En un reciente evento interno para el equipo de ciencia de datos de Nubank, Henrique Lopes, Rohan Ramanath y Vitor Olivier compartieron sus perspectivas sobre la inteligencia artificial en las finanzas y cómo está transformando la forma en que creamos productos, organizamos equipos y tomamos decisiones a escala.
La conversación abordó una amplia gama de temas, desde los desafíos prácticos de pasar de prototipos a sistemas de producción, hasta la creciente importancia de la plataformización y el papel cambiante de los científicos de datos y los ingenieros de aprendizaje automático en este nuevo contexto.
Lopes lidera la función de Ciencia de Datos y el área de negocio de Productos de Datos de Nubank. Ramanath dirige AI Core, el equipo surgido de la adquisición de Hyperplane, centrado en la intersección de la IA, la infraestructura y el modelado. Olivier, director de tecnología de Nubank, aporta más de una década de experiencia impulsando la estrategia tecnológica de la compañía y desarrollando sistemas escalables.
Este artículo explora cómo nuestros equipos de datos actúan para hacer lo mejor en el escenario desafiante y prometedor de la inteligencia artificial.
¿Cómo utilizas la inteligencia artificial en tu rutina?
Lopes: Uso herramientas de inteligencia artificial generativa para muchas preguntas aleatorias, que a menudo reemplazan los buscadores comúnmente utilizados. En el trabajo, la IA ha sido muy eficaz para escribir código entre reuniones, especialmente con el reciente lanzamiento de herramientas e IDEs basadas en agentes, lo que me ha ayudado a realizar más pruebas y proyectos piloto.
Ramanath: Utilizo IA principalmente para planear tareas y la elaboración de resúmenes. Utilizo herramientas e IDEs basadas en agentes para entender bases de código escritas por otros, lo considero como pedirle a un compañero que me guíe en el código.
También utilizo la IA para planear viajes y generar ideas, lo que me ayuda a refinar ideas vagas, a articularlas y a encontrar términos técnicos para buscar bibliografía relacionada.
Olivier: Mi uso diario de la IA es similar a lo que describieron Lopes y Ramanath; la uso principalmente para búsquedas, para interactuar con bases de código y realizar pruebas de concepto.
¿Qué tarea humana desearías que fuera reemplazada completamente por IA en unos años?
Lopes: Aunque el uso actual de la IA es impresionante, se queda corto rápidamente. Para tareas como trabajar con código a menudo se pierde en “madrigueras de conejo” conforme aumenta el contexto, lo que a veces requiere volver a empezar.
Intenté compilar algo, y la herramienta empezó a cambiar rápidamente la configuración de Java de mi computadora sin resolver el problema, profundizando cada vez más sin éxito. Esto está mejorando, pero aún requiere una intervención humana considerable para solucionar los problemas. Creo que este problema de fiabilidad necesita más desarrollo para su uso en producción a gran escala.
Ramanath: Quiero ver un cambio en el cobro por resultados de los proveedores de IA. En lugar de cobrar por uso (licencia o llamadas a la API), me gustaría ver un mundo donde las empresas cobren según el logro del objetivo final, como pagar a un proveedor por cada biblioteca migrada correctamente.
Actualmente, las herramientas de IA todavía requieren una gran dedicación mental. Hay una novedad inicial y mejoras de productividad, pero la satisfacción que generan las buenas sugerencias disminuye con el tiempo; se convierte en una herramienta más.
Me gustaría ver que la IA alcance un estado en el que, para tareas sencillas como solicitar una visa, se pueda preguntar qué documentos se necesitan, obtener una respuesta al instante y no tener que verificar el resultado. Hoy en día, las recomendaciones son rápidas, pero aún dedico mucho tiempo a verificar la información.
Olivier: Estoy más entusiasmado por crear sistemas que sepan cómo utilizar la IA para obtener resultados de forma eficaz, en lugar de esperar que se vuelva más inteligente por sí sola. Por ejemplo, la reforma de una casa implica cientos de pagos a diferentes lugares y de diversas maneras.
Ojalá pudiera enviar todas las solicitudes de pago a un solo lugar y que se pagaran automáticamente. No creo que haya ninguna barrera técnica para esto; se trata de procesar datos no estructurados a escala y transformarlos en un proceso útil mediante la “infraestructura” y la ingeniería.
Incluso si el desarrollo de la IA se detuviera ahora, aún queda una década de funciones que podrían desarrollarse sobre la IA existente, centrándose en la gestión de productos y una “infraestructura”.
Ramanath (complementando a Olivier): Aunque la IA puede fácilmente listar fontaneros o electricistas, el humano aún tiene que llamar a cada uno, averiguar su disponibilidad, precios y comparar ofertas.
Las empresas de IA afirman que el problema de “tool calling” está resuelto, así que no entiendo por qué aún no tenemos la experiencia para llamar a todas estas personas, obtener opiniones, ofrecer una comparación y facilitar una decisión. Organizar esto de forma fiable para llegar a una decisión final es una “experiencia de producto mágica” que aún no se ha desarrollado.
¿Qué papel desempeñará a futuro la inteligencia artificial en las finanzas y la tecnología financiera?
Olivier: Considero que la IA es una herramienta más para la promesa fundamental de las fintech e internet: mayor acceso, mejor calidad y precios más bajos para todo. La IA complementa las herramientas para lograrlo.
Esto incluye tiempos de respuesta muy rápidos y de alta calidad en la atención al cliente, lo que permite una verdadera hiper personalización más allá de las segmentaciones discretas, y en el ámbito de la inversión, ayuda a identificar patrones de usuario y perfiles de riesgo para brindar confianza en la toma de decisiones.
Creo que la IA permeará todo en las fintech, al igual que lo hizo la tecnología móvil, convirtiéndose en una capacidad esencial que mejora fundamentalmente la experiencia del usuario con mayor calidad, menor costo y mayor accesibilidad.
Ramanath: Me entusiasman las nuevas interfaces que ofrece la IA. Con buenas abstracciones de ingeniería para conceptos bancarios (como cuentas, tarjetas y transacciones), la IA puede permitir a usuarios sin experiencia crear aplicaciones. Veo un futuro donde el software personal sea gratuito, lo que permitirá a los consumidores personalizar la interfaz de su aplicación bancaria.
En lugar de que las empresas creen múltiples interfaces, los consumidores podrían elegir cómo interactúa su aplicación bancaria con ellos, ya sea con desgloses detallados de gastos, vistas generales o interacción por voz.
Esto resolvería el problema de la exploración, permitiendo que cada cliente diseñe su interfaz ideal sin que la empresa tenga que impulsar diferentes versiones. Creo que la tecnología impulsará la evolución de estas nuevas experiencias e interfaces.
Con la IA evolucionando tan rápidamente, ¿cómo pueden los científicos de datos y los ingenieros de ML mantenerse a la vanguardia y seguir siendo relevantes?
Lopes: Yo aconsejaría no intentar mantenerse al día con todo lo que sucede por miedo a perderse algo, ya que hay demasiada información. Si bien ser pionero demuestra innovación, también se observan muchas cosas que no funcionan.
Mi recomendación es centrarse en áreas relevantes para sus intereses y trabajo, como ingeniería de datos, MLOps y las solicitudes que se alinean con su experiencia. Habrá muchas subáreas de IA, y nadie las entenderá todas a fondo. La clave está en centrarse y evitar la trampa de intentar ser un experto en todo.
Ramanath: La ciencia de datos es un campo amplio. Sugiero elegir un nicho (como la explicabilidad de modelos, la evaluación, MLOps, la infraestructura de servicio, los modelos causales) para tener una mejor oportunidad de mantenerse a la vanguardia. La especialización requiere años para consolidarse en la literatura.
Cada persona debe decidir si ser generalista o especialista; la especialización aumenta la posibilidad de mantenerse al día con las tendencias y predecir la dirección de la industria. El objetivo no es solo usar lo más innovador, sino desarrollar la intuición para predecir las direcciones futuras, lo que permite construir sistemas de forma que la adopción de nuevas tecnologías tenga un coste casi nulo.
También es importante escuchar a las personas adecuadas. En el controvertido panorama de la IA, identificar a algunos expertos con opiniones firmes y experiencia en la predicción del futuro en un nicho específico ayuda a ignorar el ruido.
Estos expertos podrían escribir sobre los desafíos de la puesta en producción y la brecha entre las “pruebas de concepto hechas con IA” y los “sistemas de IA”. Finalmente, nada supera la experiencia práctica experimentando en el tiempo libre.
¿Qué desafíos enfrenta Nubank al implementar la inteligencia artificial en sus operaciones?
Lopes: Un desafío importante es el salto de una “prueba de concepto hecha con IA” (algo prometedor) a un “sistema de IA” (algo que realmente funciona a escala). En Nubank, todo se realiza a escala. La dificultad radica en equilibrar la asunción de riesgos y la dedicación de tiempo para que los nuevos sistemas de IA funcionen de forma fiable, manteniendo al mismo tiempo los sistemas tradicionales.
Estamos en una curva de aprendizaje: lo que funciona para este modelo no necesariamente funcionará para el siguiente. La ingeniería de prompts fue el tema de moda hace seis meses, pero eso no significa que siga siendo relevante a medida que los modelos evolucionen.
Encontrar la diferencia entre lo fundamental y lo específico de un momento es especialmente difícil al poner en producción productos con IA.
¿Cómo ves la interacción de la función Data Science con otras funciones (ingenieros, gerentes de producto, etc.) que también están introduciendo herramientas y flujos de trabajo basados en IA?
Lopes: Si bien la IA generativa ha adoptado una nueva forma en cuanto a la generación de texto, imágenes y videos, los conceptos subyacentes de su construcción y las dificultades (como “data leakage” y problemas de calidad de los datos) son similares a las que enfrentamos al usar el aprendizaje automático (ML).
Estas dificultades aún existen en la IA, pero a menudo se ocultan tras una interfaz intuitiva. La ciencia de datos desempeña un papel clave para ayudar a la organización a navegar estas dificultades, tanto al crear modelos como cuando otras funciones utilizan herramientas de IA.
Para quienes no tienen conocimientos técnicos, la IA puede parecer magia, y el equipo de ciencia de datos tiene la responsabilidad de mostrar la complejidad subyacente. Pueden ayudar a garantizar que el uso de la IA se realice con rapidez y aporte innovación, pero de forma responsable.
Como profesionales que trabajan en un campo que no existía en su forma actual recientemente, los científicos de datos y los ingenieros de ML están en primera línea de las pruebas y la comprensión de dónde funciona y dónde no la IA, desempeñando un papel fundamental a la hora de guiar a otros en las direcciones que se deben explorar con la IA.
Existen muy pocas instituciones financieras importantes que prioricen la IA (si es que existen). ¿Por qué Nubank está bien posicionado para convertirse en una de ellas?
Olivier: Nubank está bien posicionado porque, desde nuestros inicios, reconocimos la ciencia de datos como una ventaja competitiva clave. Invertimos intencionalmente en tecnología, nos convertimos en “cloud native” y desarrollamos herramientas para la extracción, el análisis y el modelado de datos, entre otras funciones.
También invertimos en la incorporación de personal cualificado a la empresa. Esta apuesta de 11 a 12 años nos ha posicionado bien para seguir jugando el “juego infinito”, en el que lo que ganamos es el derecho a seguir jugando, y nos lo hemos ganado.
Construir una institución financiera centrada en la IA es difícil para todos. Las empresas establecidas enfrentan dificultades para migrar, mientras que los nuevos participantes lidian con las cargas regulatorias, las habilidades crediticias, la distribución y el volumen de datos. Aun así, debemos redoblar nuestros esfuerzos en la IA porque, de lo contrario, alguien más podría encontrar una forma de obtener una ventaja competitiva.
Si bien la adopción temprana tiene sus desventajas, creo que la adaptabilidad y la resistencia a la fragilidad son lo que, en última instancia, nos permite ganar. Nos encontramos en un cambio de plataforma, por lo que tendremos que adaptarnos a este cambio y estar bien posicionados para aprovecharlo.
¿Cuál es su visión para el futuro de la función de Ciencia de Datos? ¿Empezarán roles como Científicos de Datos e Ingenieros de Aprendizaje Automático (MLE) a capacitar a otros equipos en el uso eficaz de la IA?
Lopes: Hay muchos nombres nuevos para las actividades que los científicos de datos llevan haciendo desde hace mucho tiempo, pero el trabajo también está cambiando. Tenemos nuevos roles como ingenieros de IA en muchas empresas, pero esto no es lo más importante.
Creo que veremos un cambio en los ingenieros de software, MLE y científicos de datos, centrándose en la integración de sistemas y agentes de IA en sus actividades. Esto se trata más de una adaptación en la forma de desarrollar software que de un cambio fundamental en el rol en sí.
Los datos estarán más presentes en todos los sistemas, fluyendo a través de entornos transaccionales, sin la separación histórica entre los entornos analíticos y transaccionales. Poder usar estos datos a escala para tomar decisiones en tiempo real será cada vez más importante, lo que podría cambiar ligeramente las funciones de los ingenieros de datos, ingenieros de software, científicos de datos e ingenieros de aprendizaje automático.
Ramanath: Veo una oportunidad para que el grupo de ciencia de datos influya en el “cómo”. Si bien las conversaciones en toda la empresa podrían centrarse en qué nuevas herramientas de IA o proveedores debemos utilizar, la función de ciencia de datos comprende cómo estos modelos se entrenan, se analizan, sus suposiciones y el impacto de violarlas.
Existe la oportunidad de capacitar a otros miembros de la empresa sobre cómo usar herramientas de IA, programar con IDEs basadas en agentes, entrenar modelos e implementar sistemas como RAG, centrándose en qué preguntas podrían romper las suposiciones de esos sistemas. Esto se puede lograr mediante ejemplos, prototipos y colaboraciones.
¿Qué partes del flujo de trabajo de DS/MLE cambiarán sustancialmente la IA y cuáles serán más difíciles de reemplazar?
Lopes está entusiasmado con la idea de que la IA mejora las partes de “trabajo pesado” de la codificación y los flujos de trabajo.
Lopes: Piénselo: tareas como obtener certificados de AWS, actualizar tokens o ejecutar pruebas de staging para verificar costos y rendimiento. La IA debería ser capaz de guiar estos flujos de trabajo, automatizando las tareas repetitivas que actualmente requieren recordar comandos específicos.
Esto significa que los científicos de datos finalmente pueden centrarse más en el problema principal del negocio. Esto no solo implica que la IA escriba código o consultas de forma optimizada, sino también que automatice validaciones, ejecute pruebas unitarias e incluso valide cambios como parte del flujo de trabajo general.
Hay mucha expectativa por los cambios en la plataforma que mejorarán la experiencia del usuario al automatizar este tipo de tareas.
Ramanath complementó la discusión compartiendo sus creencias sobre los aspectos del trabajo que serán más difíciles de reemplazar para la IA.
Ramanath: La parte del trabajo que probablemente será más difícil de reemplazar sustancialmente para la IA es la formulación del problema que debe resolverse. Convertir un problema empresarial en algo que un modelo de IA pueda abordar requiere criterio, intuición y comprensión de las interacciones entre los sistemas existentes y los humanos.
Si bien los científicos de datos tradicionalmente han dedicado un tiempo significativo a implementar y poner en marcha soluciones después de definir el problema, se espera que la productividad de la IA reduzca drásticamente ese tiempo de implementación, potencialmente de meses a semanas.
No sólo más inteligente, sino más útil
El futuro de la inteligencia artificial en las finanzas dentro de Nubank se definirá por cómo integremos las tecnologías de IA en sistemas escalables y fiables que aporten valor real a nuestros clientes.
Como dejaron claro Lopes, Ramanath y Olivier, este cambio requiere más que innovación técnica: exige nuevas formas de pensar en la infraestructura y la colaboración entre funciones.
Desde la automatización de flujos de trabajo repetitivos hasta la redefinición de cómo diseñamos productos, la IA se está convirtiendo en una capa fundamental en todo lo que creamos.
Y aunque las herramientas seguirán evolucionando, hay algo que permanece constante: el rol de los científicos de datos y los ingenieros de aprendizaje automático como socios clave en la construcción del Futuro Morado.
En Nu México queremos que nuestros clientes y lectores tengan la información necesaria para tomar decisiones mejor informadas con su dinero y así ayudarles a recuperar el control de su vida financiera. Este contenido se ofrece de forma educativa e informativa para ayudarlos a lograr ese fin. Si deseas conocer más detalles sobre los productos y servicios que ofrece Nu México Financiera S.A. de C.V., SFP visita nuestro sitio web oficial https://nu.com.mx/
