Tabla de contenidos
- 1. Panorama en México
- 2. La adopción de inteligencia artificial en el sector financiero mexicano
- 3. Eficiencia en la evaluación de riesgos crediticios
- 4. Marco normativo y desafíos legales en inteligencia artificial
- 5. Transparencia y sesgos en modelos de scoring crediticio
- 6. Innovación y gobernanza en modelos de negocio con IA
- 7. Biometría facial como herramienta de identificación
- 8. Riesgos financieros amplificados por la inteligencia artificial
- 9. Cumplimiento regulatorio automatizado y su impacto
Este artículo se basa en la columna “Inteligencia artificial y el sector financiero”, publicada en Dinero en Imagen el 23 de julio de 2026, por José Elías Romero Apis Hernández.
Panorama en México
- La IA ya evalúa riesgo crediticio, detecta fraudes en tiempo real y automatiza reportes regulatorios, según Dinero en Imagen.
- Reguladores han reconocido que expedientes que tomaban hasta ocho meses hoy pueden prepararse en una semana con estas herramientas, de acuerdo con Dinero en Imagen.
- México opera con un “mosaico normativo” (datos personales, lineamientos del INAI y criterios financieros), no con una ley general de IA, según Dinero en Imagen.
- Banxico advierte que la IA amplifica riesgos existentes —como ciberdelitos y endeudamiento corporativo— y acelera su propagación, según un documento de estabilidad financiera citado por Dinero en Imagen.
- En esta nota, cuando se menciona “el documento de estabilidad financiera”, se refiere al documento de Banco de México (Banxico) citado por Dinero en Imagen.
La adopción de inteligencia artificial en el sector financiero mexicano
Esa aceleración no es menor. Reguladores del sector han reconocido que expedientes que antes tomaban hasta ocho meses en prepararse ahora pueden elaborarse en apenas una semana gracias a estas herramientas. Para una PyME, esto se traduce en algo muy concreto: procesos más rápidos en originación, validación y seguimiento, siempre que la institución tenga datos y controles suficientes para sostener la decisión.
El fenómeno no es exclusivo de México. A escala global, Databricks reportó que aproximadamente 94% de las organizaciones de servicios financieros están piloteando o desplegando IA generativa en funciones centrales como ciberseguridad, pricing, gestión de riesgos y productos personalizados. La lectura práctica es que la “adopción” ya no distingue; lo que distingue es la capacidad de operar la IA con calidad de datos, controles y evidencia.
Capgemini, en su World Cloud Report 2026, retrata esa adopción por casos de uso: 75% de bancos usan agentes de IA para servicio al cliente; 64% para detección de fraude; y 61% para procesamiento de préstamos. Pero el mismo reporte advierte que sólo alrededor de 10% opera agentes de IA “a escala” en toda la empresa. En otras palabras: muchas instituciones ya “tienen IA”, pocas la tienen integrada de forma consistente, auditable y repetible.
Para nosotros, que hablamos con dueños y CFOs de PyMEs, la pregunta útil no es si un banco o fintech “usa IA”, sino dónde la usa y con qué consecuencias operativas: ¿reduce tiempos de respuesta?, ¿mejora la detección de fraude sin bloquear pagos legítimos?, ¿explica por qué te aprueba o te rechaza?, ¿y qué pasa cuando el modelo se equivoca?
Eficiencia en la evaluación de riesgos crediticios
La promesa más visible de la IA en finanzas es hacer más eficiente la evaluación del riesgo crediticio: decidir más rápido, con más señales y con menos fricción. Según Dinero en Imagen, la IA ya evalúa el riesgo crediticio de miles de solicitantes en el sistema financiero mexicano. En la práctica, esto suele implicar automatizar partes del análisis (validaciones, consistencia de datos, patrones de comportamiento) para que el equipo humano se enfoque en excepciones y casos complejos.
A nivel global, Capgemini reportó en 2026 que 61% de los bancos aplica IA al procesamiento de préstamos. Ese dato importa porque el “procesamiento” no es sólo aprobar o rechazar: incluye verificación, documentación, controles internos y seguimiento. Cuando esa cadena se automatiza bien, el costo operativo baja y la respuesta al cliente mejora; cuando se automatiza mal, el riesgo se mueve de lugar (por ejemplo, a errores de datos o a decisiones opacas difíciles de defender).
Databricks, por su parte, estimó que la automatización impulsada por IA puede reducir costos operativos “hasta 20%” en servicios financieros. Para una institución, ese ahorro suele venir de menos tareas manuales repetitivas (captura, revisión documental, conciliaciones, triage de alertas). Para una PyME, el impacto indirecto puede ser un proceso menos lento y menos dependiente de “papeles” que se piden una y otra vez.
Ahora, eficiencia no significa “barra libre”. Dinero en Imagen subraya que los modelos automatizados de scoring deben ser transparentes y evitar sesgos discriminatorios, y que decisiones algorítmicas sobre préstamos de montos relevantes deben conservar un componente de revisión humana. Eso pone un límite claro: la IA puede acelerar, pero no puede convertirse en una caja negra que decide sin rendición de cuentas.
En términos de gestión financiera de PyME, esto abre una recomendación práctica: documentar y ordenar la información que alimenta cualquier evaluación (ventas, cobranza, concentración de clientes, historial de pagos). La IA puede procesar más señales, pero no puede compensar datos incompletos o inconsistentes.
Marco normativo y desafíos legales en inteligencia artificial
México no tiene —y según Dinero en Imagen no parece que tendrá en el corto plazo— una ley general de inteligencia artificial al estilo de la Unión Europea. Lo que existe es un mosaico normativo: la Ley Federal de Protección de Datos Personales en Posesión de los Particulares, lineamientos del INAI sobre decisiones automatizadas y criterios adoptados por autoridades financieras.
El punto crítico es que ese mosaico ya está tocando decisiones sensibles. Según Dinero en Imagen, los modelos de scoring crediticio automatizado deben ser transparentes y evitar sesgos discriminatorios; por ejemplo, no pueden negar un crédito con base exclusivamente en el código postal o el nombre del solicitante. Además, cuando se trata de préstamos de montos relevantes, las decisiones algorítmicas deben conservar un componente de revisión humana.
Para instituciones financieras y fintech, esto cambia la conversación: el cumplimiento en IA deja de ser teórico y se vuelve exigible, y probablemente lo será cada vez más por disposiciones específicas (secundarias) antes que por una legislación integral, de acuerdo con Dinero en Imagen. En México, esa lógica es consistente con la tradición regulatoria financiera basada en disposiciones emitidas por Banxico y la CNBV, como también señala Dinero en Imagen.
Un precedente relevante, citado por Dinero en Imagen, ocurrió en mayo de 2026: la CNBV autorizó a una firma como Asesor en Inversiones Independiente aun cuando su modelo de negocio incorpora IA como componente central. El expediente incluyó un manual de gobernanza de IA elaborado específicamente para facilitar la evaluación del regulador. La señal: la autoridad no necesariamente frena la innovación, pero exige evidencia de control.
Para una PyME, el marco legal puede sentirse lejano, pero impacta en lo cotidiano: qué datos te piden, cómo te identifican, por qué te rechazan o te aprueban, y qué mecanismos existen para cuestionar una decisión automatizada. La ausencia de una “ley de IA” no significa ausencia de reglas; significa reglas dispersas que se van volviendo más concretas caso por caso.
Transparencia y sesgos en modelos de scoring crediticio
Cuando un modelo decide sobre crédito, la pregunta no es sólo “¿acierta?”, sino “¿puede explicar y sostener su decisión?”. El ejemplo es directo: no pueden negar un crédito con base exclusivamente en el código postal o el nombre del solicitante.
Esto es especialmente importante para PyMEs porque muchas veces el acceso a financiamiento depende de señales que no siempre reflejan capacidad real de pago: ubicación, giro, tamaño, o historial limitado. Si un modelo automatizado “aprende” correlaciones injustas, puede cerrar puertas sin que el solicitante entienda qué corregir.
Dinero en Imagen también señala que, para préstamos de montos relevantes, las decisiones algorítmicas deben conservar un componente de revisión humana. Ese requisito funciona como freno a la automatización total: obliga a que exista alguien responsable de revisar, cuestionar y, si hace falta, corregir la salida del modelo.
A nivel operativo, la transparencia no es un eslogan: implica trazabilidad (qué datos se usaron), gobernanza (quién aprobó el modelo y sus cambios) y auditoría (qué pruebas se hicieron para detectar sesgos). Dinero en Imagen menciona precisamente esa necesidad de evidencia: trazabilidad de decisiones, auditorías del modelo y límites de autonomía como parte de lo que puede “convencer” al supervisor.
Para la PyME, la recomendación práctica es doble. Primero, pedir claridad: si hay rechazo, entender qué variables pesaron y si existe revisión humana cuando el monto lo amerita. Segundo, cuidar la calidad de la información que se entrega: inconsistencias y vacíos pueden empujar al modelo a apoyarse en proxies (señales indirectas) que no necesariamente te favorecen.
Innovación y gobernanza en modelos de negocio con IA
La innovación con IA en finanzas ya no se mide por demos, sino por gobernanza. Dinero en Imagen describe un caso que marca tendencia: el expediente incluyó un manual de gobernanza de IA diseñado para facilitar la evaluación del regulador.
Ese detalle es el mensaje: la innovación no se “regulariza” al final; se diseña con cumplimiento incorporado desde el inicio, según Dinero en Imagen. Para instituciones y sus asesores legales, el reto práctico es anticipar qué evidencia de gobernanza (trazabilidad, auditorías, límites de autonomía) será necesaria antes de que el supervisor la exija “por la vía dura”.
En el mundo real, gobernanza significa responder preguntas incómodas: ¿quién es responsable si el modelo se equivoca?, ¿cómo se controlan cambios de versión?, ¿qué datos se usan y con qué permisos?, ¿cómo se documenta la lógica de decisión?, ¿qué pruebas se hacen para evitar sesgos?, ¿cómo se monitorea el desempeño en producción?
KPMG, en su Global Tech Report 2026, reportó que 89% de líderes de servicios financieros se identifican como innovadores o “fast followers”. Pero el mismo reporte sugiere que gran parte del valor digital proviene de tecnologías fundacionales (datos, nube, ciberseguridad). Esto conecta con la gobernanza: sin bases sólidas, la IA se vuelve frágil, difícil de auditar y costosa de sostener.
Para PyMEs, la gobernanza de IA de una institución no es un tema abstracto: se refleja en procesos más claros, menos arbitrariedad y mejores mecanismos de aclaración cuando algo sale mal. Y, del otro lado, también nos recuerda que “más rápido” no siempre es “mejor” si no hay controles.
Biometría facial como herramienta de identificación
La biometría facial se convirtió en un frente regulatorio explícito en 2026. Según Dinero en Imagen, el 1 de julio de 2026 la CNBV publicó en el Diario Oficial de la Federación una reforma a la Circular Única de Bancos que incorpora la biometría facial —además de la huella dactilar— como mecanismo oficial de identificación y autenticación de clientes en operaciones presenciales.
La reforma, de acuerdo con Dinero en Imagen, exige validación cruzada contra bases del INE, la SRE u otras dependencias federales. Entró en vigor al día siguiente y otorgó a las instituciones un plazo de 90 días hábiles para adecuarse. También exige infraestructura tecnológica dedicada y cifrado tanto en almacenamiento como en transmisión.
Hay un punto que no se puede pasar por alto: Dinero en Imagen señala que la reforma prohíbe de manera absoluta vender, transferir o compartir las bases biométricas entre bancos o con terceros. En términos de protección de datos, esto es una línea roja: la biometría es de los datos más sensibles.
El contexto de por qué se empuja esta medida también es contundente. Dinero en Imagen reporta que el robo de identidad bancaria por account takeover aumentó más de 300% en México entre 2025 y 2026. La biometría facial busca contener ese fraude digital, pero abre nuevas preguntas: los sistemas de reconocimiento facial son, en esencia, modelos de IA procesando datos biométricos, y la convivencia entre la reforma sectorial y el régimen general de datos personales “todavía no está del todo resuelta”, según Dinero en Imagen.
Para una PyME, esto puede cambiar la experiencia de onboarding y autenticación en sucursal: más verificación, potencialmente menos suplantación, pero también más responsabilidad sobre cómo se resguardan esos datos.
Riesgos financieros amplificados por la inteligencia artificial
Banxico ha sido claro: la IA no crea riesgos financieros completamente nuevos, pero sí amplifica los existentes y acelera su propagación, según un documento reciente sobre estabilidad financiera citado por Dinero en Imagen. Esa frase es clave porque cambia el enfoque: no se trata sólo de “innovar”, sino de entender cómo la automatización puede escalar un problema en minutos.
Dinero en Imagen señala dos riesgos concretos identificados por Banxico: mayor endeudamiento corporativo impulsado por decisiones algorítmicas y aumento de ciberdelitos. El primer riesgo es sutil: si muchos modelos empujan crédito bajo supuestos similares, el sistema puede acumular exposición de forma correlacionada. El segundo es más visible: más digitalización y más automatización también amplían la superficie de ataque.
Los incidentes no son hipotéticos. Según Dinero en Imagen, entre enero y mayo de 2026 Banxico documentó ocho vulneraciones cibernéticas contra bancos, sofipos, una fintech y una cooperativa de ahorro. Banxico, de acuerdo con Dinero en Imagen, ha señalado que la velocidad y el alcance de estos incidentes han crecido de forma significativa.
Esto abre una pregunta que todavía no tiene respuesta normativa clara en México, según Dinero en Imagen: cuando un modelo de IA falla —por ejemplo, deniega crédito indebidamente, autoriza una operación fraudulenta por reconocimiento facial suplantado o amplifica una corrida por decisiones automatizadas correlacionadas—, ¿quién responde y bajo qué estándar de diligencia?
Para PyMEs, el aprendizaje es práctico: la IA puede mejorar seguridad y velocidad, pero también puede fallar a escala. Por eso conviene reforzar controles internos (autorizaciones, segregación de funciones, monitoreo de cuentas) y exigir canales claros de aclaración y reparación cuando una institución comete un error automatizado.
Cumplimiento regulatorio automatizado y su impacto
La IA no sólo decide crédito o detecta fraude: también se está convirtiendo en herramienta de cumplimiento. Dinero en Imagen reporta que instituciones financieras ya la usan para generar reportes de operaciones inusuales ante la Unidad de Inteligencia Financiera, automatizar declaraciones ante la CNBV y reducir falsos positivos en el monitoreo antilavado.
La eficiencia es real: menos trabajo manual, menos saturación de alertas irrelevantes y reportes más rápidos. Pero el traslado de responsabilidad es igual de real. Dinero en Imagen plantea la pregunta de fondo: si un algoritmo decide qué operación reportar como sospechosa —o cuál no reportar—, la responsabilidad sigue siendo enteramente de la institución supervisada.
Eso implica que, ante una inspección, la institución debe poder sostener su decisión con un expediente de gobernanza de IA, según Dinero en Imagen. En términos simples: “lo decidió el sistema” no es defensa. Se requiere documentación, controles, evidencia de pruebas y capacidad de explicar por qué el algoritmo actuó como actuó.
Para PyMEs, esto puede sentirse como más fricción (más validaciones, más solicitudes de información) o como mejor experiencia (menos bloqueos injustificados) dependiendo de qué tan bien esté calibrado el modelo. También puede impactar en tiempos de dispersión o en retenciones preventivas cuando el sistema detecta patrones inusuales.
En Lady Factoraje creemos que el conocimiento financiero claro y sin tecnicismos es la mejor herramienta para que la PyME mexicana crezca con flujo sano.
