Por Karla Estrella, Sales Manager de IST AMERICAS
Los productos bancarios AI-native incorporan inteligencia artificial desde su arquitectura y lógica operativa para interpretar información, personalizar servicios y apoyar decisiones. Su potencial es enorme, pero también plantea un desafío decisivo para la banca tradicional: integrarlos con sistemas legacy sin comprometer datos, continuidad, trazabilidad ni control.
Un producto bancario AI-native es concebido desde el inicio para operar con inteligencia artificial como parte esencial de su funcionamiento. La IA no se incorpora únicamente como una funcionalidad adicional: participa en la forma en que el producto interpreta información, responde al contexto, personaliza servicios y evoluciona a partir de las interacciones del usuario.
En los productos bancarios tradicionales, la inteligencia artificial suele incorporarse para optimizar funciones específicas, como atender consultas, clasificar documentos o detectar operaciones sospechosas. En un producto AI-native interviene desde el origen y puede analizar el contexto del cliente, anticipar necesidades, recomendar alternativas y, bajo controles previamente establecidos, ejecutar determinadas acciones.
Esto supone un cambio importante en la experiencia bancaria. Actualmente, gran parte de la banca digital todavía depende de que el cliente identifique una necesidad, busque una opción, navegue por distintos menús y complete una serie de pasos. Los productos AI-native plantean una interacción más contextual, en la que la tecnología interpreta la intención del usuario y facilita el acceso al servicio financiero adecuado.
Ya existen aplicaciones concretas. Revolut lanzó AIR, un asistente integrado en su aplicación que permite consultar gastos, administrar tarjetas y suscripciones, acceder a información sobre inversiones y realizar determinadas acciones mediante una conversación. Nubank, por su parte, incorporó inteligencia artificial a Pix para facilitar transferencias mediante instrucciones escritas o de voz y ha reportado una reducción de hasta 60 % en el tiempo requerido para completar la transacción.
Son ejemplos que muestran hacia dónde puede evolucionar la experiencia financiera: menos navegación, menos fricción y una interacción cada vez más contextual.
El desafío no es solo adoptar IA, sino integrarla
Para la banca tradicional, el principal desafío aparece cuando estas capacidades deben convivir con plataformas centrales, aplicaciones e integraciones que han evolucionado durante años y sostienen operaciones críticas.
Reemplazar toda esa infraestructura para convertirse en una organización AI-native no sería realista ni necesario para muchas instituciones. Una alternativa es avanzar por capas: desarrollar productos o funcionalidades basados en IA y conectarlos progresivamente con el ecosistema existente.
En una primera etapa, estos productos pueden operar como “satélites”, con accesos claramente delimitados y funciones específicas. La solución puede analizar información, realizar recomendaciones o automatizar determinadas tareas sin intervenir directamente en los procesos más sensibles del banco.
Este enfoque facilita las pruebas, permite medir resultados y ayuda a identificar vulnerabilidades antes de avanzar hacia integraciones de mayor profundidad.
El desafío aumenta cuando el producto AI-native comienza a interactuar con el core bancario, aplicaciones, APIs, bases de datos, canales digitales y servicios de terceros. En ese momento aparecen riesgos relacionados con compatibilidad, disponibilidad, permisos, identidad, trazabilidad, exposición de datos y dependencia de proveedores.
Una integración mal diseñada podría otorgar a una solución acceso a información que no necesita o permitir que una instrucción incorrecta genere consecuencias sobre procesos críticos. Por ello, los controles de identidad, privilegios, segmentación, monitoreo de APIs, protección de datos y supervisión permanente deben formar parte de la arquitectura desde el inicio.
De una banca reactiva a una banca contextual
El potencial de estos productos no radica únicamente en automatizar procesos. También pueden transformar la relación entre las instituciones financieras y sus clientes.
Un banco podría identificar un gasto atípico, advertir sobre una posible duplicidad, detectar una suscripción olvidada o proporcionar información que ayude al usuario a organizar mejor sus finanzas. La interacción dejaría de depender exclusivamente de que el cliente formule una solicitud y podría evolucionar hacia un acompañamiento más contextual.
Sin embargo, una mayor capacidad de acción también exige mayores niveles de transparencia. El cliente debe conocer qué información utiliza la IA, con qué finalidad y qué acciones puede ejecutar de manera autónoma.
El valor, por tanto, no está simplemente en utilizar inteligencia artificial, sino en aplicarla a una necesidad concreta y generar resultados medibles tanto para el usuario como para la institución.
Los riesgos de integrar IA en productos bancarios
La incorporación de inteligencia artificial también introduce nuevos escenarios de riesgo. Entre ellos están la exposición de información sensible, el fraude potenciado por IA, la manipulación de instrucciones, el abuso de identidades, las respuestas incorrectas, los sesgos en determinadas decisiones y la dependencia de proveedores externos.
Existe, además, un riesgo operativo cuando un sistema inteligente tiene capacidad para ejecutar acciones sin límites, validaciones o mecanismos de reversión. En un entorno financiero, el nivel de autonomía debe avanzar en proporción directa con la capacidad de supervisión y control.
La propia IA puede convertirse en una superficie de ataque. Un adversario podría intentar manipular sus instrucciones, alterar las fuentes de información que consulta, engañar al modelo o aprovechar vulnerabilidades en las integraciones para acceder a otros sistemas.
A esto se suma el uso de inteligencia artificial por parte de los ciberdelincuentes para producir campañas de phishing más convincentes, suplantaciones, deepfakes y ataques automatizados.
Por esa razón, proteger un producto AI-native implica mirar más allá del modelo. También requiere proteger las identidades, los datos, las APIs, la infraestructura cloud, los dispositivos, las integraciones y los proveedores que forman parte de su ecosistema.
La información del cliente debe estar gobernada bajo criterios de mínimo privilegio: el producto debería acceder únicamente a los datos necesarios para cumplir su función. Cifrado, autenticación robusta, gestión de privilegios, segmentación, políticas de retención, monitoreo continuo y trazabilidad se vuelven componentes fundamentales.
La dependencia de terceros también merece especial atención. Un producto AI-native puede utilizar proveedores de modelos, servicios en la nube, APIs, plataformas de datos y otros componentes externos. Cada integración crea una relación de confianza y, al mismo tiempo, una posible vía de exposición.
La institución necesita saber quién accede a su información, qué datos se comparten, dónde se procesan, cuánto tiempo se conservan y qué ocurriría si alguno de esos proveedores fuera comprometido.
Innovar con IA también significa controlar el riesgo
El camino puede comenzar con un caso de uso concreto, de alto valor y con un nivel de riesgo controlable. A partir de allí, la institución debe identificar los datos y sistemas involucrados, evaluar la superficie de ataque, establecer controles y definir indicadores tanto de negocio como de seguridad.
Un piloto puede demostrar que la tecnología funciona. Una implementación empresarial, en cambio, debe demostrar además que puede integrarse, escalarse, monitorearse y responder adecuadamente ante un incidente.
Por ello, la ciberseguridad no debería aparecer únicamente al final del proyecto. Debe estar presente desde la evaluación y el diseño hasta el desarrollo, la integración, la puesta en producción y el monitoreo continuo.
Desde IST AMERICAS acompañamos a las organizaciones en la identificación y reducción de estos riesgos mediante inteligencia de amenazas, gestión de vulnerabilidades, evaluación de terceros críticos, protección de marca, monitoreo avanzado, ciberdefensa y respuesta ante incidentes.
Nuestro enfoque de SOC 3.0 busca incorporar contexto a las alertas, priorizar los riesgos relevantes y convertir la inteligencia en acciones concretas. No desarrollamos el producto bancario AI-native de la institución: nuestro papel es ayudar a construir las condiciones de seguridad, visibilidad y capacidad de respuesta necesarias para que esa innovación pueda operar de manera controlada.
La pregunta para la banca ya no es únicamente cuánto puede hacer con inteligencia artificial. También debe preguntarse cuánto control, visibilidad y capacidad de respuesta mantiene mientras esa inteligencia adquiere mayor participación en sus procesos.
* Karla Estrella acompaña a organizaciones de distintos sectores en la identificación de necesidades y en la construcción de estrategias orientadas a fortalecer su postura de ciberseguridad. Desde IST AMERICAS, promueve un enfoque en el que la inteligencia de amenazas se convierte en acciones concretas para proteger la operación, los datos y la confianza digital
