La inteligencia artificial (IA) abre nuevas posibilidades para comprender las decisiones financieras de las personas y diseñar intervenciones que contribuyan a mejorar su bienestar, pero su aplicación requiere evidencia, transparencia y mecanismos de supervisión que permitan evaluar sus resultados.
Así lo plantea Manuel Eugenio Rodríguez Troncoso, del Departamento de Inclusión e Innovación Financiera de la Superintendencia de Bancos (SB), al explicar que la relación entre la inteligencia artificial y la economía del comportamiento funciona en dos direcciones: la tecnología puede facilitar el estudio de las decisiones humanas, mientras que el análisis conductual permite comprender cómo las personas interpretan, aceptan o cuestionan las recomendaciones que reciben.
El especialista indica que uno de los principales campos de aplicación es el análisis de información no estructurada, como encuestas abiertas, entrevistas y reclamaciones, cuyos contenidos pueden aportar información que no siempre se refleja en las cifras agregadas.
De acuerdo con el planteamiento, los modelos de lenguaje pueden ayudar a clasificar estos textos e identificar temas recurrentes. En el ámbito financiero, esta capacidad permitiría analizar reclamaciones relacionadas con cargos, solicitudes o cancelaciones de productos e identificar posibles patrones de confusión entre los usuarios.
Sin embargo, Rodríguez Troncoso advierte que la identificación de una queja frecuente no demuestra por sí sola su causa, ya que puede responder a una barrera conductual, un problema operativo o una condición económica. Por ello, considera necesario contrastar los resultados generados por la IA con los testimonios y el contexto de las personas.
La inteligencia artificial también puede apoyar el diseño de intervenciones orientadas a mejorar la comprensión de los productos y servicios financieros. Entre sus posibles aplicaciones figura la elaboración de comunicaciones más claras, la creación de recordatorios y la identificación de instrucciones ambiguas.
En un programa de ahorro, por ejemplo, podría utilizarse para generar mensajes vinculados con una meta elegida por el participante. No obstante, el especialista señala que la elaboración de una comunicación persuasiva no garantiza que esta produzca un cambio beneficioso, por lo que su efectividad debe evaluarse.
Para desarrollar y medir este tipo de intervenciones, los laboratorios de economía del comportamiento pueden recurrir a herramientas tecnológicas que facilitan la realización de experimentos reproducibles.
Una de ellas es oTree, un marco de código abierto basado en Python y Django que permite construir experimentos conductuales, juegos, encuestas y mecanismos de asignación aleatoria.
Según el artículo “Inteligencia artificial y economía del comportamiento desde la innovación regulatoria”, un laboratorio como el SBLAB podría utilizar esta plataforma para comparar un mensaje estándar con otro personalizado mediante IA, medir la comprensión de los costos y observar si los participantes completan una meta de ahorro. El documento señala que el SBLAB está iniciando estos procesos.
El uso de estas herramientas, sin embargo, debe acompañarse de controles de privacidad, documentación del código y pruebas piloto. Además de oTree, el especialista identifica soluciones como Qualtrics, LimeSurvey y REDCap para encuestas y experimentos; PsychoPy y jsPsych para tareas conductuales en línea; y scikit-learn, pandas, spaCy y transformers para el análisis de datos, el procesamiento del lenguaje y la construcción de modelos predictivos.
Estas herramientas pueden integrarse en un flujo de trabajo que incluya la recopilación y anonimización de datos, la clasificación de respuestas, la revisión manual de resultados, la elaboración de alternativas de comunicación y la evaluación de sus efectos mediante asignación aleatoria.
Predicción
Uno de los aspectos centrales del análisis es la necesidad de distinguir entre la capacidad de una herramienta para anticipar comportamientos y su capacidad para demostrar qué intervención produce una mejora.
Un sistema de IA puede identificar a las personas que probablemente abandonen un trámite financiero, pero esa predicción no demuestra cuál medida evitará el abandono. Para estimar los efectos de una intervención, se necesitan comparaciones adecuadas, mediciones previas y posteriores, grupos de control o diseños cuasiexperimentales cuando no sea posible asignar aleatoriamente a los participantes.
El artículo también aborda el uso de modelos de lenguaje como agentes económicos artificiales, a los que se pueden asignar preferencias, información y escenarios para explorar sus respuestas. Estas simulaciones pueden ayudar a formular hipótesis o revisar diseños experimentales antes de aplicarlos a personas reales.
No obstante, Rodríguez Troncoso advierte que las respuestas simuladas no constituyen evidencia de que una población se comportará de la misma manera, debido a que las personas enfrentan restricciones materiales, incentivos y consecuencias que los modelos no reproducen automáticamente.
En ese sentido, los resultados de las simulaciones deben contrastarse con decisiones de participantes reales y evaluarse mediante diseños de investigación apropiados.
Supervisión
Otro de los desafíos es reducir el ruido en la toma de decisiones, entendido como la variabilidad no deseada entre juicios o evaluaciones que deberían ser similares.
La IA puede contribuir a aplicar criterios consistentes, organizar información y detectar discrepancias entre evaluadores. Por ejemplo, un sistema automatizado podría presentar una lista común de criterios, señalar campos incompletos y generar registros comparables de las decisiones tomadas por distintos especialistas.
Sin embargo, estas herramientas no eliminan automáticamente la variabilidad. También pueden reproducir sesgos presentes en los datos, introducir nuevos errores o generar una falsa sensación de objetividad. Por esa razón, sus recomendaciones requieren supervisión humana, auditorías y evaluaciones de consistencia y equidad.
El especialista propone realizar pruebas con casos ficticios de características equivalentes y comparar las decisiones de varios evaluadores antes y después de incorporar el apoyo de la IA. Mediante herramientas estadísticas en R o Python, sería posible medir la dispersión de las decisiones, la concordancia entre especialistas y las diferencias entre grupos.
La evaluación también debe determinar si la tecnología mejora la consistencia sin reducir la autonomía de las personas ni introducir desigualdades.
En el ámbito de los servicios financieros, el análisis sostiene que aumentar la contratación de productos no equivale necesariamente a mejorar el bienestar de los usuarios. Por tanto, las intervenciones deben valorarse a partir de resultados relevantes, como una mayor comprensión de los costos o el cumplimiento sostenible de una meta de ahorro, además de considerar posibles efectos adversos.
Para los laboratorios de economía del comportamiento y las unidades de nudges, Rodríguez Troncoso plantea una incorporación gradual de la IA, a partir de problemas concretos y con evaluaciones que permitan comprobar los resultados de las intervenciones.
La propuesta contempla utilizar modelos de lenguaje para analizar respuestas abiertas, repositorios versionados en Git para garantizar la trazabilidad, scripts de Python para limpiar y documentar datos, oTree para ejecutar experimentos y herramientas como R o Jupyter para analizar los resultados.
Asimismo, recomienda documentar los modelos y las instrucciones utilizadas, proteger los datos y examinar si los beneficios se distribuyen de manera desigual.
Entre los controles que identifica figuran la anonimización o seudonimización de los datos, la revisión de permisos, las pruebas de seguridad, el registro de versiones, la evaluación de errores por subgrupos y los mecanismos para cuestionar o corregir recomendaciones automatizadas.
El artículo también destaca que las soluciones de código abierto pueden favorecer la transparencia, aunque su utilización no garantiza por sí sola que el diseño sea justo ni que los datos estén debidamente protegidos.
Para Rodríguez Troncoso, el valor de la inteligencia artificial en la innovación regulatoria no debe medirse únicamente por la eficiencia operativa o la consistencia de los resultados, sino por su contribución efectiva al bienestar de las personas. Es decir, que su incorporación debe ampliar la capacidad de escuchar, investigar y evaluar, sin desplazar el juicio humano ni dejar de lado la transparencia y la autonomía de los usuarios del sistema financiero.
