Mucho antes de que ChatGPT convirtiera la inteligencia artificial en una herramienta cotidiana, Banco Azteca ya buscaba la forma de aplicarla a un problema muy concreto: responder con mayor rapidez a los clientes que reclamaban una operación.
Para un cliente, una aclaración comienza con unos cuantos clics. Para el banco, puede convertirse en una investigación que exige revisar registros de cajeros, movimientos, documentos y sistemas internos. Cada caso debe analizarse, turnarse al área correspondiente y resolverse con información suficiente para responder al usuario.
Durante años, ese trabajo dependió de personas que consultaban distintas plataformas y reunían los datos necesarios para dictaminar una operación. El proceso era lento, repetitivo y difícil de sostener cuando el número de solicitudes crecía.
Banco Azteca decidió comenzar por ahí. En 2020 puso en marcha un programa de automatización y creó un Centro de Excelencia en inteligencia artificial y automatización robótica de procesos. En lugar de empezar con una herramienta llamativa para el público, eligió un problema concreto de la operación diaria.
Reclamos: el área elegida como sujeto de pruebas
El sistema podía consultar los registros de un cajero automático, cruzarlos con la información de la reclamación y preparar el expediente para su resolución. Si el caso era rutinario, la automatización avanzaba buena parte del proceso. Si requería una decisión o una investigación más compleja, lo enviaba a un empleado.
La tecnología no sustituyó todo el trabajo humano. Reorganizó el trabajo para que las personas dejaran de invertir tiempo en búsquedas repetitivas y se concentraran en los casos que necesitaban experiencia, criterio o contacto con el cliente.
El resultado fue una reducción contundente: de acuerdo con UiPath, el tiempo promedio para resolver una disputa pasó de 97 horas a 4.8. Banco Azteca también reportó un aumento de 50% en la productividad de las atenciones relacionadas con cajeros y aclaraciones.
El volumen de solicitudes ayuda a entender la importancia del cambio: Banco Azteca pasó de recibir alrededor de 250 mil solicitudes de aclaración al año a 1.4 millones. Para 2022, la institución esperaba alcanzar 1.8 millones.
La escala ayuda a entender por qué la automatización se volvió una decisión operativa y no solo tecnológica. Un banco con millones de clientes puede enfrentar cientos de miles o millones de solicitudes. Si cada una requiere que una persona consulte manualmente varios sistemas, el tiempo de respuesta crece y también aumenta la posibilidad de errores. Cuando el proceso se estructura y automatiza, los empleados pueden concentrarse en las excepciones, los casos complejos y las decisiones que requieren criterio.
La evolución más reciente apunta en esa dirección. Banco Azteca reporta más de 8,800 procesos automatizados y una capacidad equivalente a más de 3,300 puestos de trabajo, aunque esa cifra debe entenderse como capacidad operativa liberada y no como empleos eliminados. El siguiente paso consiste en coordinar procesos completos —con personas, sistemas, automatizaciones y modelos de IA— en lugar de automatizar tareas aisladas.
Para reflexionar
El aprendizaje para otras empresas es claro: una implementación de IA no tiene que comenzar con una gran transformación visible para el público. Puede comenzar con un proceso interno, repetitivo y costoso, siempre que exista una medición clara del problema y una forma concreta de evaluar el resultado.
La historia comenzó antes de ChatGPT, cuando la IA todavía no era una herramienta masiva ni un tema habitual en las empresas. Banco Azteca la puso a prueba en un problema concreto, midió sus resultados y consiguió resolver reclamaciones en horas, no en días. A veces, así comienza una transformación: con una mejora que el cliente quizá no ve, pero sí alcanza a sentir.
