Un equipo fintech lanzó un chatbot de AI: conceptos, escollos y lecciones de la implementación de GenAI

Un equipo de fintech describió abiertamente el recorrido de implantación de un chatbot de AI generativa — desde los primeros experimentos con prompts hasta su puesta en producción. Quedó claro que la brecha entre cómo funciona GenAI en una demo y lo que exige en un producto financiero real es colosal.

El AI en finanzas es un caso especial

Los modelos generativos resuelven bien preguntas amplias y abiertas. Pero el dominio fintech impone requisitos radicalmente distintos: precisión de los datos, actualidad de la información y estricta cautela regulatoria.

Si un modelo de lenguaje se equivoca en una receta, eso es molesto. Si se equivoca al describir un producto bancario o las condiciones de un préstamo, eso implica riesgo jurídico y pérdida de la confianza del cliente.

Desde los primeros pasos, el equipo se enfrentó a una pregunta clave: ¿cómo evitar las “alucinaciones” allí donde cada palabra conlleva responsabilidad financiera? La respuesta resultó no ser trivial y exigió varias iteraciones de arquitectura antes de que apareciera un prototipo funcional.

Conceptos que cambiaron el enfoque

Antes de escribir la primera línea de código, el equipo tuvo que entender varios conceptos fundamentales que están mal explicados en la mayoría de los tutoriales:

• RAG (Retrieval-Augmented Generation) — en lugar de responder “de memoria”, el modelo extrae hechos de una base de conocimiento externa. Sin RAG, un bot financiero o se inventa los datos, o responde “no lo sé” a la mayoría de las preguntas específicas.
• Prompt engineering — instrucciones de sistema que definen el tono, las restricciones y el formato de las respuestas. En finanzas, esto no es una opción, sino una capa obligatoria de control del comportamiento del sistema.
• Guardrails — mecanismos de protección: prohibición de dar consejos concretos de inversión, exigencia de citar fuentes y negativa a proporcionar cifras exactas sin verificación.
• Evaluación de calidad — ¿cómo medir si el bot responde correctamente? Las métricas automáticas a menudo resultan engañosas, y la revisión manual de cada respuesta no escala.
• Latency vs. quality — un modelo más inteligente responde más despacio. En una aplicación móvil, 7–8 segundos de espera ya son un problema serio de UX y conversión.

Dónde surgieron dificultades inesperadas

Las dificultades más dolorosas no resultaron ser técnicas, sino organizativas y conceptuales.

Límites de responsabilidad. Desde el principio, el departamento jurídico adoptó una postura clara: el bot debe informar, no aconsejar. Eso redujo de forma significativa el abanico de respuestas aceptables y obligó a replantear los principales escenarios de uso. Hubo que eliminar parte de las funciones previstas.

Base de conocimiento. A primera vista, una empresa de fintech parece tener abundancia de documentos estructurados — tarifas, condiciones, FAQ. Pero al montar el sistema RAG quedó claro que los formatos eran incompatibles, parte de la información estaba desactualizada y los datos estaban dispersos en varios sistemas sin un registro único. Construir una base de conocimiento de calidad llevó bastante más tiempo que el propio desarrollo del bot.

Confianza del usuario. La gente hace preguntas neutras al bot con facilidad, pero se muestra cauta cuando se trata de finanzas. La adopción del producto avanzó más lentamente de lo que esperaba el equipo, y fue necesario un trabajo adicional en UX y en las formulaciones.

“Este artículo ha sido escrito con el objetivo de explicar los

conceptos y las dificultades con las que nos encontramos el equipo y yo”, escriben los autores, evitando deliberadamente los detalles técnicos.

Qué significa esto

La historia de este equipo es un reflejo preciso de lo que afronta la mayoría de las empresas en su primera implantación seria de GenAI en un producto. El dominio financiero multiplica todos los riesgos varias veces: jurídicos, técnicos y de usuario. Por eso tiene aún más valor un análisis honesto de profesionales que documentan no solo los éxitos, sino también las sorpresas — esas que nadie esperaba.