Caso estudio Bancolombia Grupo 2

CASO DE ESTUDIO: BANCOLOMBIA – IA, MODELOS PREDICTIVOS Y GESTIÓN DEL RIESGO Analizaremos cómo Bancolombia ha avanzado en el uso de inteligencia artificial y modelos predictivos, y cómo plantea una propuesta integral para conectar estas capacidades con decisiones financieras estratégicas, bajo un marco sólido de gobierno, de riesgo y de explicabilidad. Nota metodológica. Lo que Bancolombia ha documentado públicamente se presenta como una situación observada. La arquitectura, los indicadores, las matrices y la hoja de ruta constituyen una propuesta académica derivada del caso; no describen las prácticas internas del banco. SITUACIÓN ACTUAL Y BRECHA IDENTIFICADA Bancolombia ya utiliza IA en el scoring, la detección de fraude, la detección de anomalías y la predicción de comportamiento. También cuenta con un marco formal de riesgo de modelos (SR 11 7), principios éticos y evidencia de eficiencia en la validación (reducciones del 87 % y del 40 %). Sin embargo, persiste una brecha crítica: los datos, los modelos, las finanzas y los riesgos no operan como un sistema integrado de toma de decisiones. Las predicciones no siempre se traducen en provisiones, rentabilidad, liquidez o capital, y faltan métricas operativas que demuestren equidad, explicabilidad y supervisión humana proporcional. “El problema del caso no es la ausencia de inteligencia artificial… sino una brecha de integración y de gobierno.” DESAFÍOS PRINCIPALES DEL CASO Se identifican cinco desafíos que explican la brecha: • Convertir datos en decisiones estratégicas (predicciones sin impacto financiero). • Calidad y gobierno del dato (sesgos, inconsistencias, falta de linaje). • Riesgo de modelos (drift, cambios estructurales, validación insuficiente). • Automatización y explicabilidad (modelos opacos, HITL sin criterios). • Integración IA–finanzas–riesgos (lenguajes y métricas desconectadas). SOLUCIÓN PROPUESTA: SISTEMA INTEGRADO DE INTELIGENCIA FINANCIERA Y RIESGOS (SIIFR IA) Se propone un sistema que integra todo el ciclo: dato → modelo → predicción → escenario → riesgo → decisión → resultado → retroalimentación. Componentes clave del SIIFR IA • Gobierno del dato y feature store con propietarios, linaje, calidad y consentimiento. • MLOps + Model Risk Management (MRM) como un solo ciclo: registro, aprobación, despliegue, monitoreo, recalibración y retiro. • Model Cards obligatorias para cada modelo. • XAI y supervisión humana proporcional (HITL) según el riesgo y la confianza del modelo. • Motor de escenarios financieros que convierte PD/LGD/EAD en pérdida esperada, provisiones, ROA, ROE y capital. • Tablero ejecutivo con KPIs y KRIs integrados. “Toda predicción termina en una decisión… La autonomía es proporcional al riesgo.” CLASIFICACIÓN DE MODELOS Y CONTROLES Se definen cuatro niveles de materialidad (bajo, medio, alto, crítico) y los controles asociados: • Validación independiente para modelos altos y críticos. • Pruebas de sesgo, estrés, explicabilidad y de modelo retador. • Supervisión humana obligatoria en decisiones de alto impacto. KPIS Y KRIS PARA DEMOSTRAR VALOR Y CONTROLAR RIESGO KPIs de valor • Costo de riesgo por segmento. • RAROC por segmento. • Precisión de la pérdida esperada. • Tiempo de decisión. • Valor neto ajustado por riesgo. KRIs de riesgo • PSI (estabilidad poblacional). • Caída del Gini/AUC. • Calibración por bandas. • Disparidad entre grupos. • Tasa de override. • Modelos con validación vencida. CONCLUSIONES CENTRALES • Bancolombia ya tiene capacidades avanzadas; el reto es integración y gobierno. • La predicción solo crea valor cuando se convierte en escenarios y decisiones financieras. • La calidad del dato es condición previa de la calidad del modelo. • MLOps y MRM deben operar como un solo ciclo. • La explicabilidad y la supervisión humana son condiciones para una automatización sostenible.