Madrid, 8 de julio de 2026. GFT está ayudando a las entidades financieras a aplicar inteligencia artificial sobre su propio histórico transaccional mediante Transaction Foundation Models (TFM). Estos modelos de IA se entrenan con datos transaccionales propios de la entidad para identificar patrones de comportamiento, relaciones entre operaciones y señales útiles para distintos procesos de negocio. Su objetivo es que pagos, transferencias, contrataciones y actividad del cliente dejen de alimentar modelos aislados y pasen a formar una capa común de inteligencia reutilizable para fraude, riesgo de crédito, cumplimiento, pagos, personalización y gestión de mora, entre otros ámbitos.
En la actualidad, uno de los principales retos a los que se está enfrentando la banca es que muchos modelos de IA se han desarrollado de forma aislada. Cada problema de negocio ha tenido su propio modelo, construido y mantenido por separado: uno para fraude, otro para scoring (puntuación del riesgo de un cliente), otro para venta cruzada, otro para KYC (Know Your Customer, conoce a tu cliente), o para cumplimiento. Esta aproximación ha permitido avanzar en casos concretos, pero también ha generado duplicidades, mayores costes de mantenimiento, infraestructuras redundantes y equipos trabajando en silos. A medida que aumenta el uso de IA en el sector financiero esta fragmentación limita la capacidad de las entidades para extraer valor de sus datos y responder con rapidez a nuevos riesgos.
El documento de consulta Sound Practices for Responsible Adoption of Artificial Intelligence, del Financial Stability Board, publicado por el Financial Stability Board (FSB) el 10 de junio de 2026, con comentarios abiertos hasta el 22 de julio de 2026 y un informe final previsto para octubre de 2026, refuerza la necesidad de desplegar la IA con gobierno, rendición de cuentas, gobierno del dato, supervisión humana y control de terceros. El informe sitúa además entre los riesgos relevantes la dependencia de proveedores externos, la concentración tecnológica y las decisiones sobre si desarrollar capacidades internamente o adquirirlas a terceros. En ese contexto, un TFM entrenado dentro del perímetro del banco y sobre datos propios responde directamente a esas preocupaciones, porque permite construir una capa común de inteligencia bajo el gobierno de modelos de la entidad y con mayor control sobre la soberanía del dato.
Ante esta situación, GFT acompaña a las entidades financieras en la creación de una capa común de inteligencia entrenada con sus propios datos transaccionales. En lugar de construir cada caso de uso desde cero, el banco puede reutilizar esa capa común de inteligencia y adaptarla a distintas necesidades de negocio. Según una prueba de concepto realizada por GFT con un dataset específico de PoC (Proof of Concept, prueba de concepto), la mejora más relevante se observó en la precisión del modelo de fraude, es decir, en la capacidad de que una alerta marcada como fraude lo sea realmente: en ese entorno de prueba, la precisión aumentó un 40%.
Una capa común de inteligencia para procesos críticos
Una capa común de inteligencia mejora el rendimiento en los procesos más críticos, como fraude, riesgo y personalización, porque aprende del comportamiento real del cliente. También reduce costes y duplicidades al sustituir múltiples modelos mantenidos por separado; acelera el lanzamiento de nuevos casos de uso, que se construyen sobre una inteligencia ya entrenada en lugar de partir de cero; crea una ventaja competitiva defendible, porque su valor depende de datos propios que ningún competidor puede replicar; y refuerza el control y la soberanía del dato, al entrenarse dentro del perímetro de la entidad y bajo gobierno de modelos, algo clave para banca y seguros en España.
“Los Transaction Foundation Models permiten que las entidades financieras dejen de abordar la IA como una suma de modelos aislados y empiecen a construir una capa común de inteligencia basada en su propio negocio”, afirma Ignasi Barri, Director Ejecutivo Global de IA y Datos de GFT Technologies. Y añade: “El valor está en aprovechar el histórico transaccional con control, gobierno y orientación a casos de uso concretos. Cuando esa inteligencia se entrena dentro del perímetro de la entidad, ayuda además a reducir dependencias, reforzar la soberanía del dato y responder mejor a las exigencias de gobierno que acompañan a la adopción de IA en banca”.
Sobre esa capa común de inteligencia, en una entidad financiera española los procesos que más se benefician son los siguientes:
- Riesgo y crimen financiero: detección de fraude, monitorización transaccional, prevención de blanqueo y alertas de comportamiento sospechoso.
- Riesgo de crédito: scoring, fijación de límites, alerta temprana de impago y soporte al underwriting (proceso de análisis y decisión para aprobar, rechazar o fijar las condiciones de un producto financiero).
- Crecimiento y cliente: personalización, next-best-action (recomendación de la siguiente acción más adecuada para un cliente en un momento concreto), venta cruzada, up-sell (venta de un producto o servicio de mayor valor al que el cliente ya tiene o está considerando), prevención de fuga y segmentación conductual.
- Pagos: optimización de autorizaciones, reducción de rechazos legítimos y mejor enrutamiento.
- Cumplimiento y KYC: monitorización continua del comportamiento y soporte al reporting regulatorio.
- Recobro y mora: priorización de cartera y estrategias de contacto.
GFT está integrando Transaction Foundation Models en sus soluciones Wynxx, su plataforma de IA agéntica utilizada por más de cien instituciones financieras para la adopción segura de IA en áreas como riesgo de crédito. Con esta integración, GFT refuerza su papel como socio tecnológico para entidades financieras que buscan aplicar IA de forma más eficiente, segura y gobernada. El objetivo es que el dato transaccional propio deje de ser una fuente fragmentada de información y se convierta en una capa común de inteligencia capaz de mejorar la detección de fraude, anticipar riesgos, personalizar servicios, reducir complejidad operativa y acelerar nuevos casos de uso sin perder control sobre el dato.
