Jay Venkateswaran, Director de Unidad de Negocio, Banca y Servicios Financieros en WNS – Serie de Entrevistas

Jay Venkateswaran, Director de Unidad de Negocio de Banca y Servicios Financieros, supervisa la estrategia, el crecimiento y el desempeño financiero. Antes de unirse a WNS, fue Socio de Consultoría en AT Kearney. Como socio de confianza en Transformación y Servicios Empresariales, WNS combina de manera única la experiencia sectorial con un ecosistema digital unificado que integra Analítica, Hiperautomatización e IA para crear una diferenciación de mercado para los clientes.

La IA generativa está transformando rápidamente la banca y los servicios financieros. ¿Cómo ves que su impacto evolucione en los próximos cinco años?

En la banca, veo que la IA generativa (Gen AI) desempeña un papel fundamental en la mejora de la experiencia del cliente, la mejora de la eficiencia operativa y el fortalecimiento de la gestión de riesgos. En la oficina de back office, la automatización impulsada por IA agilizará tareas como la presentación de informes regulatorios, verificaciones de cumplimiento y procesamiento de documentos, reduciendo significativamente los costos operativos. Además, la IA perfeccionará las evaluaciones de riesgo crediticio y la detección de fraudes mediante insights de datos en tiempo real y analítica predictiva.

Uno de los cambios más transformadores será la hiperpersonalización, que permitirá a las instituciones financieras ofrecer productos y servicios altamente personalizados adaptados a los comportamientos, preferencias y necesidades individuales de los clientes. A medida que las capacidades de IA avancen, los bancos integrarán cada vez más chatbots y asistentes virtuales impulsados por IA para mejorar las interacciones con los clientes, haciéndolas más intuitivas y receptivas. En última instancia, el sector bancario y de servicios financieros evolucionará hacia un ecosistema altamente inteligente y basado en datos, donde los insights impulsados por IA permitan una toma de decisiones más inteligente, conduciendo a una experiencia bancaria fluida y más personalizada.

Por supuesto, no pasemos por alto el hecho de que menos de dos años después de que la IA generativa se volviera dominante, surgió un avance igualmente —si no más— transformador: la IA Agente. Esta innovación puede impulsar potencialmente un cambio de paradigma en la banca al reemplazar los chatbots estáticos y la automatización aislada con agentes de IA autónomos y con capacidad de toma de decisiones que pueden adaptarse, aprender y ejecutar tareas con una inteligencia casi humana.

Muchas instituciones financieras aún se encuentran en las primeras etapas de adopción de IA. ¿Es demasiado tarde para que los adoptantes tardíos se pongan al día, o ves estrategias viables para que cierren la brecha?

No es demasiado tarde para que las instituciones financieras adopten IA, pero es esencial un enfoque estratégico. Los adoptantes tardíos deben integrar la IA en sus planes estratégicos, enfocándose en casos de uso de alto impacto que ofrezcan valor inmediato.

Un primer paso recomendado es identificar oportunidades de “ganancia rápida”, como chatbots de servicio al cliente impulsados por IA, automatización del procesamiento de documentos y detección de fraudes, donde la adopción de IA puede mejorar rápidamente la eficiencia y la satisfacción del cliente.

Además, en lugar de desarrollar modelos de IA internamente, lo cual puede ser intensivo en recursos y tiempo, las instituciones financieras pueden acelerar el despliegue de IA mediante asociaciones con proveedores especializados en IA. Estas asociaciones permiten a los bancos aprovechar modelos de IA preconstruidos y soluciones de IA basadas en la nube, reduciendo el tiempo y los costos de implementación.

Otra estrategia clave es aprovechar plataformas de IA de bajo código y sin código. Estas plataformas permiten a las instituciones financieras desplegar soluciones impulsadas por IA rápidamente sin necesidad de una amplia experiencia técnica. Por ejemplo, los módulos de Procesamiento Inteligente de Datos (IDP) basados en IA pueden extraer, categorizar y analizar datos de fuentes no estructuradas como PDFs y correos electrónicos, mejorando la eficiencia operativa.

Al adoptar estas estrategias enfocadas, los adoptantes tardíos pueden cerrar eficientemente la brecha de IA mientras garantizan el cumplimiento y la escalabilidad.

¿Cuáles son los mayores desafíos que enfrentan los bancos al implementar soluciones de IA y cómo pueden superarlos?

Al implementar soluciones de IA, los bancos enfrentan tres desafíos principales: calidad de datos, integración de sistemas heredados y cumplimiento regulatorio.

1. Data Quality & Availability: Los modelos de IA requieren conjuntos de datos de alta calidad, estructurados y diversos para el entrenamiento. Sin embargo, muchos bancos luchan con fuentes de datos fragmentadas, falta de gobernanza y formatos de datos inconsistentes. Para superar esto, las instituciones financieras deben invertir en marcos robustos de gobernanza de datos, centralizar los repositorios de datos y utilizar herramientas de limpieza y enriquecimiento de datos impulsadas por IA.
2. Legacy System Integration: Muchos bancos todavía operan con infraestructuras de TI heredadas que no están optimizadas para la implementación de IA. Desplegar arquitecturas de integración basadas en API puede cerrar la brecha entre las soluciones impulsadas por IA y los sistemas legados, permitiendo un flujo de datos sin interrupciones y automatización de procesos sin una renovación completa del sistema.
3. Regulatory and Compliance Concerns: El panorama regulatorio en evolución requiere que los modelos de IA sean transparentes, explicables y auditables. Para abordar esto, los bancos deben implementar marcos de gobernanza de IA, trabajar con organismos reguladores y adoptar soluciones de IA confiables que prioricen la transparencia, la mitigación de sesgos y la alineación con el cumplimiento.

Al abordar proactivamente estos desafíos, los bancos pueden crear una base sólida para la adopción de IA y garantizar el éxito a largo plazo.

¿Por qué es crítico que los bancos experimenten con casos de uso de IA antes de un despliegue a gran escala?

Experimentar con casos de uso de IA es esencial para que los bancos garanticen la viabilidad operativa, el cumplimiento regulatorio y la adopción exitosa por parte de los usuarios antes de comprometerse con un despliegue a gran escala.

1. Operational Readiness: Las soluciones impulsadas por IA pueden alterar significativamente los flujos de trabajo, requiriendo una reimaginación de los procesos en lugar de simplemente reingenierizarlos. La experimentación permite a los bancos evaluar el impacto en los procesos existentes y realizar los ajustes necesarios antes de una implementación generalizada.
2. User Acceptance & Training: Los sistemas impulsados por IA requieren alineación con las expectativas de los usuarios finales. Los proyectos piloto a pequeña escala ayudan a los bancos a medir la aceptación del usuario y refinar los modelos de IA basándose en retroalimentación del mundo real, asegurando una adopción más fluida y confianza en la toma de decisiones impulsada por IA.
3. ROI Validation: Los bancos deben medir el impacto financiero y operativo de la IA antes de realizar inversiones a gran escala. Experimentar con casos de uso de IA —como mejoras en la adquisición de clientes, ahorros de costos en operaciones y mejoras en la prevención de fraudes— brinda información tangible sobre el ROI, permitiendo decisiones de inversión basadas en datos.

Al adoptar un enfoque iterativo de prueba y aprendizaje, los bancos pueden mitigar riesgos, refinar sus estrategias de IA y garantizar que la adopción de IA se alinee con los objetivos empresariales.

¿Cómo deben las instituciones financieras abordar la preparación y el despliegue de IA para maximizar el ROI?

Para que el despliegue de IA genere el máximo ROI, los bancos deben adoptar un enfoque estratégico y multifuncional que alinee las iniciativas de IA con los objetivos empresariales.

1. Strategic Alignment: La IA debe estar integrada en los objetivos estratégicos más amplios de la institución financiera, como la reducción de costos, la eficiencia de procesos, la adquisición de clientes y la mejora de la gestión de riesgos.
2. Cross-functional Collaboration: La implementación de IA no debe estar aislada dentro de los equipos de TI. En su lugar, la colaboración multifuncional que involucre riesgos, cumplimiento, operaciones, servicio al cliente y unidades de negocio es crucial para garantizar que las soluciones de IA aborden las necesidades de toda la organización.
3. Workforce Upskilling & Change Management: Los bancos deben invertir en programas de capacitación para dotar a los empleados de habilidades relacionadas con la IA. Una transición fluida a operaciones impulsadas por IA requiere programas de aprendizaje estructurados, capacitación práctica y aprovechar el talento externo de IA mediante asociaciones.
4. Scalable AI Infrastructure: Las instituciones financieras deben desplegar plataformas de IA escalables que permitan mejoras iterativas e integración sin problemas con los sistemas bancarios existentes.

Al priorizar estos elementos, los bancos pueden garantizar que la adopción de IA impulse resultados empresariales significativos, mejore las experiencias de los clientes y genere retornos financieros medibles.

El fraude en los pagos digitales es una preocupación creciente. ¿Cómo puede la IA generativa ayudar a las instituciones financieras a combatir el aumento del fraude y mejorar la seguridad?

La creciente adopción de pagos digitales ha llevado a tácticas de fraude más sofisticadas. La IA generativa ofrece capacidades mejoradas de detección de fraude al analizar vastos conjuntos de datos en tiempo real e identificar patrones de transacciones anómalos que los sistemas tradicionales basados en reglas podrían pasar por alto.

Gen AI can:

1. Detectar fraudes con mayor precisión al aprender continuamente de los datos de transacciones, reduciendo falsos positivos mientras se mejoran las tasas de prevención de fraude.
2. Identificar anomalías de comportamiento a nivel de cliente individual, señalando actividades sospechosas basadas en tendencias históricas.
3. Mejorar la inteligencia de amenazas escaneando informes de la industria, boletines de seguridad y bases de datos de incidentes globales para predecir tendencias emergentes de fraude y adaptarse en consecuencia.

Al aprovechar estas capacidades impulsadas por IA, las instituciones financieras pueden fortalecer significativamente sus medidas de prevención de fraude, optimizar las investigaciones realizadas por humanos y garantizar transacciones digitales más seguras.

WNS ha co‑creado soluciones para diversos clientes para abordar los aspectos de detección e investigación de fraudes aprovechando la analítica y la IA. Estas soluciones utilizan una combinación de

Modelado predictivo para la detección y clasificación de fraudes.

• IDP para la digitalización de documentos
• Soluciones impulsadas por Deep Learning para detectar documentos manipulados

Los requisitos de cumplimiento se están volviendo más complejos en los mercados globales. ¿Cómo puede la IA ayudar a los bancos a cumplir con los estándares regulatorios de manera más eficiente?

El cumplimiento regulatorio ha sido un desafío dinámico y en evolución durante las últimas décadas debido a los constantes cambios en las regulaciones globales. Esto ha hecho imperativo que los bancos inviertan en personas, procesos y tecnología para garantizar la adherencia a mandatos de cumplimiento cada vez más complejos. La IA ha surgido como una herramienta poderosa para agilizar el cumplimiento regulatorio, particularmente en el seguimiento de cambios regulatorios y la evaluación de su impacto en las operaciones bancarias. Al aprovechar la IA, las instituciones financieras pueden recibir actualizaciones en tiempo real sobre cambios regulatorios, lo que les permite planificar e implementar medidas de cumplimiento de manera proactiva.

Además, las soluciones impulsadas por IA pueden organizar y gestionar sistemáticamente las publicaciones regulatorias, reduciendo el esfuerzo manual necesario para rastrear e interpretar estos cambios. La IA generativa (Gen AI) mejora aún más las capacidades de cumplimiento al analizar nuevas regulaciones en comparación con versiones anteriores, lo que permite a las instituciones evaluar rápidamente su impacto en las políticas y procedimientos internos. Esta capacidad fortalece las evaluaciones de riesgos y controles, haciendo que los procesos de cumplimiento sean más efectivos y eficientes. Además, la IA generativa puede ser fundamental para crear contenido de capacitación estructurado, asegurando que el personal esté bien informado sobre los cambios regulatorios. Las capacidades de monitoreo y auditoría continua impulsadas por IA reducen significativamente los riesgos de cumplimiento, proporcionando a las instituciones un enfoque proactivo para la gestión regulatoria y minimizando sorpresas en los marcos generales de riesgo y cumplimiento.

En el área de cumplimiento, WNS ha estado a la vanguardia de la creación de soluciones que aprovechan IA y IA generativa en los últimos años, incluyendo:

• Solución de IA Generativa para la detección de medios adversos
• Solución de IA e IA Generativa para investigaciones de AML
• Solución impulsada por IA para KYC mejorado

¿Cuáles son algunos de los casos de uso impulsados por IA más prometedores en la banca hoy en día, más allá de la detección de fraudes y el cumplimiento?

La IA está evolucionando continuamente, con científicos de datos y profesionales de IA desarrollando soluciones innovadoras para abordar una amplia gama de imperativos empresariales en el sector bancario. Más allá de la detección de fraudes y el cumplimiento, la IA está impulsando una transformación significativa en la experiencia del cliente, la eficiencia operativa y los procesos de toma de decisiones.

Uno de los casos de uso más destacados es el de chatbots impulsados por IA y asistencia de agentes en tiempo real impulsada por IA generativa, que están revolucionando el servicio al cliente al proporcionar interacciones personalizadas, instantáneas y eficientes. Este cambio mejora la satisfacción del cliente y agiliza la resolución de problemas.

En el frente operativo, la IA está abordando desafíos de larga data en los procesos de conciliación, que típicamente abarcan múltiples departamentos dentro de las instituciones financieras. Los algoritmos impulsados por IA pueden automatizar la coincidencia de transacciones no conciliadas al analizar patrones y tendencias históricas, reduciendo significativamente la necesidad de intervención manual.

Otra aplicación crítica es el procesamiento de pagos, particularmente la gestión de depósitos entrantes donde los detalles de pago incompletos o ambiguos requieren intervención humana. Los modelos de propensión impulsados por IA pueden generar puntuaciones de probabilidad, ayudando a las instituciones a identificar rápida y precisamente a las contrapartes correctas y, por lo tanto, optimizando los esfuerzos de procesamiento manual.

Estos son solo algunos ejemplos de cómo WNS ha apoyado activamente a las principales instituciones financieras en el aprovechamiento de la IA para impulsar la eficiencia, mejorar la experiencia del cliente y reforzar la resiliencia operativa.

El talento en IA tiene una alta demanda en todas las industrias. ¿Qué pueden hacer los bancos para atraer y retener a los mejores profesionales de IA?

La creciente adopción de IA en todas las industrias ha generado un aumento en la demanda de talento en IA, particularmente científicos de datos y expertos en aprendizaje automático. Atraer y retener a los mejores profesionales de IA requiere un enfoque estratégico centrado en ofrecer oportunidades significativas y fomentar un entorno innovador.

Una de las motivaciones principales para los profesionales de IA es el acceso a datos de alta calidad que les permitan experimentar, innovar y desarrollar soluciones impactantes. Las organizaciones que ofrecen ecosistemas de datos estructurados y bien organizados crean un entorno donde los expertos en IA pueden prosperar. Por el contrario, la falta de oportunidades para crear un impacto empresarial significativo es una de las razones clave por las que los profesionales de IA abandonan las organizaciones.

Para atraer al mejor talento, los bancos deben establecer sólidas alianzas con las principales universidades y colegios de ingeniería, ofreciendo pasantías centradas en IA, colaboraciones de investigación y vías de reclutamiento directo. Este enfoque permite a las instituciones financieras involucrar a los profesionales de IA temprano en sus carreras y proporcionar una trayectoria de crecimiento clara dentro de la organización.

Además, fomentar una cultura impulsada por IA dentro de los bancos —donde los profesionales de IA puedan trabajar junto a expertos del dominio para resolver desafíos del mundo real— mejora la satisfacción laboral y la retención. WNS ha implementado con éxito un modelo similar en colaboración con universidades de primer nivel en la India, asegurando un flujo constante de talento en IA capacitado listo para contribuir al sector de servicios financieros.

¿Cómo ves que evolucione el rol de los profesionales bancarios con la integración de IA? ¿Deben los empleados preocuparse por la pérdida de empleo?

El discurso sobre la IA reemplazando trabajos humanos ha sido prevalente durante años. Si bien la IA automatiza tareas rutinarias, su verdadero impacto radica en aumentar las capacidades humanas y mejorar la calidad del trabajo realizado por los profesionales bancarios.

A medida que las tareas repetitivas y basadas en reglas son gestionadas cada vez más por IA y Automatización Robótica de Procesos (RPA), los profesionales bancarios están pasando a roles que requieren niveles más altos de juicio, pensamiento crítico y toma de decisiones. Este cambio se ha desarrollado durante la última década, con los pagos digitales reemplazando gradualmente las transacciones tradicionales basadas en cheques. Si bien esta transición ha reducido la afluencia en sucursales y cajeros automáticos, al mismo tiempo ha llevado al personal de sucursales a asumir roles más complejos, como la gestión de excepciones de pagos, asesoría de inversiones e investigación de fraudes.

A nivel de back‑office, la IA ha simplificado los esfuerzos operativos al digitalizar datos no estructurados de PDFs y documentos escaneados, que antes se procesaban manualmente. La participación humana ahora se centra principalmente en la gestión de excepciones y tareas investigativas complejas, mejorando así la eficiencia y la precisión.

En lugar de causar desplazamiento laboral, la transformación impulsada por IA ha llevado al desarrollo de nuevas habilidades, asegurando que los profesionales adquieran competencias que se alineen con las necesidades de la industria. Este cambio beneficia en última instancia al sector de servicios financieros al fomentar una fuerza laboral equipada con habilidades analíticas avanzadas y de resolución de problemas.

¿Existen buenas prácticas que hayas observado para fomentar una cultura de IA‑first en las organizaciones bancarias?

WNS ha estado a la vanguardia de fomentar una cultura de IA‑first en sus diversos compromisos bancarios, impulsando la transformación liderada por IA a través de un enfoque estructurado y colaborativo. Varias buenas prácticas contribuyen a integrar con éxito la IA dentro de las organizaciones bancarias:

1. Co‑creation Model: Los bancos deben integrar a expertos del dominio y científicos de datos dentro de los equipos operativos para garantizar que las soluciones impulsadas por IA estén alineadas con los desafíos bancarios del mundo real. En WNS, este enfoque ha permitido la identificación y ejecución de oportunidades de hiperautomatización, asegurando una mejora continua.
2. Embedded Transformation Teams: Los esfuerzos de transformación de IA no deben estar aislados dentro de los departamentos de TI o innovación. En su lugar, la incorporación de equipos de transformación dentro de las operaciones centrales asegura un enfoque sostenido en identificar eficiencias impulsadas por IA y escalar soluciones en toda la organización.
3. Cultural Awareness and Adoption: Las organizaciones deben invertir en programas de alfabetización en IA para educar a los empleados sobre los beneficios de la IA, los casos de uso y el potencial de la IA para ampliar sus roles. Una fuerza laboral bien informada será más propensa a adoptar soluciones de IA y contribuir a su implementación exitosa.
4. Incentivizing Innovation: Alentar a los empleados a contribuir con ideas impulsadas por IA y recompensar implementaciones exitosas fomenta una cultura de mejora continua y compromiso. Competencias, hackatones y programas de reconocimiento pueden ayudar a impulsar la adopción de IA en todos los niveles organizacionales.

Al adoptar estas mejores prácticas, los bancos pueden garantizar una integración fluida de la IA, maximizar la eficiencia operativa y construir una fuerza laboral preparada para el futuro de los servicios financieros.

Gracias por la excelente entrevista, los lectores que deseen obtener más información deberían visitar WNS.