¿Por qué la adopción de la IA es desigual en los servicios financieros?

Algunas entidades financieras tienen cientos de modelos de IA en producción; otras siguen con sus primeros pilotos. La diferencia no se explica solo por ambición o presupuesto. Refleja diferencias estructurales profundas entre sectores y entidades.

La adopción de la IA es desigual en los servicios financieros porque depende de la madurez de los datos, la intensidad regulatoria, la arquitectura heredada y la complejidad del producto. Las entidades con datos más limpios, tecnología moderna y menos restricciones supervisoras despliegan la IA más rápido; los negocios muy regulados y dependientes de sistemas heredados avanzan con más cautela.

El patrón se repite por sectores. La banca, con grandes volúmenes de operaciones y larga experiencia en modelos de crédito y fraude, va en general por delante. Las aseguradoras varían mucho, y no vida avanza más rápido que vida. Los gestores patrimoniales suelen apoyar primero al asesor antes de automatizar el asesoramiento. Las fintech buscan automatizar de principio a fin donde el legado pesa poco.

El reto principal, en una línea:

Los negocios que más pueden ganar con la IA suelen ser los que tienen los datos más difíciles y las normas más estrictas.

1. Qué explica una adopción de la IA desigual

2. El panorama por sector

Las cifras confirman la brecha. Según la presidenta del Consejo de Supervisión del BCE, Claudia Buch, más del 90 % de los bancos supervisados directamente por el BCE integran la IA en sus operaciones y el 85 % usa IA generativa. En seguros, EIOPA observó que la IA la usaba el 50 % de las entidades encuestadas en no vida y el 24 % en vida.

3. La regulación marca el ritmo

El Reglamento de Inteligencia Artificial de la UE clasifica como de alto riesgo la IA usada para evaluar la solvencia y para la evaluación de riesgos y precios en seguros de vida y salud. Esos usos exigen gobierno de datos, documentación, supervisión humana y seguimiento, lo que frena la adopción de la IA frente a usos de menor riesgo, como el procesamiento de documentos o la analítica interna.

4. Lo que la mayoría de las entidades hacen mal

• Compararse con quien no toca: una aseguradora de vida que se mide con un banco minorista se fija metas irreales.
• Empezar por usos de alto riesgo: los primeros proyectos en decisiones muy reguladas suelen atascarse en el gobierno.
• Olvidar la base de datos: la adopción de la IA rara vez va más rápido que la calidad de los datos.
• Medir pilotos, no producción: el número de experimentos dice poco del valor entregado.

Ejemplo: una aseguradora empezó su programa de IA automatizando la suscripción de vida y pasó un año en validación. Después cambió de enfoque y empezó por usos de menor riesgo, como la lectura de documentos de siniestros y el triaje del fraude. Obtuvo valor en meses y ganó la experiencia de gobierno que luego aplicó a la suscripción.

5. Una visión a contracorriente

La adopción de la IA desigual suele presentarse como rezagados que se quedan atrás. A veces la prudencia es racional: donde los datos son escasos, las decisiones son a largo plazo y las normas son estrictas, avanzar con cuidado puede crear más valor que correr a automatizar. El objetivo es la adopción adecuada para cada negocio, no la máxima.

6. Fijar prioridades realistas

• Ordene los casos de uso por valor y riesgo, empezando por los de menor riesgo y alto valor.
• Invierta en datos antes de escalar modelos.
• Comparta plataforma y gobierno entre líneas de negocio.
• Mida el valor en producción, no el número de pilotos.

Conclusiones clave sobre adopción de la IA

• La adopción de la IA depende de la madurez de datos, la regulación, los sistemas heredados y la complejidad del producto.
• La banca lidera la adopción de la IA, mientras las aseguradoras varían entre no vida y vida.
• Los usos de alto riesgo según la normativa europea frenan la adopción de la IA en crédito y en vida y salud.
• Una adopción de la IA realista empieza por casos de menor riesgo y alto valor, sobre datos sólidos.

Para los comités de dirección, entender por qué la adopción de la IA es desigual ayuda a fijar prioridades propias en lugar de copiar las de un competidor. Bases compartidas, casos realistas y un gobierno sólido hacen avanzar la adopción de forma constante.

Optimizium ayuda a bancos y aseguradoras a planificar y escalar la IA de forma responsable. Respetamos la experiencia en modelos y riesgos de cada entidad, porque es la base de una IA fiable. Y sumamos a riesgo de modelos, cumplimiento y protección de datos como coautores del diseño, para que la IA cree valor sin sorpresas.

Descubra cómo lo abordamos en Banca y Seguros, consulte el centro de preguntas frecuentes o lea la pregunta relacionada: ¿En qué se diferencia la aplicación de la IA en los sectores financieros?