En los últimos años, la inteligencia artificial comenzó a incorporarse a procesos cada vez más importantes dentro del sector financiero. Los modelos ya se aplican, por ejemplo, en análisis de riesgo, detección de fraude, onboarding, atención al cliente, cumplimiento y decisiones de crédito.
Sin embargo, escalar la IA en una entidad financiera exige mucho más que entrenar modelos o sumar herramientas. Si los datos están incompletos, dispersos, mal gobernados o no pueden auditarse, los modelos pueden quedarse en pilotos aislados.
Ante esto, el concepto de AI-ready data gana relevancia en la agenda de los CDOs. Antes, la pregunta era qué casos de uso de IA desarrollar. Ahora, es qué datos necesita cada modelo, con qué nivel de calidad, bajo qué controles y con qué métricas se evaluará su impacto.
Índice de temas
Por qué muchos modelos de IA no llegan a producción en banca
En la banca, aunque la adopción de IA avanza con rapidez, el paso de los pilotos a la producción sigue siendo complejo. Muchas entidades ya identificaron casos de uso valiosos, pero todavía encuentran obstáculos cuando intentan integrarlos en procesos reales, con datos sensibles, reglas regulatorias y decisiones que deben poder justificarse.
En esta línea, el informe For Banks, the AI Reckoning Is Here de BCG indica que solo una cuarta parte de las instituciones financieras usa IA para reforzar su posición competitiva, mientras el resto experimenta en los márgenes. Este dato demuestra que la tecnología ya es parte de la conversación estratégica, pero no siempre se traduce en un diferencial para reducir riesgos o mejorar decisiones.
Una de las razones está vinculada con las bases de datos que alimentan esos modelos. Según el informe Intelligent Banking de KPMG, el 72% de los bancos expresa preocupación por la calidad de los datos como barrera para escalar IA. Para una industria donde los modelos pueden impactar en crédito, fraude, liquidez, pricing o cumplimiento, la calidad de los datos no es un problema operativo menor.
En definitiva, cuando los datos no están preparados, los modelos pueden funcionar en un entorno controlado. No obstante, pueden fallar al conectarse con canales, productos, sistemas heredados o reglas de negocio. A su vez, pueden generar alertas poco útiles, resultados inconsistentes o decisiones difíciles de defender.
Qué significa tener datos preparados para IA en servicios financieros
Tener datos preparados para IA no significa solo contar con información limpia. En servicios financieros, AI-ready data implica que los datos sean adecuados para el caso de uso, estén actualizados, tengan contexto, puedan rastrearse y cumplan con reglas de seguridad, privacidad y gobierno.
Un modelo de riesgo crediticio no necesita los mismos datos que un sistema de detección de fraude o una solución para prevención de lavado. Cada decisión requiere variables, historiales, controles y niveles de explicación distintos. Por eso, la preparación de datos debe partir de la decisión que se quiere mejorar, y no de una arquitectura genérica.
De acuerdo con Gartner, el 63% de las organizaciones no tiene, o no sabe si tiene, las prácticas de gestión de datos adecuadas para IA. Esto quiere decir que muchas empresas poseen grandes volúmenes de información, pero no necesariamente saben si puede usarse de forma segura y confiable para alimentar modelos en producción.
En banca, esa preparación incluye calidad, linaje, metadatos, controles de acceso, clasificación de información sensible, monitoreo de cambios y documentación de uso. También requiere saber quién es dueño de cada dato, cómo se actualiza, qué limitaciones tiene y si representa correctamente el comportamiento que el modelo debe aprender o interpretar.
La clave es entender que AI-ready data no es una tarea que se resuelve una sola vez. Los datos cambian, los modelos se ajustan, aparecen nuevos productos y evolucionan los patrones de fraude o riesgo. Por eso, la preparación debe ser una práctica continua.
Qué datos necesitan los modelos para operar en crédito, fraude y riesgo
Para escalar IA en banca, los datos deben ajustarse a decisiones concretas. En crédito, los modelos pueden necesitar historial de pagos, ingresos, exposición, endeudamiento, garantías, uso de productos y señales de mora. En fraude, el foco suele estar en transacciones, dispositivos, identidad, geolocalización, canales, patrones históricos y alertas previas. En riesgo y cumplimiento, entran en juego clientes, operaciones, productos, reportes regulatorios, auditorías, modelos y datos de mercado.
Esta especificidad es necesaria porque un modelo no mejora una decisión por usar más datos, sino por usar los datos correctos. En fraude, por ejemplo, una compra de alto monto en el exterior puede parecer sospechosa si se analiza de forma aislada, pero cambia si el cliente viaja con frecuencia, usa su dispositivo habitual y valida la operación desde un canal seguro.
Pese a esto, el informe 2025 AI Trends in Fraud and Financial Crime Prevention de Feedzai señala que el 90% de las instituciones financieras usa IA para acelerar investigaciones de fraude y detectar nuevas tácticas en tiempo real. Los usos incluyen detección de estafas (50%) fraude transaccional (39%) y prevención de lavado de dinero (30%).
Esto demuestra que la IA ya ocupa un lugar importante en la defensa contra el fraude financiero. Sin embargo, al mismo tiempo refuerza la necesidad de preparar bien la información que alimenta esos modelos.
Cómo medir el impacto de una estrategia de AI-ready data
Una estrategia de AI-ready data debe medirse por su aporte al negocio y a la gestión del riesgo. No alcanza con contar cuántos datasets fueron preparados, cuántos modelos se entrenaron o cuántos pilotos se lanzaron. Lo que importa es si esos datos permiten llevar modelos a producción, mejorar decisiones y sostener resultados en el tiempo.
El KPMG Global Tech Report 2026 señala que el 74% de las organizaciones afirma que sus casos de IA generan valor de negocio, pero solo el 24% logra ROI en múltiples casos de uso. La conclusión es que obtener valor en una iniciativa aislada no equivale a construir una capacidad escalable.
Por otro lado, el 58% reconoce que las métricas tradicionales de ROI no son suficientes para proyectos de IA. En este sentido, en servicios financieros conviene evaluar la reducción de pérdidas por fraude, la disminución de falsos positivos, la velocidad de aprobación de créditos, la mejora en precisión de alertas, la eficiencia operativa, el cumplimiento regulatorio y la capacidad de auditoría.
El objetivo final es que AI-ready data no quede como una iniciativa técnica, sino como una capacidad que mejore decisiones financieras. En el sector financiero, escalar IA con control exige datos preparados, y ahí es donde se define si pasa de la experimentación a una ventaja concreta.
