Hace unos ocho años estábamos trabajando con un gran banco norteamericano en el desarrollo de su primer chatbot orientado al cliente. El objetivo para el chatbot era que respondiera preguntas básicas de la cuenta y, en última instancia, proporcionara asesoramiento financiero. Si bien los elementos de procesamiento del lenguaje natural de la solución serían fáciles de implementar en teoría, teníamos dos obstáculos principales que superar. Primero, la cuenta del cliente (y específicamente los datos de transacción) estaba en diferentes formatos y sistemas heredados. No teníamos un perfil de cliente unificado. En segundo lugar, el motor de IA que habíamos planeado usar no pudo rastrear el contexto de una conversación a la siguiente. El dilema es uno con el que muchos bancos todavía luchan: la riqueza de la información del cliente y el manejo relativamente eficiente de los clientes en sus canales, pero una vez que un cliente salta a otro canal, la experiencia se desmorona. Los datos a menudo no están en una forma que pueda ser aprovechada por algoritmos de IA y un canal no sabe lo que el cliente acaba de hacer en otro, debido a los silos heredados. Sin embargo, hemos recorrido un largo camino. Ahora tenemos todo tipo de datos en la nube, lo que proporciona a los bancos una amplia gama de nuevas capacidades.

El reciente aumento de ChatGPT ha puesto de relieve no solo lo sofisticados que se han vuelto los chatbots (gracias a la IA generativa), sino también la forma en que dichos servicios pueden aumentar y adaptar el viaje del cliente en varios puntos a lo largo del espectro humano-digital. Los modelos GPT claramente tienen un potencial significativo para convertirse en parte de una conversación con el cliente basada en datos que puede equilibrarse con un alto contacto y compromiso humano. La calidad, velocidad y profundidad de las respuestas de ChatGPT han sorprendido a muchas personas y han hecho que los comentaristas de la industria se pregunten qué significa esto para el futuro del compromiso del cliente y el papel y la naturaleza de los motores de búsqueda.

Sin embargo, es poco probable que utilicemos modelos de IA abierta disponibles públicamente para nuestros clientes. Para empezar, el límite de conocimiento para el modelo GPT subyacente fue septiembre de 2021. Crearemos instancias de un modelo de datos (como OpenAI GPT-4) en Azure OpenAI, cargaremos datos de cliente en el modelo y los ajustaremos, luego nos aseguraremos de que sea seguro, aislado y protegido. Apoyamos al cliente en el entrenamiento del modelo en sus propios datos. (GPT-4 ha demostrado que tales modelos pueden ser entrenados mucho más rápido). Esto nos permitirá identificar casos de fraude, por ejemplo, en tiempo real. El tiempo de valorización será mucho más rápido a medida que el cliente ajuste los datos y haya un aprendizaje de refuerzo de los humanos. Esto, y los avances en las redes neuronales, mejorarán los casos de uso, ya que no han estado funcionando tan bien en los últimos 2-3 años, con bots que dan respuestas incorrectas. Azure OpenAI (disponible en EE. UU. y Europa) proporciona hasta un 99 % de precisión de respuesta en comparación con la solución "lista para usar" del 85 % de Q&A Marker.

Tres cosas que los bancos deben saber

• Prioriza el potencial. Hay muchos casos de uso cercanos al cliente, donde los bancos pueden aplicar GPT-4 en su negocio, incluidas las operaciones, EX y CX. ¿Quién no querría que un chatbot aprovechara al máximo los incentivos de apertura de cuentas para cambiar sus ahorros? Concéntrese en aquellas áreas en las que puede entregar valor rápidamente.
• Ten en cuenta los límites. Todavía hay problemas relacionados con el sesgo y la consistencia de las respuestas de la IA. Las herramientas de IA son buenas donde se necesita una precisión del 90%. Si necesitas más, ten cuidado. Esta es la razón por la cual los humanos todavía vuelan aviones y conducen automóviles. La solución es tan buena como los datos con los que está entrenada. No es capaz de reemplazar la creatividad, la intuición y la empatía humanas, pero aumentará la actividad humana y ayudará a realizar tareas de manera más eficiente.
• ¡Modernizar! Prepara tus datos. Los datos generalmente se distribuyen entre los bancos en diferentes silos en una variedad de formatos y no son fáciles de encontrar para quienes más los necesitan. Aquellos bancos que ya han completado proyectos en áreas como RPA o aprendizaje automático, y mantienen sus datos en la nube, están bien posicionados para aprovechar sus datos con servicios de IA. Donde se vuelve mucho más interesante es cuando GPT-4 y Dall-E 2 (efectivamente, su equivalente visual de IA) se reúnen en áreas como publicidad, diseño web y comunicaciones.

Dada la dinámica del mercado que cambia rápidamente en esta área, los bancos deben priorizar aquellos casos de uso que pueden ofrecer valor rápidamente, trabajar dentro de los límites de dicha tecnología y prepararse para aprovechar la IA generativa moviéndose a la nube y organizando sus datos de manera efectiva en todo el negocio. Como señaló recientemente otro colega mío: "Estamos viendo emerger un mundo de 'AI First'".

Por cierto, el banco norteamericano lanzó el servicio de chatbot. Si bien obtuvo una buena cantidad de uso temprano, redirigió en gran medida a los clientes a su sitio web. Ahora tenemos una gran oportunidad de establecer un nuevo estándar aprovechando la IA generativa. ¡El listón está actualmente bajo y la oportunidad es alta!