La inteligencia artificial ha entrado con fuerza en prácticamente todas las conversaciones empresariales.
Sin embargo, bajo la etiqueta de “IA” conviven tecnologías, niveles de madurez y casos de uso muy diferentes.
Porque una cosa es automatizar un proceso, otra utilizar modelos capaces de predecir qué puede ocurrir y otra muy distinta incorporar inteligencia para tomar decisiones en tiempo real sobre cómo, por ejemplo, debe ejecutarse un pago.
La verdadera transformación no consiste, por tanto, en añadir IA a los pagos, sino en conseguir que cada transacción pueda gestionarse de una forma más inteligente: aumentando las probabilidades de autorización, reduciendo costes, minimizando el fraude y, al mismo tiempo, generando la menor fricción posible para el cliente.
Y eso plantea una cuestión interesante: ¿hasta qué punto son realmente inteligentes hoy nuestros pagos?
De eso va nuestro artículo de esta semana, con motivo de nuestra participación en el Secure Payments & ID Congress, uno de los principales encuentros del sector de los pagos, que organiza IFAES el próximo 24 de septiembre en Madrid.
De las reglas a las decisiones inteligentes
Como ya comentamos cuando presentamos nuestro último Payments Review, el siguiente paso en la evolución de los pagos pasa por ir más allá de la automatización para avanzar hacia pagos realmente inteligentes.
La automatización no es nueva en el mundo de los pagos. Desde hace años, las compañías utilizan reglas para decidir qué hacer ante determinadas situaciones: si ocurre A, hacemos B; si una transacción supera determinado importe, aplicamos una comprobación adicional.
El salto se produce cuando dejamos de definir previamente todas esas respuestas y comenzamos a utilizar modelos capaces de tomar o recomendar decisiones a partir de los datos.
Es el paso de una lógica basada principalmente en reglas a otra cada vez más predictiva.
Y las posibilidades son enormes. Una compañía puede utilizar información histórica y contextual para estimar qué proveedor ofrece mayor probabilidad de autorización para una determinada operación, identificar patrones asociados al fraude, anticipar posibles fallos o decidir en milisegundos qué ruta puede resultar más adecuada para una transacción.
Pero no todas las organizaciones se encuentran en el mismo punto
Hay empresas que todavía tienen importantes oportunidades simplemente automatizando procesos. Otras llevan años utilizando machine learning en ámbitos como el fraude. Y algunas empiezan ya a desarrollar modelos de orquestación mucho más sofisticados.
Por eso, probablemente la primera pregunta no debería ser ¿cómo aplicamos IA a nuestros pagos?, sino ¿qué decisiones queremos mejorar?
Orquestación: decidir cuál es el mejor pago
A medida que aumenta la complejidad del ecosistema de pagos, también crece el número de decisiones que hay que tomar.
Distintos proveedores, adquirentes, métodos de pago, mercados, monedas, costes, niveles de riesgo o tasas de autorización convierten cada transacción en un pequeño problema de optimización.
Ahí es donde la orquestación inteligente adquiere especial relevancia.
En lugar de establecer una única ruta predeterminada, una organización puede decidir dinámicamente cómo procesar una operación en función de múltiples variables. El objetivo puede ser mejorar la tasa de autorización, reducir costes, minimizar el fraude o evitar fricciones innecesarias.
Pero aquí aparece otra cuestión menos tecnológica y mucho más estratégica: ¿qué significa realmente hacer “mejor” un pago?
El pago más económico no tiene por qué ser el que más convierte. El más seguro puede introducir una fricción que termine provocando abandonos. Y maximizar la autorización a cualquier precio tampoco tiene necesariamente sentido económico.
Por tanto, hacer más inteligentes los pagos obliga primero a decidir qué queremos optimizar y cómo equilibramos objetivos que, en ocasiones, compiten entre sí.
La tecnología puede tomar una decisión en milisegundos. Pero alguien tiene que haber definido antes qué significa tomar una buena decisión.
Automatización, machine learning e IA generativa no son lo mismo
En plena explosión de la inteligencia artificial existe además el riesgo de introducir bajo una misma etiqueta tecnologías que resuelven problemas muy diferentes.
- La automatización basada en reglas continúa siendo tremendamente útil cuando conocemos las condiciones y podemos determinar previamente qué respuesta queremos ejecutar.
- El machine learning da un paso más: permite detectar patrones y realizar predicciones a partir de grandes volúmenes de información. De ahí que lleve años desempeñando un papel especialmente relevante en ámbitos como la prevención del fraude o la optimización de determinadas decisiones transaccionales.
- La IA generativa puede encontrar inicialmente más recorrido alrededor del pago: ayudando a analizar incidencias, interpretar información, asistir a los equipos, acelerar investigaciones relacionadas con fraude, generar explicaciones o facilitar la interacción con sistemas cada vez más complejos.
La cuestión no es elegir entre automatización, machine learning o IA generativa. Es entender qué tecnología resuelve mejor cada problema.
Porque uno de los mayores riesgos de la actual carrera por la IA es terminar buscando casos de uso que justifiquen utilizarla, en lugar de partir de los problemas que queremos resolver.
La tecnología no es el único requisito
Convertir los pagos en un sistema inteligente tampoco depende únicamente de disponer de mejores algoritmos.
Para tomar buenas decisiones hacen falta buenos datos. Para actuar en tiempo real hace falta una arquitectura que lo permita. Para optimizar rutas hacen falta integraciones. Y para mejorar de forma continua es necesario medir qué sucede después de cada decisión.
La madurez tecnológica y la madurez del dato se convierten así en condiciones necesarias.
La tercera dimensión: la organizativa
Pagos, fraude, tecnología, experiencia de cliente y negocio pueden perseguir objetivos diferentes. Una decisión óptima desde el punto de vista financiero puede no serlo desde la experiencia del usuario; una política extremadamente conservadora frente al fraude puede reducir la conversión.
Por eso, la inteligencia aplicada a los pagos no consiste simplemente en automatizar más. Consiste en tomar mejores decisiones de forma coordinada.
¿Dónde está entonces la ventaja competitiva?
Probablemente no estará simplemente en “utilizar IA”. En poco tiempo, hacerlo dejará de ser algo diferencial.
La ventaja estará en la capacidad de cada organización para combinar datos, tecnología, conocimiento del negocio y aprendizaje continuo para decidir mejor que sus competidores.
Qué transacción enrutar por qué proveedor. Cuando introducir una comprobación adicional. Cuando no hacerlo. Cómo recuperar un pago fallido. Cómo distinguir una operación legítima de una potencialmente fraudulenta. O cómo conseguir que toda esa complejidad sea prácticamente invisible para el cliente.
Y para muchas organizaciones el camino no empezará con un gran proyecto de inteligencia artificial. Puede comenzar identificando una decisión concreta, midiendo correctamente su impacto y mejorándola progresivamente.
Secure Payments & ID Congress
De todo esto hablaremos el próximo 24 de septiembre en Secure Payments & ID Congress, en la mesa redonda Pagos inteligentes, IA y automatización: del primer paso a la ventaja competitiva, que tendré la oportunidad de moderar.
Me acompañarán
- Juan José Llorente, Country Manager de Adyen.
- Pedro Gaviña, Head of Payments and Fraud de Iberia.
- Jordi Curiá, CIO de Telpark.
- Manuel Mesa, Payments Director de Emotion Mobility.
Cuatro perspectivas diferentes para hablar de experiencias reales, distintos grados de madurez y, sobre todo, de qué está funcionando ya y qué podemos esperar durante los próximos años.
Será el jueves 24 de septiembre, de 12:20 a 13:00, en la Sala Mastercard de Kinépolis – Ciudad de la Imagen.
Si vas a estar en Secure Payments, esperamos verte por allí.
