IA en pagos: 5 casos de uso que sí funcionan en fintech LATAM

Llevo más de una década construyendo sistemas de pagos en América Latina — en PayU, en Rappi, y hoy como CTO de Bamboo Payment Systems, procesando transacciones en más de 20 países. En ese tiempo he visto pasar varias olas de tecnología "imprescindible": blockchain para todo, big data para todo, y ahora IA para todo. La diferencia con esta ola es que, por primera vez, tengo casos concretos donde la tecnología paga sus cuentas — y otros donde sigue siendo una demo bonita.

Este artículo es la lista corta. Cinco casos de uso de IA en pagos y fintech que funcionan hoy en la región — no en un paper de Silicon Valley, sino en operaciones con presupuestos ajustados, reguladores exigentes y clientes que no perdonan un falso rechazo. Para cada uno: qué resuelve, por qué la IA le aporta algo que el software tradicional no, y qué métrica mirar para saber si está funcionando. Si lideras una fintech, un banco digital o el área de pagos de una empresa, esta es la priorización que yo haría.

1. Detección de fraude: del motor de reglas al scoring adaptativo

Es el caso de uso más maduro de la lista, y donde la diferencia entre IA y software tradicional es más fácil de explicar. El enfoque clásico es un motor de reglas: "si el monto supera X y la tarjeta es de tal país, rechaza". Funciona — hasta que el fraude muta, y las reglas escritas para el patrón de hace seis meses empiezan a fallar en las dos direcciones: dejan pasar el fraude nuevo y rechazan clientes legítimos que se parecen al fraude viejo.

Los modelos de aprendizaje automático — y más recientemente los LLMs como capa de análisis encima de ellos — atacan exactamente ese punto: aprenden patrones de las transacciones reales y se reentrenan cuando el comportamiento cambia. En la práctica regional esto importa el doble, porque el fraude en LATAM tiene dinámicas propias (esquemas de contracargos, fraude amistoso, ataques de prueba de tarjetas) que los modelos globales entrenados con datos de otros mercados capturan mal.

Lo que he visto funcionar no es "reemplazar las reglas por un modelo", sino combinarlos: el motor de reglas mantiene las líneas rojas duras (listas negras, límites regulatorios) y el modelo aporta un score de riesgo que decide la zona gris — aprobar, rechazar o mandar a revisión. Y una adición reciente que sí es de esta ola de IA: usar un LLM para que el analista de fraude le pregunte al sistema en lenguaje natural "¿por qué se marcó esta transacción?" y reciba una explicación legible, en lugar de un número opaco.

• Métrica que importa: no solo la tasa de fraude — la tasa de falsos positivos. Cada transacción legítima rechazada es venta perdida y un cliente que probablemente no vuelve. Un antifraude que "mejora" bloqueando más de la cuenta no mejoró nada.
• Cómo empezar: las plataformas de pago y los proveedores antifraude ya ofrecen esto como servicio. La decisión real no es construir el modelo — es exigirle al proveedor visibilidad sobre falsos positivos y capacidad de ajustar umbrales por segmento.

2. KYC y onboarding: verificar identidad sin perder al cliente en el intento

Todo el mundo mide la conversión del checkout; muy pocos miden la del onboarding. Y en fintech LATAM el onboarding es donde se muere una parte enorme del embudo: verificación de identidad con documentos de 20 países distintos, cada uno con sus formatos, sus registros públicos y su calidad de foto tomada con el celular a las 11 de la noche.

Aquí la IA hace tres cosas que el proceso manual o el software rígido hacían mal: lee documentos variados (OCR con modelos de visión que toleran fotos imperfectas y formatos que cambian por país), compara la selfie contra el documento con detección de vida, y cruza los datos extraídos contra listas y registros para armar el expediente. El resultado no es "sin humanos" — es que el analista de cumplimiento deja de transcribir cédulas y pasa a revisar los casos que el sistema marcó como dudosos.

El impacto se mide en dos números: tiempo de onboarding (de días a minutos en los casos limpios) y tasa de abandono del registro. Un proceso de verificación que tardaba 48 horas y pasa a 5 minutos no es una mejora incremental — cambia cuántos clientes llegan vivos al final del embudo. Y el ángulo regulatorio importa: los reguladores de la región no piden que un humano haga todo; piden trazabilidad. Un pipeline de KYC con IA bien montado documenta cada paso mejor que el proceso manual que reemplaza.

3. Conciliación y back-office: el caso menos glamoroso y el de ROI más seguro

Si me obligan a elegir un solo caso de esta lista para empezar mañana, es este. Nadie da conferencias sobre conciliación, pero toda operación de pagos vive de ella: cruzar lo que dice el procesador contra lo que dice el banco contra lo que dice el sistema interno, encontrar las diferencias, explicarlas y ajustarlas. Es trabajo 100% digital, recurrente, verificable — y absorbe horas de gente valiosa en copiar celdas entre reportes con formatos distintos.

Es también el caso ideal para agentes de IA: el agente recibe los reportes, cruza por referencia, clasifica las diferencias (montos distintos, transacciones huérfanas, desfases de fecha de liquidación), propone explicaciones para los patrones conocidos y entrega la tabla de excepciones lista para revisión. Lo que era un día de trabajo de un analista se convierte en 30 minutos de revisar excepciones. En pagos hacemos esto todas las semanas — no es una promesa, es rutina.

La misma lógica aplica al resto del back-office documental: extraer datos de facturas y comprobantes, verificar expedientes de merchants antes de activarlos, revisar contratos contra una lista de criterios. Todo lo que sea "leer documentos, extraer datos, cruzar contra sistemas" es hoy territorio ganado.

4. Soporte al merchant: respuestas con contexto, no macros

El soporte en una plataforma de pagos tiene una particularidad que lo hace más difícil — y más agradecido con la IA — que el soporte genérico: casi todas las preguntas son sobre datos. "¿Por qué no me ha llegado la liquidación?", "¿por qué se rechazó esta transacción?", "¿cuándo se procesa este contracargo?". La respuesta correcta no está en un artículo de ayuda; está en los sistemas, y hoy la busca un agente humano navegando tres pantallas.

Un asistente de IA conectado a esos sistemas — con acceso de solo lectura y permisos por merchant — resuelve la primera línea de ese soporte: entiende la pregunta, consulta el estado real de la transacción o la liquidación, y responde con el dato concreto. Los casos ambiguos o sensibles escalan a un humano, con el contexto ya reunido. Ya escribimos sobre cómo implementar IA en soporte al cliente y la secuencia borrador → aprobación → autonomía; en fintech esa disciplina es obligatoria, no opcional.

• Métrica que importa: tasa de resolución en primer contacto y tiempo de primera respuesta, segmentados por tipo de consulta. Y una que casi nadie mira: cuántos tickets ni siquiera se crean porque el merchant encontró la respuesta solo.
• Línea roja: el asistente informa y prepara; no mueve dinero, no modifica cuentas, no promete fechas que no salgan del sistema. En pagos, un bot que inventa una fecha de liquidación destruye más confianza de la que ahorró en tickets.

5. Scoring de riesgo: decidir con los datos que sí existen

El caso más transformador para la región, y a la vez el que exige más cuidado. Una parte enorme de la población y de los comercios de LATAM no tiene historial crediticio formal — el buró simplemente no los conoce. El scoring tradicional responde a eso con un "no": no hay historial, no hay crédito, no hay adelanto de liquidación. La IA permite responder con los datos que sí existen: el historial transaccional.

Para una plataforma de pagos o una fintech que ve las ventas diarias de un comercio, ese flujo es una radiografía de su salud financiera más fresca que cualquier estado financiero: estacionalidad, tendencia, tasa de contracargos, mix de métodos de pago. Los modelos entrenados sobre esos datos habilitan productos que antes eran inviables — adelantos de liquidación, crédito de capital de trabajo para merchants, límites dinámicos — con tasas de impago competitivas frente al scoring tradicional, porque la señal es mejor.

Las advertencias son reales y las digo con la misma claridad: los modelos de crédito heredan los sesgos de sus datos, los reguladores de la región están empezando a exigir explicabilidad en las decisiones automatizadas, y un modelo de riesgo mal calibrado quiebra empresas — no genera "una mala experiencia". Este caso no se lanza como piloto de fin de semana: se lanza con montos pequeños, con revisión humana de los casos borde, con métricas de cosecha (cómo se comporta cada camada de créditos) desde el primer desembolso, y con un comité que pueda explicar por qué el modelo decide lo que decide.

Cómo priorizar: la secuencia que recomendaría

Los cinco casos son reales, pero no son iguales en riesgo ni en esfuerzo. Si estuviera armando el roadmap de una fintech mediana en la región hoy, la secuencia sería:

• Primero, conciliación y back-office: ROI casi garantizado, riesgo mínimo, resultado verificable. Es donde se aprende a trabajar con IA sin apostar el negocio.
• Segundo, soporte al merchant: impacto directo en la experiencia del cliente, con líneas rojas fáciles de definir.
• Tercero, fraude y KYC: casi siempre vía proveedores especializados — la decisión es de integración y exigencia de métricas, no de construcción propia.
• Último, scoring: el de mayor potencial y el único de la lista que puede hacer daño estructural si se hace mal. Se gana el derecho a intentarlo habiendo ejecutado bien los anteriores.

Y una regla transversal: antes de arrancar cualquiera, define la línea base. Cuántas horas toma hoy la conciliación, cuál es la tasa de falsos positivos actual, cuánto tarda hoy el onboarding. Sin ese número previo, en seis meses no vas a poder distinguir entre un proyecto que funcionó y uno que solo se ve moderno — lo desarrollamos en detalle en cómo medir el ROI de la IA.

Conclusión

En pagos, la IA dejó de ser el capítulo de "innovación" de la presentación anual y pasó a ser una herramienta operativa con casos probados: fraude que se adapta, onboarding que no espanta clientes, conciliación que no consume analistas, soporte que responde con datos y crédito para quienes el buró no ve. Ninguno requiere un laboratorio de investigación; todos requieren lo que siempre requirió la buena ingeniería en este sector: criterio para elegir, disciplina para medir y respeto por el riesgo.

Si estás evaluando por dónde empezar — o ya arrancaste y no sabes si está funcionando — en Saphia Labs ayudamos a fintechs y empresas de la región a aterrizar estos casos de uso con métricas claras y supervisión bien diseñada desde el día uno.