"En el mundo financiero, la precisión y fiabilidad de sus respuestas a los prompts dependen de algo más que su capacidad de procesamiento. Aquí es donde tecnologías avanzadas como el machine learning y el procesamiento de lenguaje natural (NLP) juegan un papel clave, ayudando a contextualizar datos complejos y heterogéneos".
Juan José Gómez
CMO de Coinscrap Finance
La inteligencia artificial generativa no es infalible. Y eso en finanzas es un riesgo.
Como profesional del marketing y apasionado por la tecnología, no puedo negar que la llegada de la inteligencia artificial generativa ha supuesto un antes y un después en la manera en la que trabajo. Se ha convertido en un increíble potenciador a la hora de crear contenido escrito, traducir, analizar datos, hacer fórmulas de Excel o escribir comandos en diferentes lenguajes de programación.
Pero –y aquí viene el quid de la cuestión de este artículo– no siempre lo hace bien. Y lo que es peor aún, uno mismo tampoco es consciente de que esto ocurre.
El motivo es algo, en realidad, muy complejo y existe una barrera técnica que se escapa a mi conocimiento –como perfil no técnico–. Pero trataré de explicarte los motivos y qué podemos hacer para solucionarlo, desde la perspectiva del área de negocio.
El contexto en la inteligencia artificial generativa: la clave para conseguir respuestas precisas
Voy a ponerte en situación interactuando un poco con ChatGPT. Escribimos el siguiente prompt: "Gano 30.000 euros anuales, ¿qué casa me puedo permitir?"
Consulta a la que ChatGPT me responde: "Con un ingreso anual de 30.000 euros aquí va una estimación para saber qué casa te puedes permitir"
Cálculo del pago mensual de hipoteca con ChatGPT
Se recomienda que el pago mensual de hipoteca no supere el 30% de tus ingresos. Entonces, el cálculo sería el siguiente:
"Podrías pagar unos 750 euros al mes de hipoteca."
Estarás de acuerdo conmigo en que la respuesta es –más o menos– buena… Para la información y el contexto del que dispone en ese momento, claro. Porque, si ya estoy pagando un importe mensual parecido en la hipoteca de otra vivienda, estoy cancelando un crédito que pedí para realizar un máster o simplemente mis ingresos no son estables, en el caso de asumir ese nuevo gasto mensual pondría en grave riesgo mi salud financiera.
Si te interesa conocer cómo la IA toma las decisiones, nuestro CTO Óscar Barba escribe aquí sobre la explicabilidad de la IA.
¿Por qué ChatGPT no me ofrece una respuesta mejor?
ChatGPT y otras inteligencias artificiales generativas son muy útiles, pero al no disponer de un contexto enriquecido, ofrecen su output a partir de la información que se le facilita y el entrenamiento que han recibido. En definitiva, una respuesta potencialmente inexacta, al no tener a su alcance los datos para interpretar correctamente la totalidad de mi realidad financiera.
Ahora, imagina que conociera exactamente de dónde provienen mis ingresos y cuál es su recurrencia. O a dónde van mis gastos y cuáles de ellos tienen lugar en categorías que podrían catalogarse como "Ocio" y "Viajes" Lo mismo si comparto cuentas con personas que también tengan ingresos.
Toda esa información realmente sería un contexto curado. Si ChatGPT lo hubiera tenido a su alcance, su respuesta habría sido de mayor calidad y relevancia. Podría personalizarla según mi situación actual o incluso ser capaz de realizar una proyección de cara al futuro.
¿Y cómo proveer a una inteligencia artificial generativa del contexto necesario para que pueda entregar respuestas hiperpersonalizadas? Te voy a hablar de ello a continuación, porque eso es precisamente lo que hacemos en Coinscrap Finance.
El papel del enriquecimiento de datos transaccionales en la creación de contexto curado
Desde nuestros comienzos en 2016, como una fintech B2C dedicada al microahorro, empezamos a tener relación con los datos de pago de los clientes.
Enseguida nos dimos cuenta de que, si éramos capaces de estructurar, categorizar y enriquecer los datos transaccionales, podríamos comprender los hábitos financieros de los usuarios. Y en un entorno cada vez más digital, donde el uso de efectivo no hace más que menguar –al menos en esta parte del mundo–, esto suponía entender prácticamente todo sobre ellos.
Con el paso de los años, desarrollamos la tecnología y creamos nuestro algoritmo COCO, que usa machine learning y procesamiento de lenguaje natural para convertir los datos bancarios en bruto en información accionable y útil para la toma de decisiones.
COCO añade atributos como la categoría, subcategoría, tipo, especialidad, merchant, geolocalización, recurrencia y más, a los millones de datos transaccionales que genera un banco cada día.
Así, ayudamos a los bancos a construir el contexto necesario para que su asistente virtual generado con IA pueda dar respuestas veraces y personalizadas a preguntas como: ¿cuánto puedo pagar de hipoteca?, ¿me podré ir de vacaciones de nuevo este verano? o
"¿Qué coche me puedo permitir?"
La IA generativa es una herramienta increíble, pero su efectividad en la industria financiera depende de la creación y mantenimiento de un contexto curado que dé sentido a los datos en bruto. En un área donde cada decisión tiene un impacto real en nuestra salud financiera, la capacidad de transformar datos desestructurados en información precisa y útil no es solo una ventaja, es una necesidad.
Sobre el autor
Juan José Gómez es CMO de Coinscrap Finance y idera al equipo de Marketing en la definición de estrategias y la puesta en marcha de acciones de comunicación y branding. A través de una estrecha colaboración con ventas, trabaja continuamente en la mejora de los procesos de captación de leads y clientes potenciales.
Licenciado en Publicidad y Relaciones Públicas, posee varios posgrados en Marketing Digital, Inbound, Social Media y Analítica. Su trayectoria abarca la creación de proyectos para multinacionales, pymes y startups de diferentes sectores. Gracias a su experiencia en el mundo B2B y B2C, es capaz de enfocar el crecimiento de nuestra scaleup desde múltiples ángulos.