De la puntuación al razonamiento: hacer operativa la IA de confianza con Cloudera, NVIDIA y Dell Technologies para los servicios financieros.
La IA empresarial ha cruzado un umbral importante en los últimos dos años. La conversación ya no gira en torno a si la IA funciona o a qué modelos evaluar, sino a cómo implementar la IA en producción de forma fiable, ejecutarla a escala y respaldar cada decisión que toma. Las cuestiones que ocupan hoy a los líderes de IT y empresariales son de carácter operativo. ¿Dónde deberían residir las cargas de trabajo de IA, cómo deberían conectarse con los datos que las hacen útiles y cómo puede la organización mantener el control sobre las respuestas que produce la IA?
Detrás de ese cambio operativo hay otro más profundo. Para las empresas de servicios financieros que gestionan la detección del fraude y el riesgo crediticio, las primeras implementaciones de IA se centraban en predicciones aisladas y resultados binarios. Los requisitos actuales exigen sistemas capaces de razonar a partir de múltiples fuentes de datos, explicar sus decisiones y actuar de forma coordinada e instantánea. Este paso de la puntuación al razonamiento está transformando la forma en que las organizaciones abordan sus flujos de trabajo más decisivos.
Ese cambio requiere una base diferente. Datos fiables en los que la IA pueda basarse, una infraestructura de IA diseñada específicamente para este fin o fábricas de IA capaces de ofrecer inferencia en tiempo real a gran escala, y la capacidad de mantener los datos sensibles en entornos soberanos y seguros. Cloudera AI, acelerada por NVIDIA e implementada en la infraestructura de Dell Technologies, ofrece a las empresas una base práctica para este momento, con los servicios financieros como ejemplo destacado y una propuesta de valor que se extiende a cualquier organización que lleve la IA de la fase piloto a producción.
De la experimentación a la operación
Una investigación de Enterprise Strategy Group, que ahora forma parte de Omdia, indica que el 78 % de las organizaciones de servicios financieros consideran que los agentes de IA son una prioridad máxima o alta en comparación con otras iniciativas de IA. Esta mayor prioridad no es exclusiva de los servicios financieros. En los sectores regulados, la IA ha pasado de ser objeto de proyectos experimentales a una prioridad para los consejos de administración, con especial atención a los procesos empresariales de mayor trascendencia. La lucha contra el blanqueo de capitales, el análisis de solvencia crediticia, la gestión de riesgos y la detección de fraudes figuran entre los principales casos de uso, pero la misma tendencia se observa en los sectores sanitario, de las telecomunicaciones, público y manufacturero.
La misma investigación pone de manifiesto fricciones. El 51 % de las organizaciones de servicios financieros manifiestan preocupación por la privacidad de los datos y el tratamiento de la información confidencial cuando utilizan agentes de IA. El 45 % muestra preocupación por la falta de precisión en la toma de decisiones de los agentes de IA. Estas no son reticencias a la adopción propias de la era de la experimentación. Son requisitos operativos que cualquier sistema de IA en producción debe cumplir, y las decisiones arquitectónicas que se tomen hoy respaldarán o socavarán esos requisitos durante años.
Una nueva arquitectura: de la puntuación al razonamiento
El aprendizaje automático tradicional sigue aportando un valor enorme para la puntuación de gran volumen y alta velocidad. Los modelos entrenados con datos estructurados evalúan las transacciones en menos de 50 milisegundos e identifican anomalías a gran escala. Lo que al aprendizaje automático no se le da bien es explicarse a sí mismo. Una puntuación le dice a un investigador lo que ha pasado. No le dice por qué, y no le da al revisor humano el contexto necesario para tomar una decisión con confianza.
La IA generativa llena ese vacío. Los modelos de lenguaje de gran tamaño pueden procesar miles de páginas de documentos, extraer señales relevantes y generar resúmenes narrativos que explican situaciones complejas en un lenguaje sencillo. En un caso de fraude, la IA generativa elabora un informe de investigación que contextualiza por qué se marcó una transacción. Para una decisión crediticia, redacta un memorándum preliminar que sintetiza datos financieros estructurados, inteligencia de mercado y análisis no estructurados.
La IA agéntica orquesta estas capacidades en flujos de trabajo integrados. En lugar de pedir a los analistas humanos que recopilen información de sistemas inconexos, los agentes recuperan de forma autónoma los datos relevantes, activan los modelos adecuados y elaboran una evaluación exhaustiva que un humano revisa y sobre la que toma una decisión. El resultado son decisiones más rápidas y resultados mejor explicados, sin que el humano pierda el control de la decisión final. Esta es la arquitectura que NVIDIA denomina AI Factory para servicios financieros: un sistema completo y listo para producción en el que agentes de IA gobernados y de alto rendimiento operan en los flujos de trabajo financieros fundamentales, desde la detección del fraude y la suscripción de créditos hasta el modelado de riesgos y la inteligencia de clientes, transformando los centros de datos tradicionales en entornos a escala industrial para generar inteligencia.
Dónde debe estar la IA: con los datos
La pregunta operativa más decisiva para la IA empresarial es también la más sencilla. ¿Dónde debería ejecutarse la IA? La respuesta está cada vez más clara. La IA ofrece su máximo valor empresarial cuando se ejecuta allí donde están tus datos, ya sea en tus propias instalaciones, en la nube o en entornos híbridos. Para las entidades financieras, esto no es una cuestión de preferencias arquitectónicas, sino una necesidad regulatoria y competitiva. Los bancos y los proveedores de pagos que entrenan modelos personalizados y adaptados a su ámbito de actividad a partir de sus propios datos de transacciones crean un activo de inteligencia que la competencia no puede replicar. Cloudera permite implementar la IA allá donde residan esos datos.
Lo que cambia cuando la IA se ejecuta junto con los datos de la empresa es la calidad del contexto. Una puntuación de riesgo por sí sola es solo un número. Una puntuación de riesgo con acceso completo a las transacciones recientes, el historial del cliente, las señales de los dispositivos y el comportamiento de la cuenta se convierte en una recomendación contextualizada sobre la que una persona puede actuar con confianza. Esta profundidad contextual, la capacidad de extraer señales predictivas de los conjuntos de datos multimodales que las entidades financieras ya tienen, es lo que diferencia a las entidades que desarrollan inteligencia de IA propia de las que se basan en modelos genéricos.
IA de Cloudera, acelerada por NVIDIA, en Dell Technologies para los servicios financieros
Cloudera proporciona la base de datos de confianza. La plataforma híbrida de datos e IA de Cloudera unifica datos estructurados y no estructurados en una arquitectura lakehouse abierta. Data in Motion de Cloudera captura flujos en tiempo real junto con datos históricos, mientras que Shared Data Experience ofrece un gobierno y seguridad coherentes en entornos locales, de nube privada y de nube pública. La plataforma está diseñada para mantener los datos confidenciales dentro de su ámbito de control, al tiempo que los pone a disposición de los sistemas de IA que los necesitan.
NVIDIA acelera la canalización de IA a través de una plataforma AI Factory de pila completa. Las GPU Blackwell de NVIDIA reducen el tiempo de entrenamiento del aprendizaje automático tradicional y permiten la inferencia a gran escala para redes neuronales y modelos de lenguaje. Para el modelado de riesgos, la aceleración de NVIDIA transforma simulaciones que antes tardaban toda la noche en análisis casi en tiempo real. Cloudera AI Inference, con tecnología de NVIDIA, permite a las organizaciones implementar y escalar modelos de forma local, con la pila de IA de NVIDIA, que incluye NVIDIA Nemotron, la familia de modelos abiertos y adaptables a distintos dominios de NVIDIA que las instituciones pueden afinar con sus propios datos, el servidor de inferencia NVIDIA Dynamo-Triton y NVIDIA AI Enterprise, el sistema operativo de AI Factory, que ofrece microservicios NIM para una inferencia optimizada de baja latencia y NeMo para crear y afinar modelos personalizados. El NVIDIA AI Blueprint para la detección del fraude financieros se basa en redes neuronales de grafos y en el ejemplo para desarrolladores Build Your Own Transaction Foundation Model. Los blueprints están disponibles en NVIDIA y ofrecen a las organizaciones un punto de partida concreto para crear aplicaciones de IA basadas en datos financieros.
Dell Technologies proporciona la infraestructura empresarial que integra toda la solución. Los servidores Dell PowerEdge configurados con GPU NVIDIA Blackwell ofrecen la densidad de cálculo que requieren las exigentes cargas de trabajo de IA, al tiempo que mantienen ese cálculo en el mismo entorno físico que los datos confidenciales con los que opera. En conjunto, esta solución puede ofrecer un coste total de propiedad considerablemente menor que el de la inferencia en la nube pública equivalente, con una economía predecible que escala con el uso en lugar de ir en su contra.
Dos casos de uso en acción: detección de fraudes y riesgo crediticio
Los servicios financieros ilustran el valor de esta arquitectura. En la detección del fraude en tiempo real, Cloudera captura las transacciones junto con el historial de interacciones del cliente, los metadatos del dispositivo y las señales de comportamiento. Los modelos fundacionales para transacciones, una IA basada en Transformers y entrenada con miles de millones de eventos financieros, interpretan el comportamiento en su contexto, donde el momento, el dispositivo, la ubicación y la actividad previa influyen en el significado. Por ejemplo, un pago a medianoche tiene un significado diferente si es el cuarto en diez minutos, se realiza desde un dispositivo desconocido y en una ciudad desde la que el cliente nunca ha hecho una transacción antes. Los modelos de aprendizaje automático acelerados por NVIDIA, como Nemotron o los modelos fundacionales de código abierto, evalúan cada transacción dentro de los límites de latencia que exigen las redes de pago instantáneo. Cuando se marca una transacción, un flujo de trabajo agéntico en Cloudera IA recupera el contexto relevante, y un modelo de lenguaje genera un expediente con una explicación en lenguaje natural de los factores de riesgo. El investigador ya no recibe solo una puntuación y una carga de trabajo. Recibe un resumen preliminar de la investigación y una decisión más rápida y mejor fundamentada.
La evaluación del riesgo crediticio muestra el mismo cambio. Las puntuaciones de las agencias de crédito y el historial de pagos estructurado siempre han sido limitados. La información no estructurada que podría enriquecer una decisión crediticia, como los estados financieros, los análisis de mercado y la cobertura mediática, siempre ha requerido demasiado trabajo como para escalarla. La plataforma combinada unifica estas fuentes en un lakehouse gobernado que utiliza simulaciones de Monte Carlo y modelado de riesgos aceleradas por NVIDIA; cargas de trabajo que la plataforma full-stack de NVIDIA ejecuta a una fracción del coste de la infraestructura heredada; utiliza la aceleración de NVIDIA para ejecutar simulaciones sofisticadas que antes habrían alargado los plazos de decisión; y genera informes crediticios preliminares que los gestores de préstamos perfeccionan en lugar de redactar desde cero.
La misma lógica se aplica a la resolución de siniestros en el sector asegurador, al apoyo a la toma de decisiones clínicas en el ámbito sanitario, a los riesgos de la cadena de suministro en la fabricación y a las operaciones de inteligencia en el sector público. El caso de uso varía según el sector. La arquitectura no.
Del conocimiento al resultado
Las organizaciones que adoptan este enfoque observan un conjunto coherente de resultados:
Decisiones más rápidas en los flujos de trabajo más importantes, con inferencias de menos de 50 milisegundos para la puntuación en tiempo real y ciclos drásticamente más cortos para las cargas de trabajo analíticas
Decisiones mejor explicadas respaldadas por el linaje de datos, el contexto y los metadatos empresariales que satisfacen tanto las revisiones internas como el escrutinio normativo
Menor coste total de propiedad en comparación con la inferencia en la nube pública, con costes previsibles a medida que aumenta el uso
Menor riesgo gracias a la alineación arquitectónica con los requisitos de soberanía de los datos, cumplimiento y gobierno
Estas ventajas se acumulan. La misma arquitectura que permite la IA operativa actual se convierte en la base de la próxima generación de agentes, del siguiente conjunto de casos de uso y de la próxima fase de automatización, sin tener que reconstruir la capa subyacente de datos y gobierno.
El camino hacia la IA operativa para los servicios financieros
La siguiente fase de la IA empresarial vendrá definida menos por las capacidades de los modelos y más por la disciplina operativa. Las entidades que tengan éxito serán aquellas que pasen de centrarse en los datos a centrarse en la inteligencia, creando IA propia a partir de sus propios datos, implementándola en entornos seguros y soberanos, y gobernándola con la auditabilidad que exigen los reguladores y los comités de riesgo. Cloudera AI, acelerada por NVIDIA e implementada en la infraestructura de Dell Technologies, ofrece a las empresas un camino práctico hacia ese objetivo, cambiando el enfoque de lo que la IA puede hacer a lo que la IA está haciendo, cada día, en los sistemas que más importan.
Para obtener más información, descarga: Informe Omdia Showcase sobre detección de fraude y evaluación del riesgo crediticio con Cloudera AI, acelerada por NVIDIA en Dell Technologies y Seminario web bajo demanda de BrightTALK.