El jefe del AI Lab de OTP Bank explica por qué la IA fracasa al principio por realidades c

Los proyectos de IA a menudo tropiezan no porque los modelos en sí sean débiles, sino porque las empresas y sus empleados tienen distintas comprensiones de los mismos procesos. Alexey Mezentsev, jefe del AI Lab de OTP Bank, compartió esta idea en el Día de la Juventud de la conferencia “Game Theory and Management”. Su conclusión contundente: entrenar un sistema de IA con datos incompletos o desactualizados hace que tome decisiones equivocadas con confianza.

Mezentsev explicó que la automatización se descarrila cuando las empresas digitalizan únicamente las reglas y los protocolos oficiales. Sobre el papel, los procedimientos parecen ordenados, pero en la realidad los empleados con frecuencia añaden sus propios pasos, se saltan partes redundantes, comprueban manualmente o gestionan tareas de forma distinta a las instrucciones documentadas. Si la IA pasa por alto esta capa informal, ve una imagen distorsionada y acaba acelerando los flujos de trabajo equivocados en lugar de escalar los previstos.

Según el máximo responsable de IA de OTP Bank, la implementación exitosa de la IA debe comenzar no con la elección del modelo sino con la alineación sobre la “realidad”: cómo funcionan realmente los procesos, dónde ocurren las excepciones y qué consideran los empleados un resultado normal frente a un fallo. Cuando se integra la aportación del personal de esta manera, pasan a ser colaboradores en lugar de obstáculos para la automatización, aportando contexto crucial. Sin esta alineación, las empresas corren el riesgo de invertir en sistemas de IA costosos que cometen errores con confianza.

Recomendado

El laboratorio de Mira Murati presenta Inkling, un modelo abierto de 975 000 millones de p

Mezentsev también desafió los típicos debates estratégicos sobre las prioridades de los proyectos de IA. En su lugar, aboga por un enfoque pragmático: probar hipótesis con pilotos pequeños y medir de inmediato el impacto en términos financieros. Su lógica es sencilla: si una hipótesis no puede demostrar su valor rápidamente en un experimento limitado, es demasiado pronto para escalarla a una iniciativa importante de IA con equipos dedicados y grandes presupuestos.

Esta mentalidad coincide con las tendencias actuales de la industria bancaria. McKinsey estima que la banca está entre los sectores donde la IA generativa podría ofrecer un impacto económico sustancial —siempre que los esfuerzos de IA se integren en procesos empresariales reales en lugar de quedar aislados en pilotos. Gartner ha señalado repetidamente que muchas iniciativas de IA se estancan entre la fase piloto y el despliegue total debido a desafíos relacionados con la calidad de los datos, la gobernanza y la alineación con los objetivos de negocio. En Rusia, bancos como Sber, Tinkoff Bank y VTB ya están aprovechando la IA para atención al cliente, evaluación crediticia, detección de fraude y operaciones internas.

En la conferencia GTM 2026, donde también hablaron el matemático Alexey Savvateev y otros líderes del sector, Mezentsev añadió un factor clave más para el lanzamiento exitoso de la IA: el beneficio tangible de cualquier nuevo sistema debe ser perceptible no solo para los departamentos de TI o los directivos, sino para todos los implicados —desde los empleados de primera línea hasta los clientes. Esto es especialmente crítico en la banca, donde los procesos complejos y las estrictas regulaciones hacen que los errores en el “mapa de la realidad” utilizado para entrenar la IA sean aún más costosos.

En los próximos años, los bancos que logren cerrar la brecha entre los modelos de IA basados en datos y las realidades humanas y desordenadas de los flujos de trabajo diarios tendrán una ventaja clara. La prueba real ya no es solo construir algoritmos inteligentes, sino integrarlos en contextos organizativos que reflejen cómo funciona realmente el negocio.