IA aplicada a banca: 3 casos reales (y por qué 2 no necesitaban IA)

Tres casos reales de IA en banca. Y algo que casi nadie que vende IA dice en voz alta: dos de los tres no necesitaban IA, y reconocerlo fue lo más valioso del proyecto. Lidero una plataforma de IA sobre GCP, y mi primera pregunta nunca es "qué modelo uso": es "¿esto de verdad necesita un modelo?".

Caso 1 — Sí era IA: pricing dinámico

Hospitalidad. La demanda cambia rápido, hay mucho dato histórico y la decisión se repite miles de veces al día. Ese es el perfil donde un modelo que aprende gana claramente: alta frecuencia, señal abundante, costo de error tolerable por unidad. Aquí la IA paga.

Caso 2 — No era IA: una regla disfrazada

Pidieron un modelo para una decisión que en realidad resolvían tres condiciones de negocio. Tres if. Un modelo ahí no mejora nada: agrega una caja negra, costo de mantenimiento y riesgo regulatorio a algo que una regla clara resolvía mejor y era auditable. Decir "esto no necesita machine learning" fue la recomendación más profesional que di ese año.

Caso 3 — No era IA todavía: el dato primero

Se vendió como modelo predictivo. Pero el dato estaba sucio, incompleto, sin dueño. Ningún modelo arregla eso. El proyecto real no era de IA: era de ingeniería de datos primero. Saltarse ese orden es el error más caro y más común en proyectos de IA en empresa. Primero el dato, después el modelo, nunca al revés.

La idea que se queda

La madurez en IA no es saber muchos modelos. Es saber cuándo no usar ninguno. Un buen criterio de "no" ahorra más dinero que un buen modelo, y casi nadie lo enseña porque no vende cursos.

Ver en video

El criterio completo para decidir cuándo sí y cuándo no, con los tres casos, está en mi canal: Cristina Chapoñán | Data & IA — busca "IA aplicada a banca: 3 casos reales".

¿Te ha tocado recomendar "esto no necesita IA"? ¿Cómo lo recibieron? Cuéntame.