En la carrera por la transformación digital, los bancos y entidades financieras han volcado sus esfuerzos en integrar la Inteligencia Artificial (IA) Generativa. Sin embargo, surge una duda persistente en las oficinas de innovación: ¿Existe una “fórmula mágica” para hablarle a los modelos de lenguaje (LLM)?
Un reciente estudio puso a prueba el “pensamiento positivo” en la IA. Los investigadores intentaron adular a los chatbots llamándolos “inteligentes” o animándolos con frases como “¡esto será divertido!”. ¿El resultado? Impacto nulo. Curiosamente, solo una técnica bizarra funcionó: pedirle a la IA que fingiera estar en la saga Star Trek mejoró sus capacidades en matemáticas básicas.
Para la industria del e-banking, donde la precisión es un activo crítico, entender qué funciona y qué es simple “mitología del prompting” es vital para la eficiencia operativa.
El mito de la cortesía y el costo de los tokens
El debate sobre la educación hacia las máquinas llegó incluso a Sam Altman, CEO de OpenAI. Ante la duda de cuánto dinero se pierde en energía por los “por favor” y “gracias” de los usuarios, Altman bromeó con una cifra de “decenas de millones de dólares”.
Más allá de la anécdota, hay un factor técnico: los LLM procesan la información en tokens (fracciones de palabras). Cada palabra innecesaria, incluyendo los modales, consume procesamiento. Aunque estudios de 2024 sugieren que la cortesía puede mejorar levemente las respuestas en ciertos contextos culturales, la realidad es que los modelos actuales (GPT-4, Gemini, Claude) son cada vez más robustos frente a estas variaciones.
La clave para el sector financiero no es la amabilidad, sino la estructura de la instrucción.
6 Consejos de expertos para mejorar el rendimiento de la IA
Si busca optimizar procesos de análisis de riesgos, atención al cliente o redacción de informes técnicos, aplique estas tácticas recomendadas por especialistas en computación de la Universidad de Vanderbilt:
1. Solicite múltiples iteraciones (Variedad sobre unidad)
En lugar de pedir una única respuesta, solicite tres o cinco opciones con enfoques distintos. Esto es especialmente útil en la creación de campañas de marketing financiero o en la redacción de políticas internas. Obliga al usuario a comparar y seleccionar los mejores elementos de cada opción.
2. Implemente el “Few-Shot Prompting” (Dé ejemplos)
La IA suele fallar cuando se le pide replicar un tono específico (ej. el tono de voz de un banco tradicional vs. una Neobanca). No dé instrucciones abstractas; proporcione 10 ejemplos de correos o informes previos y ordene: “Utiliza este estilo de escritura”.
3. Convierta a la IA en entrevistadora
Para tareas complejas como definir perfiles de puestos en Fintech o redactar requisitos de software, use este comando: “Hazme preguntas, una a una, hasta que tengas información suficiente para redactar una oferta laboral convincente”. Esto garantiza que el modelo no asuma datos que usted no ha proporcionado.
4. Gestione el juego de roles con cautela
Asignar un rol (ej. “Actúa como un experto en gestión de riesgos”) es útil para lluvias de ideas o simulaciones de entrevistas. Sin embargo, expertos advierten que en tareas matemáticas o de búsqueda de datos precisos, esto puede inducir alucinaciones, ya que la IA prioriza “actuar como experto” sobre la veracidad de los datos paramétricos.
5. Mantenga la neutralidad en el análisis
“No guíe al testigo”. Si está evaluando dos proveedores de software bancario, no mencione su preferencia. La IA tiende a complacer al usuario; si usted sugiere una inclinación, el modelo sesgará su análisis para confirmar su opinión inicial.
6. La cortesía como hábito humano, no técnico
Si bien el 70% de los usuarios son educados con la IA por hábito o ética personal (según datos de 2025), esto no mejora el rendimiento del algoritmo. No obstante, mantener la amabilidad puede ser un ejercicio de higiene conductual: ser hostil con una herramienta, aunque sea inanimada, refuerza hábitos de comunicación negativos que podrían trasladarse a equipos humanos.
De la persona a la herramienta
Para maximizar el ROI de la inteligencia artificial en las instituciones financieras, el enfoque debe migrar de “conversar con una entidad” a “configurar una herramienta”. La precisión no reside en las palabras mágicas, sino en la claridad de los datos y la estructura del contexto.
Fuente: bbc