Las instituciones financieras han dedicado años a construir IA: modelos de fraude, modelos de crédito, motores de recomendación y sistemas de riesgo. Aunque esta proliferación de modelos específicos para cada tarea ha sido efectiva, también se ve limitada por sistemas aislados.

Los sistemas aislados impiden que las instituciones desarrollen una comprensión unificada del comportamiento financiero de sus consumidores. A medida que los conjuntos de datos empresariales siguen creciendo, también aumenta la brecha entre lo que las instituciones saben y lo que su IA puede razonar, creando una gran oportunidad para que la industria construya inteligencia utilizando datos propietarios.

El informe 2026 State of AI in Financial Services de NVIDIA muestra que el 65% de las instituciones ya utilizan IA, casi el 90% la está implementando o evaluando, y la gran mayoría mantiene o aumenta su gasto. Pero a medida que la IA escala, también lo hace la complejidad, y las arquitecturas de modelos fragmentadas se convierten en el factor limitante.

¿Cómo están transformando la arquitectura las firmas líderes?

Las empresas líderes están abordando este desafío replanteando la arquitectura misma. Donde la industria antes dependía de algoritmos estadísticos y de aprendizaje automático diseñados específicamente para cada línea de negocio, los modelos de base de transacciones (transaction foundation models) basados en transformers ahora hacen posible aprender una representación única y unificada del comportamiento del consumidor, entrenada enteramente con datos propietarios.

Los modelos de base de transacciones son sistemas de IA a gran escala entrenados con miles de millones de eventos financieros —tales como pagos, transferencias, interacciones de productos y señales de comportamiento— que transforman datos crudos en inteligencia, ayudando a las empresas a atender mejor a sus clientes.

El cambio es estructural. Un modelo de fraude tradicional evalúa señales aisladas. Un modelo de base interpreta el comportamiento en un contexto donde el tiempo, el dispositivo, la ubicación y la actividad previa moldean el significado. Más importante aún, aporta el poder de las arquitecturas transformer a los datos tabulares, extrayendo señales previamente invisibles para los algoritmos tradicionales.

Un pago a medianoche significa algo diferente cuando es el cuarto en 10 minutos, en un dispositivo desconocido y en una ciudad desde la cual el cliente nunca ha realizado transacciones antes. Esa profundidad contextual mejora el rendimiento en todas las tareas, no solo dentro de ellas.

En colaboración con NVIDIA, Revolut construyó PRAGMA, una familia de modelos de base basados en transformers entrenados con 24 mil millones de eventos en 26 millones de registros de usuarios que abarcan más de 100 países. Impulsados por el stack completo de IA de NVIDIA —incluyendo NVIDIA Hopper GPUs, la biblioteca NVIDIA cuDF y los modelos abiertos NVIDIA Nemotron—, ejecutándose en la nube de Nebius, un único modelo de base supera a modelos específicos sólidos en dominios como calificación crediticia, detección de fraude y recomendaciones de productos, reduciendo la dependencia de características diseñadas manualmente.

“Pasamos de semanas, o incluso en algunos casos meses, en ingeniería de características a no requerir tiempo en absoluto”, señaló Tadas Kriščiūnas, jefe de ciencia de datos de crédito grupal en Revolut.

Cualquier institución puede adoptar este enfoque utilizando el nuevo ejemplo para desarrolladores Build Your Own Transaction Foundation Model de NVIDIA, que permite a los equipos comenzar a construir incrustaciones (embeddings) de transformers en datos de transacciones tabulares, integrándose en pipelines existentes sin tener que reconstruir desde cero.

¿Cuál es el costo real de la fragmentación?

El problema no son los modelos actuales, sino la trayectoria. Cada nuevo caso de uso añade otro modelo. Cada nuevo mercado necesita un reentrenamiento. Los modelos que no pueden compartir contexto dejan valor sobre la mesa.

Mastercard está desarrollando un modelo de base tabular grande y propietario para pagos, entrenado hoy con miles de millones de transacciones anonimizadas y diseñado para escalar a cientos de miles de millones a través de conjuntos de datos adicionales que incluyen fraude, autorización, devoluciones de cargo, ubicación del comerciante y datos de lealtad.

Construido con capacidades de NVIDIA, AWS y Databricks —incluyendo la biblioteca abierta NVIDIA NeMo AutoModel, parte del NVIDIA NeMo framework, y computación acelerada—, el modelo tiene como objetivo reducir la dependencia de una multitud de modelos de IA en mercados, clientes y casos de uso. Las pruebas iniciales muestran que supera a las técnicas estándar de aprendizaje automático, con aplicaciones prometedoras en ciberseguridad, detección de fraudes, lealtad, personalización, optimización de carteras y analítica.

Adyen también ha implementado modelos de base de transacciones a escala, procesando 1 billón de dólares en pagos. Utilizando aprendizaje por refuerzo (reinforcement learning), Adyen maximiza la conversión y minimiza el riesgo para los comercios.

“Incluso las mejoras fraccionales, como un aumento del 0.1% en la autorización, pueden traducirse en un valor bruto de mercancía incremental masivo y reducciones de costos sustanciales”, comentó Dhruv Ghulati, gerente principal de producto de IA en Adyen.

¿Qué es la capa semántica para el comercio agentico?

El cuarenta y dos por ciento de las firmas financieras ya están utilizando o evaluando IA agentica. A medida que estos sistemas comienzan a ejecutar transacciones —como gestionar suscripciones, enrutar pagos y realizar compras—, la naturaleza del comportamiento financiero está cambiando.

Stripe está utilizando la plataforma de NVIDIA y AWS para construir modelos de base que entienden el contexto completo del comportamiento transaccional en lugar de reaccionar a señales individuales, bloqueando cerca de 112 mil millones de dólares en fraudes el año pasado y logrando una reducción promedio del 38% en las tasas de fraude.

Los datos de transacciones son el historial propietario que los competidores no pueden replicar. Los datos ya existen. La arquitectura está probada. La infraestructura está lista.

¿Cómo escalar mediante socios del ecosistema?

El ejemplo para desarrolladores Build Your Own Transaction Foundation Model está disponible para que los clientes lo ejecuten en Amazon Web Services (AWS), implementado con Amazon SageMaker HyperPod, así como en Nebius AI Cloud, impulsado por computación acelerada de NVIDIA.

Nebius AI Cloud admite el ciclo de vida completo del modelo de base de transacciones, desde la implementación del ejemplo para desarrolladores mediante entrenamiento de múltiples nodos hasta la inferencia gestionada en Token Factory, impulsado por computación acelerada de NVIDIA.

Las firmas de servicios financieros también pueden trabajar con socios de servicios como EXL, Infosys, GFT IT Consulting y Thoughtworks para aplicar el ejemplo para desarrolladores a sus casos de uso específicos.

EXL está integrando modelos de base de transacciones en su plataforma EXLerate.ai para unificar datos financieros aislados en una capa de inteligencia empresarial escalable impulsada por datos de transacciones propietarios. En colaboración con NVIDIA, EXL utiliza esta arquitectura para ayudar a las instituciones financieras a acelerar el desarrollo de modelos, mejorar la toma de decisiones contextual y operacionalizar la IA agentica a escala.

Thoughtworks está ayudando a las instituciones financieras a operacionalizar modelos de base de transacciones dentro de entornos bancarios complejos, integrándolos en pagos, servicios y riesgos, al tiempo que establece la gobernanza necesaria y los modelos operativos de IA. La empresa presentará una demostración y una charla sobre estos modelos en el próximo AWS Summit en la ciudad de Nueva York, el miércoles 17 de junio.

GFT IT Consulting está integrando modelos de base de transacciones en sus soluciones insignia: Wynxx, una plataforma de IA agentica utilizada por más de 100 instituciones financieras para la adopción segura de IA en áreas como riesgo crediticio, y Smaragd, un motor de cumplimiento que reduce los falsos positivos hasta en un 75% para los principales bancos.

Únase a NVIDIA en Money20/20 Europe del 2 al 4 de junio para aprender cómo los modelos de base de transacciones están impulsando la próxima generación de servicios financieros.

Vía NVIDIA Blog.