Por: Gustavo Valderrama Economista, especialista en Gestión Integral de Riesgos Bancarios y Macroeconomía. Maestría en Economía y Finanzas -INCAE. Ex-Viceministro de Economía (2018 – 2019).
La banca atraviesa una transformación acelerada impulsada por la IA, el machine learning y los modelos de scoring. Estas herramientas permiten procesar en segundos lo que antes tomaba horas o incluso días. La rapidez es indiscutible. Pero la efectividad real no siempre acompaña este ritmo: la mora sigue siendo la mora, los riesgos estructurales permanecen, aumenta el riesgo operativo y el riesgo tecnológico, y además emergen nuevos tipos de riesgo, como el riesgo de modelos.
El origen de esta brecha está en la presencia de dos lenguajes que aún no aprenden a comunicarse de manera fluida:
⏬️El de los desarrolladores tecnológicos, que dominan algoritmos, programación y big data, pero cuyo fin de fondo suele estar orientado a la satisfacción del área comercial.
⏫️El de los gestores de riesgo y las áreas de control, que reciben modelos que muchas veces funcionan como cajas negras. Pueden leer resultados, pero no siempre comprenden la lógica detrás ni las limitaciones de los supuestos.
Este vacío genera una pérdida de valor: los desarrolladores crean con un propósito distinto, centrado en el avance tecnológico y la respuesta a necesidades comerciales, mientras que los gestores —en su mayoría migrantes digitales— manifiestan desconocimiento de la lógica que subyace en los modelos. El resultado es una brecha cultural y operativa que debilita la efectividad y puede terminar amplificando los riesgos en lugar de mitigarlos.
Un reto adicional está en la gestión y calidad de los datos. En los últimos años, los bancos han debido realizar inversiones constantes para depurar, organizar y mantener actualizada la información. Este esfuerzo es recurrente y, aunque compite con otros proyectos de innovación, resulta imprescindible para que los modelos tecnológicos generen valor real y confiable.
La cuestión de fondo no es qué tan avanzada es la tecnología que adoptamos, sino cómo cerramos la brecha entre el desarrollo tecnológico y la gestión de las áreas de control. Algunas acciones son claras:
▶️Formar equipos híbridos, que integren desarrolladores, analistas de datos y gestores de riesgo.
▶️Impulsar capacitación cruzada, para que los profesionales de riesgo comprendan lo esencial de analítica y los científicos de datos entiendan provisiones y métricas prudenciales.
▶️Fortalecer la gobernanza de modelos, incorporando el Model Risk Management en la gestión del riesgo.
▶️Invertir en calidad de datos.
En definitiva, los algoritmos y la velocidad se resumen en una premisa sencilla: la calidad de los datos y la capacidad de integrar ambos lenguajes son la base de una gestión de control efectiva.
El verdadero reto no está en correr más rápido, sino en crear el puente adecuado para que la innovación tecnológica hable el mismo idioma que las áreas de control.
Descargo de responsabilidad – Panamá Banking News
Las opiniones expresadas en esta columna son responsabilidad exclusiva de su autor y no reflejan necesariamente la postura de Panamá Banking News. El contenido es únicamente informativo y no constituye asesoramiento financiero, legal ni profesional. Este artículo ha sido elaborado de manera independiente y no ha recibido financiamiento, patrocinio ni compensación de terceros.
