin requerir cambios en los interfaces de sistemas propios y de terceros, para automatizar procesos punta a punta que incluyan, por ejemplo, manipulación de datos en Excel o comunicaciones por email.

Cualquier proceso que puede ser expresado con reglas puede robotizarse por una fracción del tiempo y costo del desarrollo tradicional del equipo de TI. Es una tecnología plenamente madura en la región de Latinoamérica y de alta adopción en las entidades financieras.

Existen dos tipologías:

• Robotic Desktop Automation (RDA). Robots atendidos, utilizados principalmente para automatizar pequeñas tareas a petición de un colaborador humano.
• Robotic Process Automation (RPA). Robots no atendidos, utilizados principalmente para orquestar procesos de back office punta a punta como si se tratara de un nuevo colaborador de la organización.

Optical Character Recognition (OCR) e Intelligent Character Recognition (ICR). Reconocimiento de documentos escaneados, manuscritos, imágenes y personas mediante autenticación dactilar, facial, conductual-psicológica y capacidades personales. Permite automatizar procesos que típicamente heredan operaciones con documentos impresos.

Tecnología de muy rápido desarrollo. Una de las primeras aplicaciones que está proliferando con fuerza en la región es la identificación de clientes con base en selfies o autorretratos u otra prueba de vida.

En Latinoamérica ya es posible usarla con garantías, aunque su grado de reconocimiento varía mucho dependiendo el tipo de documento y la calidad de cada imagen. Por lo anterior, se recomienda realizar una auditoría (o prueba de concepto) de asertividad antes de comprometer grandes inversiones.

Natural Language Processing (NPL). Chatbots que mantienen diálogos genuinamente hispanos en canales digitales. Pueden ejecutar transacciones en línea (que incluyan gestiones en el back office) para migrar la atención tradicional a un nuevo modelo de autoservicio Do it yourself.

Recomendamos prudencia porque, si bien la tecnología está plenamente madura, se debe considerar que el cliente hispanoamericano no mantiene conversaciones tan lineales como, por ejemplo, los angloparlantes, y los chatbots requieren de un árbol conversacional más complejo en nuestra región. Esta cualidad impredecible puede generar malas experiencias que es mejor evitar.

Por el contrario, las atenciones más transaccionales (por ejemplo, las Frequently Asked Questions (FAQ) u otras consultas más controladas) en combinación con la robotización de procesos para que los chatbots no solo sean informativos sino ejecutivos y resuelvan situaciones en línea, generan grandes oportunidades de ahorro en costos a la vez que mejoran la velocidad de atención. Los usuarios finales adoptan de forma viral los nuevos servicios y se divide entre 10 el tiempo que se requiere de ellos, a la vez que las organizaciones disminuyen dramáticamente su cost-to-serve.

A dicha combinación, que permite digitalizaciones punta a punta, se le conoce como hiperautomatización.

Machine Learning (ML) y Deep Machine Learning (DML). Analítica de datos avanzada para desarrollar modelos predictivos y de clusterización, capaces de identificar patrones complejos que no son evidentes (tales como una relación lineal).

Actualmente se aplica mucho para predecir precios futuros de acciones y commodities (conocidos como trading bots), la evaluación de riesgos, o el comportamiento de un cliente para recomendar más productos y servicios.

Estas tecnologías son muy sensibles a la cantidad y calidad de los datos disponibles. Adicionalmente, adolecen del efecto de caja negra, ya que dictan sus predicciones y clusterizaciones sin que se pueda entender su razonamiento interno.

Por lo anterior, proponemos siempre a nuestros clientes poner a competir esta tecnología con la operativa actual, para que el usuario entienda en qué casos se mejoran consistentemente los resultados con dichos algoritmos y dirigir así una adopción gradual pero controlada.

Sentiment Analysis (SA). Reconocimiento de sentimientos, intenciones, capacidades personales y de comunicación mediante el análisis facial y de voz.

Esta tecnología lidera la evolución de las aplicaciones de IA para servicios financieros en la región. Abre un amplio abanico de posibilidades para la evaluación de personas (candidatos, colaboradores, clientes y prospectos), a la vez que añade condicionantes éticos y legales. Es, además, una de las áreas de mayor inversión de EY por las nuevas capacidades de analítica de talento que habilita en nuestros clientes.

Comunicación omnicanal, en línea o asíncrona, para atender los requerimientos que los clientes explican de la misma forma en que lo harían con un amigo. Esta buena experiencia permite ofrecer productos sin que ello se perciba como una venta tradicional.

Esta práctica es la quimera que las grandes compañías de servicios financieros, Fintech e Insurtech están buscando. Más allá de la base tecnológica que la habilita, requiere una transformación de la compañía para adaptarla a una cultura de diseño base cero de experiencias from client backwards.

Posteriormente, la IA debe ponerse al servicio de dichos diseños. Es un error plantear estos proyectos como puramente tecnológicos, cuando deben liderarlos las áreas más conocedoras del cliente. La pericia tecnológica que requieren solo se obtiene si antes se han recorrido las ramas superiores del árbol funcional que esquematizamos anteriormente.

Artificial General Intelligence (PM). Minería de patrones repetitivos en una organización para robotizarlos automáticamente. Persigue la robotización de la robotización, de forma que la propia actividad de la organización se robotice por sí misma.

Esta tecnología es potencialmente disruptiva de la forma que tenemos de trabajar; sin embargo, incluye aún muchas manualidades y su aplicación es un apoyo al diagnóstico artesanal de oportunidades de robotización. Permite agilizar la automatización de tareas asistiendo a los equipos de desarrollo, pero aún no cuenta con el grado de autonomía que se le publicita.

Actualmente, muchas de las conversaciones de los distintos líderes de opinión y futurólogos de la AI se centran en predecir cuándo llegará su uso masivo. Se suele conocer este fenómeno como la Artificial General Intelligence (AGI).

No hay un acuerdo sobre si este fenómeno ocurrirá en los próximos 10 años, 100 años o nunca. Desde la visión de EY, recomendamos adoptar gradualmente las ramas más maduras de las capacidades de la IA tal como han sido expuestas, revisando las perspectivas sobre la aplicabilidad real de las nuevas tecnologías.