Superar la Fragmentación de Datos y los Límites de la IA en la Rentabilidad de las Transacciones

En una sesión dedicada del FF News Virtual Arena, especialistas del sector se reunieron para debatir un cuello de botella crítico en las operaciones bancarias: cómo la fragmentación de datos y la arquitectura heredada provocan directamente que las instituciones financieras pierdan rentabilidad en sus flujos de transacciones.

La discusión contó con la participación de:

• Ian Horne, presentador en FF News

• Mariia Komissarova, responsable de negocio minorista de datos e IA en Raiffeisen Bank International

• Breno Alves De Oliveira, director de producto en PAYABL

• Kirill Lisitsyn, cofundador y CEO de Torus

El panel exploró los gastos operativos ocultos de las colecciones de datos sin utilizar, los límites de la inteligencia artificial no determinista y las estrategias que las instituciones financieras deben implementar para transformar los datos brutos en una base fundamental para la supervivencia en el mercado.

La raíz de la fuga de beneficios: obstáculos de los sistemas heredados y los datos estructurados

Para las instituciones financieras multigeneracionales del mercado, como Raiffeisen Bank International, la infraestructura heredada destaca como una barrera interna principal para la optimización. Mariia Komissarova explicó que el desafío central que provoca que los bancos pierdan rentabilidad en los flujos de transacciones es, en esencia, un problema de datos.

Dado que las aplicaciones bancarias históricas operan en silos independientes, recopilar y estructurar los datos de transacciones corporativas en un formato transparente y organizado resulta excepcionalmente difícil. Sin un marco estructurado, calcular la rentabilidad precisa de una transacción financiera individual resulta prácticamente imposible.

Esta ruptura se origina en la gobernanza histórica de los datos y en la falta de implementación de marcos modernos. Paradigmas organizativos avanzados, como el concepto de "data mesh", han surgido en el mercado, pero siguen estando escasamente distribuidos en las grandes empresas bancarias.

A medida que el sector financiero global navega por las profundas transformaciones de la IA en la verificación de identidad y el procesamiento de transacciones, resolver esta capa de datos ya no es un lujo. Establecer una base de datos sólida se ha convertido en un requisito absoluto para la supervivencia corporativa a largo plazo.

La red de costes ocultos de la ingesta masiva de datos

Un error habitual de las instituciones con sistemas heredados es suponer que capturar mayores volúmenes de datos genera naturalmente un mayor valor empresarial. Hace cinco o siete años, los manuales tradicionales del sector se centraban en recopilar el mayor número posible de puntos de datos variados, incluyendo la alimentación de datos provenientes de redes sociales en los servidores corporativos.

El ecosistema moderno de transacciones ha superado esta mentalidad. Las instituciones financieras están descubriendo que simplemente almacenar y mantener cantidades enormes de información no estructurada genera ingentes gastos en servidores e ingeniería de datos.

"Esta cantidad de datos, una gran cantidad de datos para recopilarlos y almacenarlos, es bastante costosa y si no los aprovechas, también empiezas a perder en este juego de precios…"

Cuando una empresa genera altos costes de almacenamiento operativo sin extraer activamente valor comercial de esos datos, se queda rezagada en el competitivo juego de precios. No puede ofrecer tarifas óptimas a sus comerciantes porque sus costes de infraestructura base están artificialmente inflados.

Como destacó Kirill Lisitsyn, la estrategia de datos moderna debe centrarse primero en extraer valor real de los activos de datos existentes. Solo cuando se establezca un caso de uso empresarial explícito debería una institución invertir capital para adquirir flujos de datos adicionales, evitando así obstáculos operativos innecesarios y acumulación de costes.

La trampa no determinista: por qué los LLM no pueden solucionar los datos deficientes

A medida que las instituciones trabajan para unificar sistemas heredados que hablan lenguajes de software completamente diferentes y utilizan formatos de datos no estandarizados, muchas recurren a la inteligencia artificial y a los modelos de lenguaje de gran escala (LLM) para automatizar la transformación de código y datos. Breno Alves De Oliveira señaló que las fintechs destacan en la ingesta de datos complejos y su reorganización en formatos fácilmente comprensibles, un proceso muy acelerado por las herramientas de IA.

Sin embargo, Komissarova advirtió con firmeza técnica sobre la excesiva dependencia de los algoritmos generativos para la infraestructura transaccional central. Los LLM son inherentemente no deterministas, lo que significa que sus resultados se basan en probabilidades en lugar de ser absolutos, exponiéndolos al riesgo sistémico de alucinaciones algorítmicas.

En el mundo transaccional, donde los errores impactan directamente en los libros contables financieros, caer por debajo de la precisión total es inaceptable. Introducir datos inexactos o no estructurados en un LLM aumenta significativamente la probabilidad de generar cálculos incorrectos, lo que podría costar millones de dólares a las instituciones financieras.

El panel coincidió en que no existe una solución tecnológica milagrosa; las empresas no pueden simplemente lanzar conjuntos de datos desorganizados a un modelo generativo y esperar una lógica empresarial impecable. Construir una capa de datos fiable requiere una inversión disciplinada de tiempo y capital, junto con especialistas internos capacitados que puedan estructurar correctamente el pipeline de datos.

Equilibrando la ecuación: el núcleo híbrido determinista

Para aprovechar de forma segura la velocidad de la IA moderna sin sacrificar la precisión financiera absoluta, los panelistas propusieron una arquitectura estructural híbrida. Este modelo equilibra los motores de procesamiento deterministas con interfaces de lenguaje flexibles para facilitar el flujo de trabajo del usuario final:

• La base determinista: la capa de datos central debe mantenerse estrictamente determinista. Las plataformas de inteligencia especializadas, como Torus, construyen intencionalmente su lógica de backend para centrarse en la precisión matemática total en lugar de un modelo de "80% de probabilidad", garantizando que las tarifas del esquema y los registros de transacciones estén perfectamente conciliados.

• La interfaz conversacional: una vez establecida una base de integridad de datos verificada, las instituciones pueden añadir LLM encima para interpretar los datos, simplificando las interacciones de los usuarios y acelerando las tareas analíticas.

Esta base estructurada permite a las instituciones aprovechar conceptos como los data lakes para formular y probar hipótesis comerciales. Históricamente, descubrir una tendencia de procesamiento o evaluar una variable de precios requería enormes consultas manuales a bases de datos.

Con un núcleo híbrido unificado, los equipos de producto pueden probar hipótesis rápidamente para evaluar su probabilidad de éxito. En última instancia, este marco permite a los bancos analizar sus estadísticas internas, los panoramas competidores y los cambios macroeconómicos del mercado de forma simultánea. Este enfoque basado en datos orienta ajustes específicos en los flujos de conversión, el enrutamiento de transacciones y las experiencias de producto, transformando las inversiones de capital necesarias en impulsores predecibles de la rentabilidad corporativa.

Puntos clave del panel del Virtual Arena:

• El cuello de botella en la estructura de datos: recopilar datos en sistemas heredados que utilizan diferentes formatos hace que el seguimiento preciso de la rentabilidad de las transacciones sea muy complejo.

• El alto coste del estancamiento de datos: almacenar grandes cantidades de datos sin casos de uso claros infla los gastos operativos, haciendo que los bancos sean menos competitivos en la fijación de precios para los comerciantes.

• Valor sobre volumen: la inteligencia de datos moderna prioriza extraer la máxima utilidad de los activos existentes antes de adquirir flujos de datos externos.

• El peligro de la IA no determinista: dado que los modelos de IA generativa se basan en probabilidades, utilizarlos con datos centrales no estructurados conlleva el riesgo de errores en los cálculos financieros.

• El modelo del sistema híbrido: las arquitecturas exitosas combinan una capa de datos determinista con un 100% de precisión junto con herramientas LLM conversacionales encima para la interpretación del usuario.

• Innovación basada en hipótesis: rediseñar los marcos de datos centrales permite a los equipos validar rápidamente los cambios de procesamiento, reduciendo el riesgo de las inversiones de capital.

La publicación Superar la fragmentación de datos y los límites de la IA en la rentabilidad de las transacciones apareció por primera vez en FF News | Fintech Finance.