La banca se enfrenta al reto de escalar el uso de inteligencia artificial desde pilotos aislados hacia la obtención de impacto real en lo que se refiere a procesos y procesos de decisión. Ha respondido el DBS Bank a esta necesidad desarrollando más de 20 casos de uso de IA en producción, aplicados a fraude, servicio al cliente y eficiencia operativa; con un enfoque en explicabilidad y confianza de los resultados finales.
VISIÓN
Hacer que todas las operaciones del banco (servicio al cliente, financiamiento, productos, engagement, riesgo) estén soportadas por modelos de IA, con uso ético (“Responsible AI”) y capacidad para escalar nuevas tecnologías (incluyendo Generative AI) manteniendo confianza, cumplimiento normativo y relevancia para el cliente.
INNOVACIÓN Y PROCESOS CLAVES
| Proceso / Área | Qué hicieron | Cómo lo lograron / Qué lo hace innovador |
|---|---|---|
| Industrialización de IA | Más de 1.500 modelos IA en producción, más de 350 casos de uso aplicados. | Crecieron la infraestructura de datos, entrenaron equipos internos, definieron tiempos de valor (“time-to-value”) mucho más cortos (antes 18 meses para modelo; ahora 2-3 meses). |
| Estructura de trabajo / cultura | Implementación de “horizontal squads” denominadas “Managing through Journeys” (MtJs) donde equipos multifuncionales se organizan por journeys del cliente en lugar de funciones aisladas. Embedieron especialistas de datos dentro de esos squads. | Esto permite mejorar velocidad de respuesta, iteración continua, cerrar el ciclo entre feedback del cliente y mejoras de servicio. |
| Generative AI & herramientas internas | Herramientas internas como “DBS-GPT” para empleados, copilotos para agentes de servicio al cliente; idea de nudges de cliente (“Next Best Nudge”) con interacciones personalizadas mensuales en gran volumen. | Esto no solo impulsa la experiencia del cliente, sino también la eficiencia operativa; reduce tiempos y mejora precisión en decisiones. |
| Gobernanza responsable de IA | Definieron principios de IA ética: PURE: Purposeful, Un-surprising, Respectful, Explainable. Establecieron comité senior para supervisar casos de uso, controles de privacidad / sesgo / riesgo. | Es lo que permite adoptar IA en banca sin comprometer la confianza del cliente ni incurrir en riesgo regulatorio. |
RESULTADOS Y MÉTRICAS CLAVES
| Métrica | Resultado documentado |
|---|---|
| Valor económico estimado por uso de IA | Se espera que el valor económico generado por IA supere los SGD1.000 millones para 2025. |
| Uso de modelos / casos de uso | Más de 350 casos de uso; >1.500 modelos en producción. |
| Reducción del time-to-value para modelos de IA/ML | De ~18 meses a ~2-3 meses para escalar modelos. |
| Mejora SME & consumidor | Crecimiento ~44 % en ingresos para segment SME; ~46 % en Treasures (patrimoniales) en regiones como Indonesia, China e India. |
| Eficiencia en atención al cliente | Con Generative AI, reducción significativa en tiempo de conversación de agentes de servicio al cliente; uso de copilotos (disminuyendo tareas manuales) |
APLICABILIDAD AL SISTEMA FINANCIERO
- El modelo de squads horizontal basados en journeys puede ayudar a romper silos entre producto, UX, servicio, operaciones y riesgo.
- Principios de IA responsable como PURE son muy relevantes para cumplir regulaciones locales y generar confianza en clientes sensibles al uso de datos.
- Herramientas de “nudges” personalizados, copilotos internos, y recomendaciones financieras pueden aplicarse para mejorar ahorro, engagement, fidelización.
- Reducir el time to value en modelos de IA es clave para innovar rápido sin perder rigurosidad.
LECCIONES ESTRATÉGICAS
- Empieza con infraestructura y gobernanza robusta antes de escalar IA para evitar riesgos reputacionales.
- Usa pilotos que generen valor visible para clientes/negocio, luego escala.
- Cultura interna: entrenamiento, interdisciplinariedad, responsabilidad ética, transparencia.
- Mantén al cliente en el centro: modelos que no solo sean precisos, sino explicables, útiles y mínimos fricción.
