Bancos y fintech adoptan modelos fundacionales de transacciones para unificar la IA

Qué pasó y por qué importa: bancos y empresas fintech están sustituyendo arquitecturas de IA fragmentadas por modelos fundacionales de transacciones que unifican la inteligencia sobre el comportamiento del cliente. La consolidación promete decisiones cross‑producto más coherentes y despliegues más rápidos, lo que podría mejorar desde la detección de anomalías hasta la personalización de ofertas.

Alcance y adopción: según el informe State of IA in Financial Services de 2026, el 65% de las instituciones ya usan IA; casi el 90% la despliega o la evalúa y prácticamente todas mantienen o aumentan su inversión. Ese patrón de adopción explica la presión para pasar de soluciones puntuales a plataformas de representación única que escalen con el volumen de datos.

Qué son los modelos y cómo funcionan: los modelos fundacionales de transacciones son transformers entrenados en miles de millones de eventos — pagos, transferencias, interacciones de producto y señales de comportamiento — que convierten datos tabulares en representaciones contextualizadas. Revolut desarrolló PRAGMA, una familia de modelos entrenada con 24. Según Tadas Kriščiūnas, head of group credit data science en Revolut, eso elimina semanas o meses de ingeniería de características.

Motivación técnica y ventajas frente a modelos específicos: a escala, las arquitecturas fragmentadas limitan la capacidad de razonamiento y mantenimiento. Aplicando transformers a datos tabulares y valorando explícitamente el contexto — tiempo, dispositivo, ubicación y actividad previa—, estos modelos mejoran no solo la detección de fraude, sino también el scoring crediticio y las recomendaciones, en comparación con modelos diseñados por tarea.

Consecuencias prácticas: una única representación entrenada con datos propietarios reduce la necesidad de features hechas a mano, acelera despliegues y facilita decisiones cross‑producto. Para las instituciones esto puede traducirse en detección de anomalías más precisa, ofertas más relevantes para el cliente y mayor eficiencia operativa a medida que crecen los volúmenes de datos.