2026

La mayoría aprende ML en el orden equivocado: empiezan por el algoritmo. En un banco el algoritmo es el paso 6 de 7. El recorrido completo —pregunta, target, baseline, features, validación temporal, calibración y monitoreo desde el día 1— en el orden que de verdad funciona.

Tres proyectos reales de IA en banca, contados con honestidad: cuándo la IA paga (pricing dinámico), cuándo es una regla de negocio disfrazada (3 if vs un modelo opaco) y cuándo el proyecto real era ingeniería de datos, no un modelo. La madurez en IA es saber cuándo no usar ninguno.

Los tutoriales enseñan piezas sueltas; nadie te muestra el sistema completo conectado, que es donde de verdad se rompe. Las 5 etapas, por qué casi siempre falla en los bordes (no en la transformación) y la pieza que casi todos saltan: la observabilidad.

Tienes 30 segundos antes de que el decisor desconecte. El error fatal (empezar por la metodología), la estructura que funciona (Conclusión, Evidencia, Acción — nunca al revés) y la regla visual que duele aceptar: un número por slide.

El 0.1% de fraude rompe casi todo lo que sabes de clasificación. Por qué el fraude es distinto a la mora (hay un adversario que se adapta), la trampa del AUC ROC con desbalance extremo, y por qué el umbral se elige por costo, no por F1.