La banca ya sabe reducir costos con inteligencia artificial. Lo que todavía no resuelve es cómo convertir esos mismos datos en ingresos, sin cruzar la línea entre personalizar e invadir. Esa fue la tensión central del panel La era de la hiperpersonalización: IA, datos y decisiones en tiempo real, que reunió a especialistas de banca, patrimonio y datos financieros para diagnosticar por qué la promesa de la hiperpersonalización avanza más lento de lo que promete la tecnología.

El panel fue moderado por Jahasiel Sevilla Muñoz, responsable de innovación y transformación digital con agentes de IA en Google, y contó con la participación de Diego Romero Tuccio, Head of LATAM de Coinscrap Finance; Matías Núñez, director general adjunto de Retail en Scotiabank México; y Guillermo García Vivanco, Head of Digital Products en Actinver.

Cinco claves del panel

1. La IA ya recorta costos en la banca; generar ingresos con ella sigue siendo la parte difícil

Para Diego Romero Tuccio, la inteligencia artificial «definitivamente está creando valor» en la banca, pero «no el valor que debería». Según explicó, el impacto más inmediato y fácil de capturar está en la reducción de costos: automatizar procesos y eficientar operaciones, un beneficio que los bancos ya pueden llevar directo al balance o reinvertir en nuevas capacidades.

El reto mayor —generar ingresos nuevos a partir de la IA generativa— avanza mucho más despacio, y ahí pesan las barreras regulatorias: la falta de Open Banking, Open Finance y Open Data en buena parte de la región limita lo que los bancos pueden hacer con la información. Esa brecha, sostuvo, explica en parte por qué las fintechs están creciendo a un ritmo que la banca incumbente no logra igualar.

2. Agentizar lo interno antes que lo externo: el ejemplo de Scotiabank

Matías Núñez planteó que, antes de exponer la IA al cliente final, los bancos universales —que atienden desde individuos de baja renta hasta pymes e hipotecas— necesitan un marco de seguridad corporativo donde los datos no salgan del entorno controlado. Sobre esa base, Scotiabank avanzó primero hacia adentro: agentizar procesos internos para dar respuestas más rápidas a los propios empleados.

Puso dos ejemplos concretos: un agente que preautoriza gastos de viaje dentro de política y escala los casos fuera de política a un supervisor, y células de atención especializadas que ayudan a ejecutivos de sucursal a resolver dudas normativas que antes requerían conocer toda la regulación mexicana de memoria.

3. El freno no es la tecnología: son los silos de datos y la falta de gobernanza

Romero Tuccio fue enfático en que el problema no es de acceso a datos sofisticados, sino de orden: información tan básica como la descripción y la fecha de una transacción ya alcanza para generar valor, algo que Coinscrap aprendió operando en España bajo Open Banking. El obstáculo real, dijo, es que los bancos «tienen silos de información regados por todos lados» y una gobernanza de datos que es un concepto todavía reciente en el sector financiero.

Como ilustración, contó el caso de un banco que tenía una base de datos crítica en un Excel protegido con la clave de un director que ya había fallecido, sin que nadie más tuviera acceso. Multiplicado por años de sistemas legados y parches, ese tipo de fricción —más que la falta de inteligencia artificial— es lo que impide explotar la huella financiera completa de cada cliente en tiempo real.

4. Hiperpersonalizar sin invadir: la decisión final debe quedar en manos del cliente

Núñez llevó el debate a un terreno más incómodo: los bancos ya tienen la capacidad técnica de saber en qué gasta cada cliente, con quién y cuándo, y de anticipar necesidades con alta precisión. La pregunta, planteó, no es si se puede hacerlo sino si se debe: nadie quiere que lo llamen para venderle un seguro de mascota después de una compra en una tienda de mascotas.

Romero Tuccio coincidió con un ejemplo propio: recibió una notificación de cashback en una tienda española pese a no vivir en España, mientras que ningún banco le ofreció un seguro de auto adaptado justo después de comprar un vehículo. Para Núñez, la salida no es dejar de explotar los datos sino delegar en el cliente cuánta información quiere que el banco use y para qué, distinguiendo entre personalización y vigilancia constante.

5. La psicología del dinero, la variable que casi ningún banco mide todavía

Guillermo García Vivanco introdujo una capa que va más allá de la transaccionalidad: entender la relación psicológica de cada cliente con el dinero. Según explicó, no basta con saber cuánto gasta alguien; hay que identificar si es de los que gastan apenas les «quema la mano» el dinero o de los que evitan mirar sus finanzas por completo, algo clave para diseñar productos de ahorro de largo plazo o planeación patrimonial.

García Vivanco advirtió, además, que la IA ya está comprimiendo el ciclo de desarrollo de producto —desde el research de usuario hasta las pruebas— y obligando a las organizaciones a abandonar metodologías rígidas tipo PRD por procesos más iterativos.