Bancos y Fintech: El Desafío Oculto de la Inteligencia Artificial Variable
El sector financiero, uno de los mayores consumidores de tecnología, enfrenta un nuevo paradigma de costos con la inteligencia artificial. A diferencia de las licencias tradicionales, la IA introduce un modelo de pago por consumo basado en 'tokens', lo que significa que el costo escala directamente con el uso y la complejidad del procesamiento. Este cambio, especialmente crítico en automatizaciones, exige que bancos y fintechs adopten enfoques como FinOps para medir no solo el gasto, sino también el valor real generado por la IA, transformando la presupuestación y la gestión estratégica de esta tecnología esencial para la eficiencia y la competitividad.
La Inteligencia Artificial Redefine la Economía del Sector Financiero
La tecnología ha sido, durante años, el sistema nervioso central del sector financiero. Desde la gestión de pagos y aplicaciones móviles hasta la prevención del fraude y la ciberseguridad, los bancos y las fintech han invertido masivamente en software, consolidándose como los principales clientes de la industria tecnológica. Según un informe de Ycon Research y Cloudbeach, el sector financiero representó el 20.1% de la facturación de la industria argentina de software en 2025, superando a otros grandes demandantes como la energía y los seguros. Esta intensidad tecnológica, donde las empresas pueden destinar más del 8-10% de su facturación a tecnología, comparado con un promedio del 5% en otros sectores (referencia de CESSI), ha sentado las bases para la siguiente gran ola: la inteligencia artificial. Sin embargo, la IA no es solo una extensión de las inversiones previas; introduce una dinámica de costos fundamentalmente diferente que está obligando a las instituciones financieras a replantear sus estrategias presupuestarias y de valoración.
Tradicionalmente, el gasto en software se gestionaba a través de licencias fijas, suscripciones o infraestructura en la nube con costos predecibles. La inteligencia artificial, particularmente los modelos de lenguaje grandes (LLMs) y otras aplicaciones avanzadas, introduce una variable de consumo que puede escalar directamente con el uso, asemejándose más a una factura de servicios públicos que a una compra de software convencional.
El Costo Invisible: Entendiendo el Modelo de Tokens
El corazón de este nuevo modelo de costos reside en una unidad poco conocida: el token. Los modelos de IA procesan el texto —ya sean consultas de clientes, documentos internos o datos transaccionales— en estas unidades. Un token puede ser una palabra, parte de una palabra, un carácter o un signo de puntuación, y su cantidad exacta varía según el modelo, la codificación y el idioma. Es crucial entender que existen tokens de entrada (la información que se envía al modelo) y tokens de salida (la respuesta generada por el modelo), y en sistemas más sofisticados, incluso tokens asociados al razonamiento o al uso de contexto almacenado.
Cada categoría de token puede tener un precio distinto. Esto significa que un banco o una fintech ya no paga una suma fija por "tener" inteligencia artificial. En cambio, paga por cada interacción que el modelo procesa. Una consulta de un cliente respondida por un chatbot, el análisis de un documento legal o la clasificación automática de una operación financiera, todas estas acciones implican un consumo de tokens y, por ende, un costo. Cuanto mayor sea el volumen de interacciones y la complejidad del procesamiento, mayor será la factura. La variabilidad del costo no solo depende del volumen, sino también del modelo de IA específico utilizado y de la eficiencia con la que se gestiona la entrada y salida de información.
La Automatización y la Explosión de Gastos
El verdadero desafío emerge cuando la IA trasciende ser una herramienta asistencial para convertirse en un componente automatizado e integral de los procesos de negocio. Un chatbot que responde a miles de consultas de clientes, un sistema de detección de fraude que analiza millones de transacciones en tiempo real, o un bot que resume y clasifica automáticamente la correspondencia entrante, son ejemplos de automatizaciones que multiplican exponencialmente el consumo de tokens.
Alexander Ditzend, presidente de la Sociedad Argentina de Inteligencia Artificial (SAIA), subraya la magnitud de esta diferencia: "Cuando se hacen ese tipo de automatizaciones o bots que responden a un evento (por ejemplo, llega un correo a soporte y se contesta automáticamente), eso no se puede hacer con una cuenta de 20 dólares; ahí hay que pagar tokens." Mientras que una herramienta licenciada para un número fijo de empleados permite una previsión de gasto relativamente precisa, una automatización que procesa miles o millones de solicitudes introduce una sensibilidad directa al nivel de actividad que puede hacer que la factura se dispare de forma inesperada.
De la Gestión del Gasto a la Medición del Valor: El Rol de FinOps
Para las entidades financieras, la capacidad de monitorear el consumo de tokens es un primer paso esencial para controlar los costos, pero no es suficiente. El objetivo final no es solo saber "cuánto cuesta", sino "qué valor genera". Una herramienta de IA puede consumir millones de tokens y, aun así, generar un ahorro sustancial o una mejora de eficiencia crítica que justifique la inversión. Por otro lado, un gasto menor en tokens podría no producir ningún impacto significativo.
Aquí es donde entra en juego la filosofía FinOps, que aboga por una evolución desde el simple control del gasto hacia una medición activa del valor de la tecnología. En el contexto de la IA, esto significa ir más allá del conteo de tokens para evaluar métricas como el costo por operación resuelta, por consulta atendida, por documento procesado o por proceso automatizado. La FinOps Foundation está desarrollando herramientas y estándares para facilitar un monitoreo más granular de los gastos en IA, incluyendo no solo tokens, sino también solicitudes a modelos y utilización de unidades de procesamiento gráfico (GPU), con el fin de relacionar el consumo tecnológico directamente con los resultados de negocio.
Implicaciones Estratégicas para el Sector Financiero
La adopción de la inteligencia artificial en áreas críticas como la atención al cliente, el análisis documental, la prevención de fraude y la asistencia interna es ya una necesidad estratégica para bancos y fintech. Sin embargo, el verdadero desafío futuro no radicará solo en la implementación de estas herramientas, sino en la capacidad de las organizaciones para presupuestar, controlar y optimizar una tecnología cuyo costo se incrementa con cada uso.
Esto exige una nueva mentalidad en la planificación financiera y tecnológica. Los equipos deben poder anticipar no solo el costo de implementación, sino también el volumen de operaciones que generará una solución de IA, el consumo estimado de tokens por cada operación y, fundamentalmente, el retorno económico esperado. La gobernanza de la IA, la selección de modelos eficientes, la optimización de las interacciones y la inversión en capacidades de FinOps específicas para IA se convertirán en pilares para asegurar que la inteligencia artificial sea un motor de valor y no una fuente de costos descontrolados.
El sector financiero está en la cúspide de una transformación impulsada por la IA. El próximo gran desafío será dominar la gestión económica de esta poderosa tecnología, asegurando que su inmenso potencial se traduzca en eficiencias y ventajas competitivas sostenibles, y no en una carga financiera imprevista.