AI Top Business Leaders México | Entrevista editorial
GBM construyó durante décadas su fortaleza en la asesoría patrimonial a clientes de alto valor. Una fuerte inyección de capital del fondo japonés SoftBank ha impulsado un cambio de escala y la expansión hacia el inversionista minorista, que obligaba a repensar un modelo diseñado para un perfil muy diferente. En paralelo, inversionistas y mesa directiva han establecido el mandato claro de incorporar la inteligencia artificial (IA) en distintas áreas de la organización.
León Palafox, director del Laboratorio de Innovación en IA de GBM, ha llegado a la empresa para liderar ese esfuerzo. Desde entonces, la estrategia ha avanzado de la priorización de casos de uso y el gobierno de datos hacia la personalización de la experiencia y herramientas destinadas a ampliar la capacidad de los asesores. El recorrido ha revelado desafíos relacionados con la infraestructura, la regulación y la dependencia de modelos desarrollados fuera de México, mientras el criterio para medir el avance se desplaza hacia una pregunta esencial: cuánto valor genera cada iniciativa.
¿Cómo comenzó la estrategia de IA en GBM?
Se convirtió en un mandato de la organización. Tanto los inversionistas como la mesa directiva querían incorporar IA en las distintas áreas y buscaban a alguien que pudiera liderar esa estrategia. Ese fue precisamente mi cometido al llegar a GBM.
Coincidió con un momento de transformación importante. La empresa venía de ser muy fuerte en asesoría patrimonial para clientes de alto valor y estaba avanzando hacia el inversionista minorista. Eso implicaba repensar muchas capacidades para atender a una base de clientes mucho más amplia. Desde ese momento, empezamos a explorar dónde podía aportar valor la IA.
¿Cómo se organiza hoy esa estrategia para llevarla a escala?
Tenemos una estructura híbrida. Cada área de negocio plantea sus casos de uso y nosotros los priorizamos, pero al mismo tiempo trabajamos de manera transversal en la base de datos de la empresa. La mayoría de las iniciativas depende de estandarizar, limpiar y gobernar los datos antes de poder avanzar. Con Finanzas evaluamos qué valor puede generar cada iniciativa, tanto para GBM como para los clientes.
Idealmente, todos los esfuerzos de IA pasan por esta estructura. Sin embargo, empieza a aparecer un fenómeno similar al Shadow IT: el Shadow AI (el uso de herramientas de IA al margen de los sistemas y controles establecidos por la organización, como cuentas personales de ChatGPT o soluciones contratadas por los propios empleados). Por eso estamos centralizando esos esfuerzos y estableciendo un gobierno común.
¿Qué casos muestran mejor dónde está generando valor la IA y qué resultados están viendo?
Uno de los primeros proyectos fue la personalización de la aplicación. Antes, la experiencia era prácticamente la misma para un cliente con 10 millones de pesos mexicanos que para uno con 100, aunque sus necesidades de inversión son muy diferentes. Empezamos a desarrollar personalizadores similares a los de Netflix o Amazon y hoy la experiencia es mucho más específica para cada cliente.
Otro frente responde a una limitación estructural. En México hay aproximadamente tres asesores de inversión por cada 100.000 personas, frente a nueve en Brasil y alrededor de cien en EE UU. Cada asesor atiende entre 200 y 300 clientes, por eso estamos utilizando IA no para sustituirlos, sino para ampliar su capacidad y mejorar la atención, desde apoyar llamadas y activación de cuentas hasta ofrecer información sobre los portafolios que agilice la relación con cada cliente.
Varias de estas iniciativas ya generan retorno. Hemos visto crecimientos de entre 10% y 15% sobre la tasa base y, en los últimos tres meses, alrededor de cinco millones de pesos adicionales en ingresos. Todavía son iniciativas acotadas, pero permiten medir su impacto.
¿Qué está condicionando ahora la capacidad de llevar esos resultados a escala?
Una parte está en la infraestructura. Como institución financiera tenemos un core que permite operar en tiempo real y, como ocurre en buena parte de la banca, es un sistema heredado. Cumple bien su función original, pero integrarlo con procesos de IA es complejo. El reto es extraer los datos y construir nuevas soluciones alrededor de ellos.
Otro factor es la regulación. Me preocupa que con la IA se repita una situación similar a la vivida con la nube en México y que una sobrerregulación termine limitando el uso de estas herramientas. A eso se suma un riesgo que recientemente se volvió más evidente: depender demasiado de modelos desarrollados fuera del país. En GBM ya estamos explorando modelos de pesos abiertos para tener mayor control y reducir esa dependencia.
" Queremos ampliar la capacidad de los asesores para que puedan atender mejor a más clientes. "
¿Qué necesita México para capturar más valor de la IA y ganar autonomía tecnológica?
Necesitamos desarrollar mayor independencia y no depender al 100% de modelos creados en EE UU. Eso requiere talento, ya que todavía hay muy pocas personas capaces de trabajar directamente con estos modelos, ajustarlos y desarrollar nuevas soluciones. Para las grandes empresas el desafío es mayor, porque tienen mucha inercia y no pueden cambiar de modelo de la noche a la mañana.
Me gustaría ver, en cinco o diez años, un México más independiente en inteligencia artificial y con una academia mucho más involucrada en la industria. Hoy esa relación todavía es limitada. Necesitamos formar talento y estrechar la colaboración entre universidades y empresas para construir mayor capacidad propia.
"Primero tienes que conectar la parte humana y después toda la parte de tecnología".
Después de este recorrido, ¿qué ha aprendido sobre cómo hacer que una transformación con IA funcione?
Vengo de la academia y al principio pensaba que lo importante era el modelo. Después de muchos golpes entendí que era la generación de valor. Con el tiempo comprendí que las habilidades interpersonales y las relaciones dentro de la empresa son el mayor detonante de todo lo demás.
Necesitas encontrar a la persona que realmente conoce el negocio, entiende cómo genera dinero la empresa y sabe interpretar los números en contexto. Como científico de datos, puedes construir un modelo excelente, pero si alguien que lleva 20 años en el negocio te dice que un número no tiene sentido, probablemente debas revisarlo. La credibilidad de todo el proyecto depende de que esos datos sean correctos.
Al final, la parte humana es la más importante. Antes de optimizar un proceso hay que entender dónde están realmente los cuellos de botella y conectar con las personas que los conocen.
Patrocinado por: