La temporada de impuestos es ese período del año que pone a todo el mundo en modo alerta, y para los bancos, esto va mucho más allá de las obligaciones fiscales comunes.
Es justamente en esta época cuando los sistemas de IA de las instituciones financieras enfrentan su mayor prueba: volúmenes de transacciones disparándose, presión regulatoria por las nubes y una complejidad de datos que no perdona fallos.
¿Y sabes qué pasa cuando un sistema de inteligencia artificial no tiene una base sólida para sostener todo eso?
Las grietas aparecen, y rápido. 😬
Fue exactamente sobre esto que Mark Blake, líder de práctica del sector de servicios financieros en Stibo Systems, conversó en el podcast The Buzz, de FinAi News.
Según él, la temporada fiscal funciona como un verdadero stress test para los modelos de IA en uso en los bancos, exponiendo problemas que pasan desapercibidos el resto del año, especialmente relacionados con la calidad de datos y la gobernanza de la información.
En este artículo, nos sumergimos a fondo en esa conversación y entendemos por qué acertar en los cimientos de datos puede ser la diferencia entre una temporada fiscal tranquila y una verdadera pesadilla operativa. 🚀
El panorama actual: los bancos apuestan fuerte por la IA
Antes de hablar sobre los problemas, vale la pena poner en contexto el tamaño de la apuesta que las instituciones financieras están haciendo en inteligencia artificial. En la conversación con FinAi News, Blake explicó que, a lo largo de la última década, los bancos invirtieron fuertemente en modernización, migrando a la nube, construyendo plataformas de datos robustas y desarrollando capas analíticas sobre esas estructuras. El resultado es que, según él, cerca de dos tercios de las organizaciones financieras ya han implementado IA en alguna capacidad dentro de sus operaciones.
Estos sistemas están presentes en áreas como monitoreo de fraudes, suscripción de crédito, clasificación de documentos, asistentes digitales y modelado de riesgo. No estamos hablando de proyectos piloto escondidos en un rincón de la empresa. Son aplicaciones que ya forman parte del día a día operativo de estas instituciones, influyendo en decisiones que afectan a millones de clientes y miles de millones en transacciones. Y es justamente por estar tan integrados al funcionamiento de los bancos que cualquier fallo en estos modelos cobra una dimensión enorme durante períodos de alta presión como la temporada de impuestos.
Blake también hizo una observación importante: aunque muchas de estas implementaciones de IA están funcionando, buena parte de ellas sigue siendo más táctica que estratégica. Es decir, fueron adoptadas para resolver problemas específicos de departamentos aislados, sin una visión integrada que conecte toda la cadena de valor de la organización. Este tipo de enfoque fragmentado funciona hasta cierto punto, pero no resiste momentos de presión real, donde todos los sistemas necesitan trabajar juntos de forma coordinada y fiable.
Reciba el mejor contenido sobre innovación en su correo electrónico.
Todas las noticias, consejos, tendencias y recursos que buscas, directamente en tu bandeja de entrada.
Al suscribirte al boletín informativo, aceptas recibir comunicaciones de Método Viral. Nos comprometemos a proteger y respetar siempre tu privacidad.
Por qué la temporada fiscal expone los fallos de los sistemas de IA
Durante la temporada de impuestos, los bancos lidian con un aumento considerable en el volumen de transacciones, consultas de clientes y obligaciones de reporte ante los organismos reguladores. Este pico de actividad pone a los sistemas de IA en un ritmo mucho más intenso de lo habitual, y es ahí donde los problemas de base comienzan a aparecer con mayor claridad. Cuando los datos que alimentan estos modelos están desactualizados, son inconsistentes o están mal organizados, el sistema empieza a entregar respuestas imprecisas, recomendaciones erróneas y, en los casos más graves, fallos que pueden generar consecuencias regulatorias serias para la institución.
Mark Blake dejó bien claro en el podcast que este escenario no es una excepción, es la regla en buena parte de las instituciones financieras que todavía no han invertido de forma estratégica en la calidad de datos. El problema, según él, es que durante los períodos de operación normal, estos sistemas consiguen enmascarar las inconsistencias porque el volumen de solicitudes es menor y los márgenes de error pasan desapercibidos. Pero cuando la demanda aumenta drásticamente, como ocurre en la época de impuestos, el sistema simplemente ya no puede esconder lo que estaba roto por debajo. Es como un puente que parece firme en el día a día, pero tiembla cuando pasa el camión pesado.
Blake destacó que la temporada fiscal es un evento orientado por plazos. Todo necesita completarse dentro de una ventana específica de tiempo. Esto significa que no existe margen para volver a empezar o ajustar procesos a mitad de camino. Los bancos necesitan que sus modelos de IA y sus pipelines de datos funcionen correctamente a la primera, lo que hace que cualquier fallo en la cadena de información sea mucho más costoso de lo que sería en otro momento del año.
Otro punto relevante que trajo Blake es que los bancos frecuentemente subestiman la interdependencia entre diferentes fuentes de datos dentro de su propia infraestructura. Un dato incorrecto en un registro de cliente puede propagarse por múltiples sistemas de IA al mismo tiempo, generando errores en cascada que van desde la personalización de ofertas hasta el reporte fiscal. Y corregir esos errores de forma retroactiva, en plena temporada, es un proceso caro, lento y lleno de riesgos operativos.
Las señales de alerta que aparecen durante el período fiscal
Blake fue bastante específico al describir cuáles son las red flags que suelen surgir en las instituciones financieras durante la temporada de impuestos. La primera y más recurrente es la inconsistencia de registros entre diferentes sistemas. Cuando los identificadores de clientes no coinciden, cuando faltan datos en campos esenciales o cuando versiones diferentes de la misma información coexisten en plataformas distintas, los modelos de IA simplemente no consiguen entregar resultados fiables.
La segunda gran señal de alerta involucra cuestiones de trazabilidad y auditabilidad. Los reguladores financieros exigen cada vez más que los bancos sean capaces de explicar cómo se tomó una decisión automatizada. Esto es lo que el mercado llama explainability, o explicabilidad de los modelos de IA. Si el banco no puede demostrar la trazabilidad de los datos que alimentaron una decisión, es decir, de dónde vinieron, cómo fueron procesados y por qué se consideraron fiables, queda expuesto a cuestionamientos regulatorios que pueden resultar en sanciones.
El tercer punto son los síntomas operativos que emergen cuando los sistemas fallan. Blake mencionó que uno de los indicadores más claros de que algo anda mal es el aumento de correcciones manuales. Cuando los equipos necesitan intervenir repetidamente para corregir errores que deberían haberse resuelto de forma automatizada, esto señala que la calidad de datos en la base está comprometida. Información conflictiva sobre valores, sobre el perfil de clientes o sobre el estado de transacciones son ejemplos concretos de estos problemas que consumen tiempo y recursos durante el período fiscal.
Calidad de datos: el cimiento que nadie ve, pero todos sienten
La calidad de datos es uno de esos temas que parece demasiado técnico para entrar en la agenda de las reuniones estratégicas, pero que en la práctica define el éxito o el fracaso de cualquier iniciativa de IA dentro de los bancos. Blake usó un enfoque bastante directo: puedes tener el modelo más sofisticado del mercado, pero si los datos que lo alimentan son malos, el resultado también va a ser malo. Peor aún, la IA puede terminar amplificando problemas que ya existían, entregando respuestas erróneas con una velocidad y escala que el proceso manual jamás alcanzaría.
En el contexto de la temporada de impuestos, esto se vuelve todavía más crítico porque la información necesita estar correcta, trazable y disponible en tiempo real. Los bancos necesitan cruzar datos de transacciones, información de clientes, registros tributarios e historiales financieros de forma ágil y precisa. Cualquier ruido en esa cadena puede resultar en declaraciones incorrectas, inconsistencias con los registros de Hacienda e incluso multas. Y como los sistemas de IA están cada vez más presentes en este proceso de consolidación y análisis de datos, la responsabilidad sobre la calidad de esa información recae directamente en la infraestructura de datos de la institución.
Blake explicó que el concepto de Golden Record, o registro dorado, es fundamental en este contexto. Se trata de tener una versión única, consolidada y fiable de los datos de cada cliente y de cada transacción, con reglas de validación claras y aplicadas de forma consistente. Cuando ese registro existe y se mantiene de forma adecuada, los modelos de IA consiguen trabajar sobre una base sólida, generando resultados que pueden ser auditados, explicados y defendidos ante los reguladores.
Stibo Systems, la empresa donde Blake trabaja, se dedica justamente a soluciones de Master Data Management, o gestión de datos maestros, que ayudan a las instituciones financieras a centralizar, estandarizar y garantizar la fiabilidad de la información que circula por sus sistemas. En la visión de Blake, las instituciones que invierten en esta capa de gobernanza antes de la temporada fiscal llegan mucho más preparadas para los desafíos del período, con sistemas de IA funcionando de forma más estable, decisiones más precisas y mucho menos riesgo de exposición regulatoria.
La importancia de los datos en tiempo real durante el período fiscal
Uno de los puntos que Blake enfatizó con bastante claridad durante la conversación fue la necesidad de acceso a datos en tiempo real, especialmente durante la temporada de impuestos. Cuando los sistemas operan con información desfasada o cuando los profesionales necesitan acceder a múltiples plataformas para armar un panorama completo de un cliente o transacción, el riesgo de error aumenta significativamente, y el tiempo necesario para completar cada tarea se multiplica.
Según Blake, una plataforma de Master Data Management bien implementada resuelve exactamente ese cuello de botella, ofreciendo un entorno único y controlado donde toda la información relevante está accesible, actualizada y validada. Esto elimina la necesidad de consultas manuales en diferentes sistemas, reduce drásticamente la posibilidad de errores y libera a los equipos para enfocarse en actividades de mayor valor agregado, en vez de quedar atrapados en procesos de reconciliación de datos.
Para los bancos, esta disponibilidad en tiempo real no es solo una cuestión de eficiencia operativa. Es una cuestión de cumplimiento regulatorio. Durante la temporada de impuestos, los plazos son ajustados y los reguladores esperan respuestas rápidas y precisas. Las instituciones que dependen de procesos manuales para consolidar datos quedan en clara desventaja, tanto en términos de velocidad como de fiabilidad en la información reportada.
Gobernanza de datos: la estrategia que separa a los bancos preparados de los que corren riesgo
Si la calidad de datos es el cimiento, la gobernanza es el sistema estructural que garantiza que ese cimiento se mantenga firme a lo largo del tiempo. Dentro de los bancos, la gobernanza de datos involucra políticas claras sobre cómo se recopila, almacena, actualiza y utiliza la información por parte de los sistemas de IA. Es un conjunto de procesos, responsabilidades y controles que define quién tiene acceso a qué datos, cómo se validan y cuáles son los criterios para considerar que una información es lo suficientemente fiable como para ser usada en la toma de decisiones.
Blake destacó que la falta de gobernanza es uno de los mayores desafíos que encuentra en las instituciones financieras con las que trabaja. Muchos bancos todavía operan con silos de datos, donde cada departamento mantiene sus propias bases, con sus propios criterios de calidad, y sin ninguna visión unificada del cliente o de las transacciones. Cuando llega la temporada de impuestos y los sistemas de IA necesitan consolidar esa información para generar informes, el desorden se revela en toda su extensión. Los datos no coinciden, las versiones entran en conflicto entre sí y el esfuerzo para reconciliar todo eso manualmente consume tiempo y dinero que podrían usarse de forma mucho más productiva.
La buena noticia, según Blake, es que existe un camino claro para resolver este problema, y comienza con la adopción de una estrategia de gobernanza que trate los datos como un activo estratégico de la organización, y no como un subproducto operativo. Esto significa crear una capa de datos fiable, con procesos de validación continua, responsabilidades bien definidas y una visión integrada que permita a los sistemas de IA acceder a información precisa independientemente de su origen. Los bancos que hacen esto tienden a rendir mejor durante la temporada fiscal, con menos incidentes, menos retrabajo y una capacidad mucho mayor de responder rápidamente a las demandas regulatorias.
Adopción empresarial: la IA necesita ser una estrategia de toda la organización
Uno de los temas que Blake abordó con más énfasis fue la necesidad de que las instituciones financieras traten la IA como una estrategia de toda la empresa, y no como un proyecto aislado de un departamento de tecnología. Él observó que muchos bancos se apresuraron a adoptar inteligencia artificial, pero lo hicieron de forma táctica y fragmentada. El resultado es una serie de iniciativas desconectadas que funcionan bien individualmente, pero que no se comunican entre sí y no ofrecen una visión integrada del negocio.
Para que la IA realmente entregue valor durante momentos de alta presión como la temporada de impuestos, es fundamental que exista una hoja de ruta empresarial coherente que conecte datos, modelos y procesos de punta a punta. Blake mencionó que las instituciones que están teniendo más éxito son aquellas que invierten no solo en tecnología, sino en educación, concientización y cambio de cultura dentro de la organización. Cuando todos los departamentos entienden el papel de los datos en la cadena de valor y asumen responsabilidad por su calidad, el resultado es una operación mucho más resiliente y preparada para los desafíos del mercado.
Herramientas que usamos a diario
La formación continua y la capacitación de los equipos también entraron en la conversación como factores determinantes. Blake reforzó que las personas son parte esencial de esta ecuación. No basta con tener la tecnología adecuada si los profesionales que la utilizan no comprenden cómo sacarle el máximo provecho. Y en el sector financiero, donde la precisión y el cumplimiento normativo son innegociables, ese entendimiento se vuelve todavía más relevante.
Lo que los bancos pueden aprender de este stress test anual
Una de las perspectivas más interesantes que Blake trajo a la conversación es la idea de ver la temporada de impuestos no solo como un período de presión, sino como una oportunidad de diagnóstico. Cada fallo que aparece durante este período es una señal clara de dónde están los puntos débiles de la infraestructura de IA y de calidad de datos del banco. Ignorar estas señales y simplemente apagar los incendios del momento es una estrategia que garantiza que los mismos problemas se repitan el próximo año, posiblemente a una escala todavía mayor.
Blake también recordó que la temporada fiscal no es el único momento de presión del año. Existen obligaciones regulatorias y de reporte que ocurren a lo largo de todo el calendario, y cada una de ellas representa una oportunidad similar de probar y validar la robustez de los sistemas de datos y de IA. La diferencia es que la temporada de impuestos concentra un volumen particularmente alto de demandas simultáneas, haciendo los problemas más visibles y urgentes.
Los bancos que adoptan una postura más proactiva usan los aprendizajes de la temporada fiscal para revisar sus políticas de gobernanza, identificar las fuentes de datos que necesitan atención y ajustar sus modelos de IA para manejar mejor los picos de demanda. Esta mentalidad de mejora continua, orientada por los datos reales del negocio, es lo que diferencia a las instituciones que crecen con la tecnología de las que simplemente sobreviven a ella. Y con la presión regulatoria aumentando cada año, esta diferencia se vuelve cada vez más relevante en el mercado financiero.
Lo que las conversaciones con clientes están revelando
Blake también compartió un poco de lo que ha escuchado en las conversaciones con clientes de Stibo Systems en el sector financiero. Según él, profesionales que trabajan en áreas como riesgo, fijación de precios y crédito están llegando con un tema en común: buena parte del trabajo que se ha hecho hasta ahora en IA y datos todavía no está entregando los resultados esperados. Y la percepción que está creciendo entre estos equipos es que el problema no está en la tecnología en sí, sino en la falta de una base de datos sólida sobre la cual construir.
Muchas de estas instituciones están ahora en un proceso que Blake describió como de relleno retroactivo, es decir, están volviendo atrás para implementar la gestión de datos maestros que debería haberse puesto en marcha antes de las capas de IA. Es un reconocimiento de que la carrera por adoptar inteligencia artificial se hizo, en muchos casos, sin la preparación adecuada de la base. Y los que están haciendo esta corrección de rumbo ahora tienden a cosechar resultados mejores y más sostenibles a mediano plazo.
La IA no es magia: los resultados dependen del entorno
La conversación con Mark Blake en el podcast The Buzz sirve como un recordatorio importante para el sector: la IA no es magia, y sus resultados dependen directamente de la calidad del entorno en el que opera. Modelos avanzados, algoritmos sofisticados y pipelines bien diseñados pierden buena parte de su potencial cuando los datos que los alimentan no son fiables. Y en un sector tan sensible como el financiero, donde las consecuencias de un error pueden ir mucho más allá de lo operativo, invertir en calidad de datos y gobernanza no es opcional. Es el prerrequisito para todo lo que viene después.
Como Blake resumió de forma muy directa: las instituciones financieras no tienen un problema de tecnología. Tecnología es lo que no falta en este sector. Lo que falta en muchos casos es resolver la cuestión de los datos. Una vez que los datos están correctos, organizados y gobernados, todo lo que se construye sobre esa base, incluidos los modelos de IA, pasa a funcionar con mucha más eficiencia y fiabilidad. Y la temporada de impuestos, con toda su presión y complejidad, es el momento perfecto para descubrir si esa base está realmente sólida o si todavía necesita atención. 💡
