Los servicios financieros se distinguen de otros sectores por una larga historia de datos estructurados y control estricto. Mientras que muchas organizaciones todavía tienen que empezar por ordenar la información, este sector suele contar ya con décadas de experiencia con modelos de datos, pistas de auditoría y gestión de riesgos. Eso da una falsa sensación de ventaja. La dimensión de gestión de datos suele obtener, en la práctica, una puntuación más alta que en otros sectores, pero eso no significa que la organización en su conjunto esté lista para la IA. Mientras que, por ejemplo, la construcción lucha con datos fragmentados sobre proyectos, el sector financiero lucha más bien con silos de datos tan bien protegidos que ya ni se comunican entre sí.
La relación entre las dimensiones fundamentales resulta, por tanto, desequilibrada, aunque de una manera distinta a la de otros sectores. La infraestructura de TI suele ser robusta, pero también pesada: sistemas grandes y antiguos que no se adaptan con rapidez. La estructura organizativa suele ser jerárquica y estar dividida en líneas de responsabilidad estrictas, lo que puede ralentizar la toma de decisiones sobre nuevas tecnologías. El resultado es un sector que, sobre el papel, obtiene buenas puntuaciones en la base, pero que en la práctica es lento en el paso de foundation a activation.
El cumplimiento normativo y la gestión de riesgos están arraigados en el ADN del sector. Eso funciona en ambas direcciones. Por un lado, aporta disciplina en la calidad de los datos y una delimitación clara de responsabilidades, algo que otros sectores todavía tienen que construir. Por otro lado, la costumbre de calcular primero los riesgos genera cautela a la hora de aplicar nuevas tecnologías antes de que su impacto se haya evaluado por completo. Esa cautela no es necesariamente una desventaja, pero sí explica por qué los pilotos tienden a quedarse en fase de prueba en lugar de evolucionar hacia una aplicación estructural.
La dimensión de toma de decisiones resulta aquí determinante. En muchas organizaciones financieras falta una visión clara de quién puede tomar qué decisión sobre una aplicación de IA, y con base en qué información. Esa visión general, lo que corresponde incluir en un inventario de decisiones, es precisamente donde muchas mediciones de madurez ponen al descubierto una brecha: la tecnología está presente, la autoridad para trabajar con ella no.
Lo que distingue aún más a este sector es la magnitud de la diferencia entre departamentos. Un departamento de riesgos lleva años trabajando con modelos y estadística, y ve la IA como una extensión lógica de lo que ya se hace. Un departamento de back office o de atención al cliente ve la IA sobre todo como algo impuesto desde arriba, sin que los propios procesos de trabajo se hayan adaptado a ella. Cuando varias personas de la misma organización puntúan por separado las siete dimensiones, esa dispersión suele saltar a la vista de inmediato. El resultado rara vez es una imagen uniforme, y precisamente eso resulta valioso: muestra dónde la conversación sobre la preparación todavía no ha tenido lugar.
Esta dispersión es menos casual de lo que parece. Las entidades financieras suelen estar formadas por divisiones que históricamente han crecido de manera independiente entre sí, cada una con su propio ritmo de digitalización. Ese es un patrón distinto al que se observa, por ejemplo, en el sector de instalaciones, donde la dispersión suele surgir entre la sede central y la ejecución sobre el terreno, o en el sector inmobiliario, donde la diferencia suele estar entre la gestión y el desarrollo.
La tentación de empezar por las dimensiones visibles y dependientes es grande en el sector financiero, porque ya existen muchos datos y mucha experiencia con modelos. Sin embargo, el orden sigue siendo válido: la estructura organizativa, la infraestructura de TI y la gestión de datos forman la base sobre la que se apoya el resto. Una organización que, sobre el papel, obtiene una puntuación alta en gestión de datos, pero donde la toma de decisiones y la responsabilidad no están desarrolladas, se topa con el mismo muro que una organización que todavía tiene que empezar. Por qué las dimensiones fundamentales deben ir primero no es, entonces, una cuestión de preferencia, sino de la manera en que las aplicaciones de IA funcionan realmente: sin una base sólida, todo se queda en el nivel de un piloto, sin importar lo avanzado que sea el modelo.
La comparación con otros sectores intensivos en capital, como el sector energético, muestra que una base técnica sólida no conduce automáticamente a la madurez en las demás dimensiones. La técnica y la disciplina son necesarias, pero no suficientes.
La medición de madurez muestra si la organización en su conjunto tiene establecida la base necesaria para asumir la IA de manera responsable: la estructura, la infraestructura, la gestión de datos y la toma de decisiones que la rodea. Esa es una pregunta distinta de qué parte del trabajo en sí es susceptible de ser asumida por la IA. Una vez que esa base está identificada, resulta relevante examinar, tarea por tarea, qué puede asumir la IA y qué no. Ese es el ámbito del escáner de trabajo de FTE TO AI, que calcula, para cada tarea, qué parte del trabajo puede ser asumida por la IA, basándose en la naturaleza de la tarea misma y no en la preparación de la organización.
Vraag maar wat er moet staan voordat AI in uw organisatie kan landen.
Answers come from this site’s knowledge base. Not tailored advice, and not a scan of your company.