NVIDIA explica cómo crear una transaction foundation model para el análisis financiero

En junio de 2026, NVIDIA publicó en el NVIDIA Developer Blog un artículo sobre cómo las empresas del sector financiero pueden construir su propia transaction foundation model: un modelo entrenado con flujos de transacciones bancarias para detectar fraudes y analizar el comportamiento de los clientes.

Qué es una transaction foundation model

Según NVIDIA, cada pago, transferencia y cargo de una red financiera moderna codifica un patrón de comportamiento humano, una de las señales más ricas en detalle de las que dispone una empresa. El concepto de transaction foundation model se parece al de los grandes modelos de lenguaje: en lugar de texto, el modelo se entrena con secuencias de transacciones y aprende a predecir el siguiente paso de la cadena. Durante el entrenamiento capta patrones ocultos, como los gastos típicos y atípicos de cada cliente.

• El artículo se publicó en el NVIDIA Developer Blog en junio de 2026
• El tema es la construcción de una foundation model directamente sobre los datos transaccionales de un banco o de un sistema de pagos
• El objetivo declarado es detectar el fraude financiero con más precisión y comprender mejor el comportamiento de los clientes
• El artículo está dirigido a ingenieros de datos y equipos de ML de empresas financieras

Por qué los bancos necesitan otro modelo más

Durante años, los sistemas clásicos de monitorización del fraude en los bancos se han basado en reglas manuales y en clasificadores específicos entrenados para un tipo concreto de fraude. El enfoque de las foundation models, probado primero con texto e imágenes y después con datos genómicos y multimodales, propone otra lógica: un único modelo grande, preentrenado sin etiquetar con un enorme volumen de transacciones, que después se ajusta a tareas concretas como el scoring, la detección del blanqueo de capitales o la personalización de ofertas. Para los bancos es una oportunidad de reducir el número de modelos especializados que deben mantener en paralelo.

Cómo encaja esto con los LLM que ya conocemos

La lógica de las foundation models ya ha demostrado su valor en texto, imágenes y código: un único modelo, entrenado con un enorme volumen de datos sin etiquetado manual, se ajusta después a decenas de tareas concretas, en lugar de resolver cada una con un modelo independiente desde cero. Los datos financieros se quedaron mucho tiempo al margen de este enfoque, en parte por los estrictos requisitos de confidencialidad y en parte porque las secuencias de transacciones no encajan bien en los formatos habituales de entrenamiento de los modelos de texto. El artículo de NVIDIA describe precisamente cómo sortear esta limitación: cada transacción se convierte en una especie de «token» y el historial de operaciones de un cliente, en una secuencia que el modelo aprende a analizar de forma parecida a como un modelo de lenguaje analiza una secuencia de palabras.

Para los bancos queda una cuestión práctica aparte: dónde entrenar y ejecutar físicamente un modelo así. Los datos transaccionales pertenecen a la categoría de información más sensible y preocupan a cualquier regulador. Por eso, el artículo de NVIDIA se centra en un escenario en el que el modelo se entrena y funciona dentro de la propia infraestructura del banco, sin trasladarse a un servicio externo en la nube.

Qué significa esto

Las foundation models, asociadas hasta ahora sobre todo al texto y las imágenes, llegan a los datos transaccionales, una de las categorías de información más cerradas y sensibles del mundo empresarial. Si el enfoque de NVIDIA cuaja, los bancos no tendrán que entrenar desde cero un modelo distinto para cada nueva tarea (fraude, scoring, personalización), y la confidencialidad de los datos no será un obstáculo, porque el modelo puede entrenarse y desplegarse dentro de la infraestructura del propio banco.