Última actualización: abril de 2026
Este es un avance de nuestra guía práctica sobre la IA en la evaluación de crédito. Muestra cómo los prestamistas líderes están cerrando la brecha entre el fraude, el crédito y el cumplimiento, y dónde fallan la mayoría de las implementaciones. Obtenga su copia hoy mismo.
La evaluación de crédito está empezando a fallar de maneras que la mayoría de los prestamistas no notan a primera vista.
En la superficie, todo sigue funcionando. Se toman decisiones. Los modelos asignan riesgos. Las carteras rinden... hasta que dejan de hacerlo. Las pérdidas empiezan a aparecer donde no deberían. Las explicaciones tardan más en generarse y se sienten menos seguras cuando finalmente llegan.
Lo que ha cambiado no es un componente único. Es la cantidad de elementos que ahora deben funcionar juntos a la vez. El fraude imita cada vez más el comportamiento crediticio legítimo, pasando desapercibido por la evaluación del riesgo. El cumplimiento ya no está al final de la cadena; los reguladores esperan que cada decisión sea reconstruida y justificada tras el hecho. Y los datos crediticios se han expandido mucho más allá de las puntuaciones de las agencias de crédito tradicionales, convirtiéndose en señales para las cuales la mayoría de los sistemas no fueron creados para gestionar de forma conjunta.
La IA representa un cambio cualitativo en lo que los sistemas pueden hacer. Permite analizar más señales simultáneamente, detectar patrones que antes eran invisibles y generar respuestas más cercanas a cómo se toman realmente las decisiones. Amplía tanto el alcance como la velocidad del proceso de decisión.
Pero la IA por sí sola no resuelve el problema de fondo. Cuando se superpone a sistemas heredados, hereda su fragmentación. Las decisiones siguen dividiéndose en diferentes procesos. Las explicaciones aún deben reconstruirse retrospectivamente. Las señales se siguen evaluando de forma aislada, solo que con modelos más sofisticados.
Las instituciones que están gestionando esto con éxito no solo están adoptando la IA, sino que están cambiando la arquitectura que la rodea.
En lugar de tratar el fraude, el crédito y el cumplimiento como sistemas separados, están construyendo capas de decisión unificadas donde estas evaluaciones ocurren juntas, en tiempo real y con el mismo conjunto de datos. La IA opera dentro de esa capa, no a través de sistemas desconectados. Las decisiones se toman una sola vez, con todo el contexto, y se registran de una manera que las hace inherentemente rastreables y explicables.
La IA amplía las posibilidades, pero la arquitectura determina si realmente funciona en la práctica. Y eleva el estándar. Los modelos se vuelven más complejos. La gobernanza es más exigente. Las expectativas regulatorias siguen aumentando, a menudo de forma desigual según la jurisdicción. Los sistemas que resisten son aquellos diseñados para esa complejidad desde el inicio.
Esta guía explora dónde falla el enfoque heredado, cómo la IA cambia tanto lo que es posible como lo que es obligatorio, y qué distingue a los sistemas que realmente funcionan en producción. Para conocer la arquitectura completa, los flujos de trabajo y los patrones de implementación, descargue la guía práctica completa.
Resumen
La evaluación de crédito está fallando: El fraude, el riesgo crediticio y el cumplimiento convergen hoy en día, pero la mayoría de los sistemas aún los tratan por separado.
La clasificación errónea es el principal modo de fallo: El fraude se registra como pérdida crediticia, lo que contamina los modelos y debilita las decisiones con el tiempo.
El impacto es medible: 3300 millones de dólares en exposición a identidades sintéticas (TransUnion), en su mayoría clasificados erróneamente como pérdidas crediticias.
Los reguladores están elevando el estándar: La Ley de IA de la UE (agosto de 2026) y la Ley de IA de Colorado (junio de 2026) exigen que las decisiones puedan reconstruirse y justificarse posteriormente. Otras jurisdicciones están siguiendo el mismo camino, pero la mayoría de los sistemas no fueron diseñados para generar esos registros bajo demanda.
La arquitectura heredada fragmenta las decisiones: Los sistemas desconectados y los pasos manuales introducen retrasos, inconsistencias y pérdida de control.
Lo que las instituciones líderes hacen diferente: Evaluar el fraude, el crédito y el cumplimiento juntos en un motor de decisiones único y unificado.
Por qué fallan los sistemas heredados de evaluación de crédito en 2026
La mayoría de los sistemas de evaluación de crédito siguen operando de manera muy similar a como lo hacían hace cinco años. Los modelos de crédito se optimizan para el riesgo de impago. Los sistemas de fraude se enfocan en la integridad de la identidad. Las funciones de cumplimiento reconstruyen las decisiones después de que ya se han tomado, a menudo utilizando datos que nunca fueron diseñados para ser explicados.
Esta estructura funcionaba cuando cada factor podía atenderse de forma independiente. Falla cuando los tres coinciden. Una identidad sintética puede pasar los controles de crédito porque se comporta como un solicitante legítimo. Un caso de fraude de identidad propia puede registrarse como pérdida crediticia porque no se activó ninguna señal de fraude. Una notificación de acción adversa puede basarse en justificaciones genéricas porque el sistema no puede reconstruir los factores reales de la decisión. Cada componente cumple su función, pero la decisión en sí termina distribuida entre sistemas, equipos y plazos, sin un único punto de responsabilidad sobre el resultado.
Hay tres patrones que se repiten constantemente. Cada uno refuerza al otro y, aunque la mayoría de los equipos los reconocen, pocos han rediseñado sus sistemas para solucionarlos de raíz.
Los cambios en las políticas de crédito tardan demasiado con los sistemas heredados
En muchas organizaciones, incluso un cambio sencillo en la política de crédito requiere pasar por un proceso operativo complejo: abrir solicitudes de soporte técnico, esperar las pruebas de control y coordinar lanzamientos entre equipos. Lo que debería ser un ajuste estratégico se convierte en un esfuerzo de varias semanas, o incluso más cuando el cambio afecta a múltiples productos o jurisdicciones.
Durante ese tiempo, la cartera mantiene una exposición sin gestionar. Algunos equipos dejan vigentes reglas obsoletas más tiempo del debido. Otros apresuran los cambios sin una validación completa. Ninguno de los dos enfoques es visible en tiempo real, pero ambos terminan reflejándose en el rendimiento de la cartera.
El problema no es solo la velocidad, sino la dependencia estructural. Cuando la lógica de las políticas está fuertemente acoplada a los flujos de trabajo de ingeniería, la adaptación es inevitablemente lenta.
La revisión manual se convierte en un cuello de botella a gran escala
Los retrasos causados por los cambios en las políticas se agravan por la creciente carga de la revisión manual. Lo que comienza como un proceso para gestionar casos excepcionales se expande gradualmente hasta convertirse en un cajón de sastre para resolver cualquier incertidumbre.
A medida que aumenta el volumen, las colas de espera crecen. Los analistas toman decisiones diferentes ante solicitudes similares, introduciendo una inconsistencia que suele pasar desapercibida hasta que la detectan las auditorías o los organismos reguladores. Además, los casos son más difíciles que hace dos años. Los documentos generados por IA, las identidades sintéticas y los perfiles financieros manipulados están diseñados para parecer creíbles ante un revisor que trabaja bajo presión de tiempo. El desafío no es el error humano. Los revisores suelen decidir basándose en información incompleta o deliberadamente engañosa y, a medida que aumenta la proporción de casos ambiguos, la revisión manual pierde eficacia como medida de seguridad.
Las puntuaciones FICO ya no son suficientes para evaluar el riesgo crediticio
Las puntuaciones de crédito tradicionales siguen siendo un dato fundamental, pero ya no bastan por sí solas. El mercado ya está cambiando. En julio de 2025, la FHFA aprobó por primera vez el uso de VantageScore 4.0 junto con FICO para la calificación de hipotecas de empresas patrocinadas por el gobierno. En marzo de 2026, el senador Josh Hawley abrió una investigación sobre los precios de FICO, señalando que los costos por puntuación se habían duplicado.
La evaluación basada en el flujo de caja está ganando terreno para aquellos solicitantes que no encajan en el sistema de puntuación tradicional, incorporando datos de transacciones bancarias, patrones de ingresos, hábitos de gasto e información alternativa como registros de alquileres y servicios públicos. Estas fuentes de datos adicionales aportan información valiosa, especialmente para los sectores menos atendidos.
Sin embargo, también introducen nuevos desafíos. Cada señal debe ser validada, gobernada e integrada en el proceso de decisión. Disponer de más datos aumenta el potencial predictivo, pero también amplía el margen para inconsistencias, errores y escrutinio regulatorio. El reto no es obtener más datos, sino gestionarlos de modo que se preserve la coherencia y la rendición de cuentas en cada decisión.
Regulaciones de la IA en la evaluación de crédito en 2026
El entorno regulatorio en 2026 se define menos por una norma única y más por una convergencia de expectativas entre diferentes jurisdicciones. A pesar de las diferencias en los marcos legales, está surgiendo un requisito común: las decisiones de crédito automatizadas deben ser explicables, rastreables e inspeccionables tras el hecho.
En los Estados Unidos, la Regulación B (ECOA) establece la base, exigiendo que las razones de una acción adversa sean específicas y reflejen los factores reales utilizados en la decisión. La CFPB ha dejado claro que esto se aplica a los sistemas algorítmicos y que los códigos genéricos no son suficientes. La supervisión se ha mantenido activa, con multas multimillonarias que subrayan que las expectativas vigentes se aplican independientemente de las nuevas normativas. A nivel estatal, la Ley de IA de Colorado (vigente a partir de junio de 2026) introduce requisitos como evaluaciones de impacto, divulgación al consumidor y mecanismos de revisión humana, mientras que las regulaciones actualizadas de la CCPA de California (vigentes en enero de 2027) añaden avisos previos al uso y derechos de exclusión voluntaria para la toma de decisiones automatizada.
En Europa, la Ley de IA de la UE (plenamente aplicable en agosto de 2026) clasifica la evaluación de la solvencia como de alto riesgo. Exige documentación técnica, registro de eventos, sistemas de gestión de calidad y reporte de incidentes, y se aplica a cualquier institución que preste servicios a consumidores de la UE, sin importar dónde tenga su sede.
La dificultad es acumulativa. Incluso las instituciones que operan dentro de una sola jurisdicción se enfrentan a un conjunto complejo de expectativas federales, estatales y, en algunos casos, internacionales. Aun así, la dirección de todos estos marcos demuestra que los reguladores coinciden en que cualquier decisión crediticia automatizada debe poder reconstruirse con un registro verificable de los datos, la lógica y la versión del modelo que la sustentaron.
La mayoría de las organizaciones entienden esto en teoría, pero pocas pueden ponerlo en práctica. Generar estos registros a menudo requiere recopilar datos de múltiples sistemas de manera retrospectiva, lo que genera ineficiencias y riesgos. A medida que aumenta la supervisión y más instituciones operan en distintas jurisdicciones, esa brecha resulta imposible de ignorar.
Cómo el fraude explota los sistemas de evaluación de crédito en 2026
Los patrones de fraude que surgen en 2026 no atacan la evaluación de crédito desde el exterior. Presentan las señales correctas, en el formato adecuado, a sistemas que evalúan dichos datos de forma aislada. El fraude supera el filtro de evaluación, se aprueba, se le asigna precio y se modela como cualquier otra cuenta.
Cómo el fraude de identidad sintética supera la evaluación de crédito sin ser detectado
Un número de Seguro Social real combinado con datos falsos crea un perfil que supera los controles de KYC y construye un historial de crédito legítimo a lo largo de meses o años. El perfil se comporta como un solicitante real porque la infraestructura lo trata como tal. Cuando finalmente se produce el impago, la pérdida se registra como una cancelación por incobrabilidad de crédito. No se activa ninguna alerta de fraude.
TransUnion estima en 3300 millones de dólares la exposición de los prestamistas vinculada a sospechas de identidades sintéticas. Equifax informa que las identidades sintéticas en las solicitudes de crédito han crecido un 14% interanual desde 2020, acumulando casi un 50% en total en cuatro años. La infraestructura que respalda este fraude se ha democratizado: paquetes de identidad, registros de crédito antiguos y herramientas de falsificación de documentos se venden en las mismas plataformas comerciales que los servicios legítimos.
Estas pérdidas se registran como riesgo crediticio, y el modelo aprende de ese resultado. La siguiente decisión se toma con información ligeramente peor que la anterior, y cada ciclo refuerza al anterior. Para cuando es visible en el rendimiento de la cartera, ya está incrustado en los modelos de predicción.
Por qué el fraude de identidad propia se clasifica erróneamente como riesgo crediticio
El solicitante es real. La identidad es válida. Lo que es falso es el perfil financiero: ingresos inflados, obligaciones no declaradas o empleo falso.
LexisNexis descubrió que el fraude de identidad propia se convirtió en el principal tipo de fraude a nivel global, representando el 36% de todo el fraude reportado, frente al 15% del año anterior. Cuando estos solicitantes incumplen sus pagos, el equipo de crédito registra una pérdida, mientras que el equipo de fraude no registra nada. La institución ajusta sus modelos de crédito para reflejar el patrón de pérdidas, optimizando sobre una señal que, en primer lugar, nunca fue un evento de crédito tradicional. Un líder de riesgos que analiza la cartera ve un aumento de los impagos en un segmento, pero no puede ver que una parte importante de ellos no son fallos crediticios reales debido a la falta de señales unificadas de fraude y crédito.
Fraude de documentos generado por IA y ataques de saturación de solicitudes
En noviembre de 2024, la FinCEN emitió la primera advertencia formal del Departamento del Tesoro sobre fraude con medios sintéticos generados por IA. Recibos de nómina, estados de cuenta bancarios y documentos de identidad se pueden crear ahora con un formato realista a bajo costo. Estos documentos pasan la extracción automatizada y muchos superan la revisión manual. Las plataformas que combinan agentes de análisis de documentos con flujos de verificación de identidad detectan patrones a través de metadatos, señales de comportamiento y gráficos de identidad, pero solo cuando esos datos están disponibles en el momento de decidir.
Los ataques de saturación de solicitudes aprovechan las brechas de comunicación entre instituciones. Una identidad sintética solicita préstamos en cinco entidades diferentes en un plazo de 48 horas. Cada solicitud parece normal por separado. Ningún prestamista individual dispone de la información suficiente para activar la alerta.
Comparación de tipos de fraude en la evaluación de crédito
Tipo de fraude | Por qué pasa el filtro | Qué contamina |
|---|---|---|
Identidad sintética | Supera los controles de KYC y de agencias durante la fase de creación del crédito | Los modelos de pérdida crediticia aprenden de comportamientos fraudulentos |
Falsedad de identidad propia | No hay una identidad robada que detectar; parece un riesgo de crédito común | Los modelos de reserva y la calibración de riesgos se distorsionan |
Fraude documental por IA | La recreación supera la extracción automatizada y la revisión manual | La capa de verificación falla de forma silenciosa |
Saturación de solicitudes | Cada solicitud parece habitual de forma aislada | El crédito se otorga antes de que cualquier prestamista detecte el patrón |
Cómo se soluciona esto realmente
El patrón en cada uno de los fallos descritos es el mismo: las decisiones se dividen entre sistemas que no comparten contexto. El fraude, el crédito y el cumplimiento operan con información parcial, y en las brechas entre ellos es donde se acumulan las pérdidas, la clasificación errónea y el riesgo regulatorio.
La mayoría de los equipos entienden lo que hay que hacer en teoría. Lograr que funcione en producción, con carteras reales y bajo restricciones regulatorias reales, es donde la mayoría de las implementaciones fracasan. E incluso entre las plataformas que unifican el proceso de decisión, hay una segunda brecha que la mayoría no ve hasta más tarde: la brecha entre tomar decisiones y aprender de ellas.
Los sistemas también deben ser capaces de aprender de las decisiones en tiempo real: analizando resultados, probando cambios contra datos reales de producción y midiendo el impacto de cada ajuste de política sin depender de análisis externos o procesos de desarrollo de ingeniería. Sin este bucle de retroalimentación, incluso los sistemas unificados corren el riesgo de operar con una visión incompleta de su propio rendimiento.
Qué incluye la guía práctica de IA en la evaluación de crédito
La guía práctica completa describe cómo se construyen realmente estos sistemas:
Arquitectura de producción: Cómo la orquestación de datos en tiempo real, el aprendizaje automático explicable y la evaluación unificada de fraude y crédito se conectan a través de una capa de plataforma única, con un marco de gobernanza que hace que cada decisión sea auditable.
Experimentación e inteligencia de decisiones: Cómo las pruebas retrospectivas con datos reales, las pruebas A/B en vivo y los análisis dentro de la plataforma cierran el ciclo entre tomar una decisión y saber si funcionó, sin necesidad de exportar datos ni involucrar al equipo de desarrollo.
IA de agentes en crédito: Cómo los agentes de IA implementados en entornos de decisión gobernados optimizan el trabajo analítico mientras el equipo humano conserva el derecho final de decisión.
Evaluación y migración de plataformas: Dónde se ocultan los fallos habituales tras la compra y cómo instituciones como Balance completaron migraciones completas en solo 32 días.
Cumplimiento de regulaciones: Qué exigen normas como la SR 11-7, la ECOA, la Ley de IA de la UE y las leyes de IA de nivel estatal a los sistemas automatizados de decisión de crédito, y qué registros deben generar estos sistemas.
Toma de decisiones de crédito nativa en IA: Resultados en producción
En las implementaciones de Oscilar el patrón es consistente. Una vez que la toma de decisiones se unifica y se acerca al tiempo real, los equipos eliminan categorías enteras de fricción. Cambios en las políticas que solían tomar semanas se realizan en días. La revisión manual se reduce únicamente a los casos verdaderamente dudosos. Y, de igual forma, los equipos obtienen visibilidad de decisiones que antes no podían explicar del todo.
Lo que se observa en producción no es solo una mejora de las métricas, sino un modelo operativo completamente diferente.
Empresa | Descripción | Resultado | Área de impacto |
|---|---|---|---|
Banco digital y plataforma de servicios financieros completos con más de 10 millones de miembros | Tiempo de comercialización un 50 % más rápido; procesamiento un 30 % o más rápido | Velocidad de políticas | |
Proveedor global de tecnología de pagos | Tiempo de evaluación manual reducido a la mitad; aumento de hasta un 15 % en la adjudicación automática; cero acuerdos de nivel de servicio (SLA) incumplidos | Velocidad de evaluación + automatización | |
Prestamista de consumo que atiende a más de 100 000 clientes | Costos de decisión reducidos en un 70 %; implementación en cuestión de días | Costo + velocidad | |
Plataforma de financiamiento comercial y pagos B2B | Migración de plataforma completa en 32 días mediante ejecuciones paralelas | Velocidad de migración | |
Proveedor de tarjetas corporativas y crédito para comercio electrónico | Tareas pendientes de evaluación reducidas en un 70 %; procesamiento un 40 % más rápido | Eficiencia operativa | |
Fintech de pagos B2B y capital de trabajo | Actualizaciones de modelos de riesgo en horas en lugar de semanas; horas de ingeniería reducidas a un tercio | Velocidad de lanzamiento | |
Plataforma de gestión de gastos corporativos en LATAM | Proceso de registro 3 veces más rápido; capacidad de procesamiento de 3 a 4 veces mayor con la misma cantidad de empleados | Escala + velocidad |
Estos logros se deben a un cambio en la forma de decidir: pasar de procesos fragmentados a un sistema unificado donde el fraude, el crédito y el cumplimiento se evalúan en conjunto, permitiendo probar y activar cambios en tiempo real.
Lo que la arquitectura de evaluación de crédito debe soportar en 2026
La evaluación de crédito no está fallando por un único motivo, sino porque el entorno que la rodea ha cambiado por completo. El fraude es cada vez más técnico y sofisticado. El volumen de datos ha superado la capacidad de los sistemas diseñados para gestionarlos. Cumplir con las normativas exige ahora justificar cada decisión tiempo después. La mayoría de los sistemas siguen tratando estas necesidades de forma separada, y en el vacío entre ellas es donde crecen las pérdidas, los diagnósticos erróneos y el riesgo legal.
Se necesita un paradigma completamente diferente para la toma de decisiones. No se pueden reconstruir uniendo piezas de sistemas desconectados después de que todo haya ocurrido. Deben realizarse en una única ocasión, en tiempo real, con todo el contexto disponible y registrarse de manera que sean rastreables, comprobables y defendibles.
Los sistemas que aguantan en producción están diseñados bajo esa realidad. Todo lo demás acumula riesgos de forma silenciosa: mediante desviaciones de modelos, pérdidas mal catalogadas e informes de auditoría que solo aparecen meses después.
Si su equipo no puede recuperar exactamente una decisión de hace seis meses, distinguir el fraude de las pérdidas de crédito en sus datos, generar notificaciones de acción adversa precisas para cada jurisdicción o aplicar cambios en las políticas sin soporte de ingeniería, hable con un experto de Oscilar para ver cómo cerrar esas brechas.
Preguntas frecuentes: la IA en la evaluación de crédito
¿Cómo cumplen los modelos de evaluación de IA con los requisitos de acción adversa bajo ECOA y la Regulación B?
La CFPB ha aclarado que los motivos de acciones adversas deben reflejar los factores específicos que el modelo realmente utilizó, no códigos genéricos de formularios de ejemplo. Técnicas de explicabilidad como los valores SHAP pueden generar códigos de justificación individuales vinculados a las variables que determinaron cada decisión. El reto está en traducir esas explicaciones técnicas del modelo a un lenguaje que cumpla con la normativa y que los clientes entiendan; un paso que la mayoría de los sistemas heredados resuelven de manera manual aproximada, acumulando demoras y errores. Las plataformas que automatizan esta correlación según el producto y la jurisdicción eliminan ese obstáculo. A medida que las fuentes de datos del modelo se expanden más allá de los informes crediticios tradicionales, el uso de bibliotecas de códigos de motivos estáticos se vuelve cada vez más riesgoso.
¿Cómo se aplica la norma SR 11-7 a los modelos de crédito de IA y aprendizaje automático?
La norma SR 11-7 se aplica a cualquier modelo utilizado en decisiones de crédito, ya sea desarrollado internamente o por un tercero. Los requisitos fundamentales son la documentación, la validación independiente y el monitoreo constante. En los modelos de IA, los auditores evalúan el análisis de explicabilidad, la detección de desviaciones en los datos (data drift), las pruebas de sesgo en grupos protegidos y si las condiciones de reentrenamiento están bien definidas y registradas. El problema real es que la SR 11-7 se diseñó para modelos estadísticos tradicionales. Los riesgos específicos de la IA, como la desviación del concepto (concept drift) y las relaciones cruzadas entre variables, requieren ampliar esta normativa, y la mayoría de las organizaciones aún están descifrando cómo estructurarlo. Las plataformas que generan informes de validación y límites de monitoreo automáticamente como parte de su operación regular facilitan significativamente estas auditorías.
¿Cuál es la diferencia entre ejecutar modelos de IA en la evaluación clásica y usar una plataforma de decisión nativa en IA?
Ejecutar modelos de IA en la evaluación de crédito suele implicar implementar un modelo de puntuación predictivo dentro de la infraestructura existente. El modelo genera una puntuación, pero la detección de fraudes, el cumplimiento normativo, la entrega de motivos de rechazo y las políticas se manejan en sistemas distintos. Una plataforma de decisión nativa en IA integra todas estas funciones para evaluar el fraude, el crédito y el cumplimiento de manera conjunta, con los mismos datos y bajo un historial de auditoría unificado. Además, conecta la toma de decisiones con el aprendizaje continuo: permite rastrear indicadores clave, realizar simulaciones retrospectivas de políticas y analizar el rendimiento en tiempo real, sin requerir herramientas externas. Los problemas descritos en esta guía se originan en las brechas entre sistemas aislados. La lentitud para ver si una política nueva funciona es la última brecha que los equipos cierran, y la más costosa de ignorar.
¿Cómo detectan los prestamistas la desviación de los modelos en los sistemas de evaluación de crédito con IA?
La desviación (drift) ocurre cuando cambia la relación entre las variables de entrada y los resultados, habitualmente por variaciones en el segmento de clientes o en el entorno económico. En la evaluación de crédito, la desviación es especialmente crítica si interactúa con patrones de fraude: si las pérdidas por fraude de identidad sintética se registran como pérdidas crediticias tradicionales, el modelo se reentrena con etiquetas erróneas y se desvía en la dirección equivocada. Su detección requiere analizar las distribuciones de variables y predicciones frente a los indicadores de validación iniciales. Las instituciones que detectan esto temprano cuentan con sistemas de control automatizados integrados directamente en su plataforma de toma de decisiones en lugar de añadirlos después.
¿Cuánto tiempo toma migrar a una plataforma de toma de decisiones crediticias nativa en IA?
Balance completó la migración completa de su plataforma en solo 32 días utilizando ejecuciones paralelas que comparaban los resultados de los sistemas antiguos y nuevos antes de transferir el tráfico en vivo. Los plazos cambian según la complejidad de la cartera y los requisitos de integración, pero la clave está en poder ejecutar ambos sistemas en paralelo y contrastar las decisiones antes del cambio definitivo.
Farrah Appleman
Responsable de Marketing de Contenidos Sénior
DESCARGO DE RESPONSABILIDAD
El contenido de este sitio web se proporciona solo con fines informativos y no constituye asesoramiento legal, fiscal, financiero, de inversión u otro tipo de asesoramiento profesional. Las opiniones expresadas por las personas citadas, los colaboradores o terceros son exclusivamente suyas y no reflejan necesariamente los puntos de vista de nuestra organización.
Nada aquí debe interpretarse como un respaldo, recomendación o aprobación de ninguna estrategia, producto, servicio o punto de vista en particular. Los lectores deben consultar a sus propios asesores calificados antes de tomar cualquier decisión financiera o de inversión.
Oscilar no hace declaraciones ni garantías sobre la precisión, integridad o actualidad de la información proporcionada y renuncia a cualquier responsabilidad por cualquier pérdida o daño que surja de la confianza en este contenido. Este sitio web puede contener enlaces a sitios web de terceros, que Oscilar no controla ni respalda.
![](data:image/svg+xml,<svg display="block" role="presentation" viewBox="0 0 48 48" xmlns="http://www.w3.org/2000/svg"><g d="M 0 48 L 0 0 L 48 0 L 48 48 Z M 44.447 0 L 3.544 0 C 1.584 0 0 1.547 0 3.459 L 0 44.531 C 0 46.444 1.584 48 3.544 48 L 44.447 48 C 46.406 48 48 46.444 48 44.541 L 48 3.459 C 48 1.547 46.406 0 44.447 0 Z M 14.241 40.903 L 7.116 40.903 L 7.116 17.991 L 14.241 17.991 Z M 10.678 14.869 C 8.391 14.869 6.544 13.022 6.544 10.744 C 6.544 8.466 8.391 6.619 10.678 6.619 C 12.956 6.619 14.803 8.466 14.803 10.744 C 14.803 13.013 12.956 14.869 10.678 14.869 Z M 40.903 40.903 L 33.787 40.903 L 33.787 29.766 C 33.787 27.113 33.741 23.691 30.084 23.691 C 26.381 23.691 25.819 26.588 25.819 29.578 L 25.819 40.903 L 18.712 40.903 L 18.712 17.991 L 25.537 17.991 L 25.537 21.122 L 25.631 21.122 C 26.578 19.322 28.903 17.419 32.362 17.419 C 39.572 17.419 40.903 22.163 40.903 28.331 L 40.903 40.903 Z" fill="transparent" height="48px" id="adFk4VB3K" width="48px"><path d="M 0 48 L 0 0 L 48 0 L 48 48 Z" fill="transparent" height="48px" id="DghPi7XP3" width="48px"/><path d="M 44.447 0 L 3.544 0 C 1.584 0 0 1.547 0 3.459 L 0 44.531 C 0 46.444 1.584 48 3.544 48 L 44.447 48 C 46.406 48 48 46.444 48 44.541 L 48 3.459 C 48 1.547 46.406 0 44.447 0 Z M 14.241 40.903 L 7.116 40.903 L 7.116 17.991 L 14.241 17.991 Z M 10.678 14.869 C 8.391 14.869 6.544 13.022 6.544 10.744 C 6.544 8.466 8.391 6.619 10.678 6.619 C 12.956 6.619 14.803 8.466 14.803 10.744 C 14.803 13.013 12.956 14.869 10.678 14.869 Z M 40.903 40.903 L 33.787 40.903 L 33.787 29.766 C 33.787 27.113 33.741 23.691 30.084 23.691 C 26.381 23.691 25.819 26.588 25.819 29.578 L 25.819 40.903 L 18.712 40.903 L 18.712 17.991 L 25.537 17.991 L 25.537 21.122 L 25.631 21.122 C 26.578 19.322 28.903 17.419 32.362 17.419 C 39.572 17.419 40.903 22.163 40.903 28.331 L 40.903 40.903 Z" fill="rgb(20, 20, 20)" height="48px" id="Qi9pnIQwR" width="48px"/></g></svg>)
![](data:image/svg+xml,<svg display="block" role="presentation" viewBox="0 0 48 48" xmlns="http://www.w3.org/2000/svg"><path d="M 34.653 0 L 41.4 0 L 26.659 16.847 L 44 39.772 L 30.422 39.772 L 19.788 25.868 L 7.62 39.772 L 0.869 39.772 L 16.635 21.752 L 0 0 L 13.922 0 L 23.535 12.709 Z M 32.285 35.734 L 36.023 35.734 L 11.891 3.826 L 7.879 3.826 Z" fill="rgb(20, 20, 20)" height="39.77194px" id="A8r2uGwai" transform="translate(2 3.808)" width="44px"/></svg>)
