Modelos de transacción unificados con IA: el fin de los silos bancarios

¿Qué ha ocurrido?

Según el blog de NVIDIA, las instituciones financieras están abandonando los modelos de IA específicos por tarea (fraude, crédito, recomendación, riesgo) en favor de modelos fundacionales de transacciones (transaction foundation models). Estos modelos —basados en arquitecturas transformer— se entrenan con billones de eventos financieros (pagos, transferencias, interacciones con productos, señales de comportamiento) sobre datos exclusivamente propietarios. El resultado es una representación unificada del comportamiento del consumidor que puede aplicarse a múltiples dominios.

Este cambio no es repentino. Durante años, los bancos construyeron modelos separados para cada función, creando sistemas aislados que impedían una visión holística del cliente. Como señala NVIDIA en su blog, "los sistemas aislados impiden que las instituciones desarrollen una comprensión unificada del comportamiento financiero de los consumidores". Con el crecimiento de los conjuntos de datos empresariales, la brecha entre lo que las instituciones saben y lo que su IA puede razonar se ha ampliado, creando una oportunidad para construir inteligencia usando datos propietarios.

Un caso emblemático es PRAGMA, un modelo desarrollado por Revolut en colaboración con NVIDIA, entrenado con 24.000 millones de eventos de 26 millones de usuarios en más de 100 países. PRAGMA utiliza la pila completa de NVIDIA (GPUs Hopper, cuDF, Nemotron) sobre la nube Nebius, y ya supera a modelos específicos en tareas como scoring crediticio. Este modelo representa un hito: es el primer modelo fundacional de transacciones a gran escala entrenado con datos financieros reales y heterogéneos.

¿Por qué es importante?

El informe 2026 State of AI in Financial Services de NVIDIA indica que el 65% de las instituciones ya usa IA, y casi el 90% la está implementando o evaluando. Además, casi todas mantienen o aumentan su gasto en IA. Sin embargo, la fragmentación de modelos limita la capacidad de obtener una visión holística del cliente. Un modelo fundacional unificado permite interpretar el contexto completo de una transacción (hora, dispositivo, ubicación, historial) en lugar de señales aisladas, mejorando el rendimiento en todas las tareas.

Por ejemplo, un pago a medianoche adquiere significado diferente si es la cuarta transacción en 10 minutos, desde un dispositivo desconocido y en una ciudad nueva. Esa profundidad contextual, antes inaccesible, ahora es posible gracias a los transformers aplicados a datos tabulares. NVIDIA destaca que "un modelo de fraude tradicional evalúa señales aisladas; un modelo fundacional interpreta el comportamiento en contexto donde el tiempo, el dispositivo, la ubicación y la actividad previa dan forma al significado".

Este avance es comparable al salto de los modelos estadísticos a los árboles de decisión en los años 90, o al paso de las redes neuronales simples al deep learning en la década de 2010. Pero aquí la diferencia es que se aplica a datos tabulares, que constituyen la mayoría de los datos financieros, y no solo a texto o imágenes.

Consecuencias para el sector

• Eficiencia operativa: Un solo modelo reemplaza múltiples modelos específicos, reduciendo costos de mantenimiento y complejidad. Según estimaciones de NVIDIA, las instituciones que adoptan modelos fundacionales pueden reducir el tiempo de desarrollo de modelos en un 40% y los costos de infraestructura en un 30%.
• Mejora en detección de fraude: Al analizar el comportamiento completo, se reducen falsos positivos y se identifican patrones complejos. Por ejemplo, PRAGMA ha demostrado una reducción del 20% en falsos positivos en detección de fraude respecto a modelos anteriores.
• Personalización: Las instituciones pueden ofrecer productos y servicios adaptados al perfil unificado del cliente, aumentando la retención y el valor de vida del cliente.
• Ventaja competitiva: Quienes adopten estos modelos podrán innovar más rápido y con mayor precisión. Revolut, por ejemplo, ya está utilizando PRAGMA para mejorar su motor de recomendaciones de productos, lo que ha incrementado las tasas de conversión en un 15%.
• Desafíos de privacidad: El uso masivo de datos propietarios requiere marcos de gobernanza sólidos y cumplimiento normativo, como el GDPR en Europa o la CCPA en California. Las instituciones deben implementar técnicas como privacidad diferencial y federated learning para mitigar riesgos.

Qué deben saber los lectores

Los modelos fundacionales de transacciones representan un cambio de paradigma: pasamos de IA aislada a inteligencia integrada. Las instituciones que ya están invirtiendo en esta tecnología (como Revolut) obtendrán una ventaja significativa. Para startups y fintechs, la barrera de entrada es alta (requiere grandes volúmenes de datos y capacidad de cómputo), pero las colaboraciones con proveedores de cloud y GPUs pueden democratizar el acceso. NVIDIA ofrece su plataforma y herramientas como cuDF y Nemotron para acelerar el desarrollo.

El mercado debe prepararse para una adopción acelerada, especialmente en banca, seguros y fintechs. La clave estará en la calidad y exclusividad de los datos propietarios, y en la capacidad de integrar estos modelos en los flujos de producción. Según el informe de NVIDIA, se espera que para 2027 más del 40% de las instituciones financieras hayan implementado modelos fundacionales de transacciones.

Además, este movimiento no es aislado: grandes tecnológicas como Google y Amazon ya están desarrollando modelos similares para sus servicios financieros. La competencia se intensificará, y los reguladores deberán adaptarse para garantizar la equidad y transparencia.

“Un modelo fundacional de transacciones no solo mejora el fraude o el crédito; cambia la forma en que las entidades entienden a sus clientes.” — TheVortiq

En resumen, estamos ante una transformación que redefinirá la inteligencia financiera en los próximos años. Las instituciones que actúen ahora podrán capitalizar esta ventaja, mientras que las que se rezaguen enfrentarán una creciente desventaja competitiva.