Esta semana, nuestra CEO y cofundadora, Neha Narkhede, se unió a Nik Milanović en This Week in Fintech para una discusión detallada sobre el futuro de la gestión de riesgos financieros y el enfoque innovador de Oscilar en la toma de decisiones de riesgo impulsadas por IA.

Puntos clave

En esta conversación, Neha explica cómo un enfoque de plataforma unificada en la toma de decisiones de riesgo de IA crea una visión integral de los riesgos de fraude, crédito y cumplimiento. Ella discute:

• Las brechas críticas en el panorama fragmentado de gestión de riesgos de hoy y por qué las soluciones puntuales son insuficientes para las instituciones financieras modernas

• Cómo la plataforma unificada de Oscilar permite decisiones de riesgo en tiempo real al combinar detección de fraude, monitoreo de cumplimiento y decisión de crédito

• El impacto transformador de las señales de riesgo compartidas a lo largo del ciclo de vida del cliente

• Historias de éxito de clientes reales, incluyendo cómo Trans Pecos Banks logró una reducción del 40% en los costos de operaciones de AML y una reducción del 70% en el tiempo de revisión de alertas

• La creciente importancia de la IA en el combate de técnicas de fraude sofisticadas, desde identidades sintéticas hasta deepfakes

• El aumento de la vigilancia regulatoria de los bancos patrocinadores y por qué es crucial el monitoreo de cumplimiento en tiempo real

• Su visión para el futuro de la gestión de riesgos, incluyendo la toma de decisiones hiperpersonalizadas y plataformas de cumplimiento unificadas

Para profesionales de operaciones de riesgo, equipos de cumplimiento y líderes del fintech, esta conversación ofrece perspectivas valiosas para construir sistemas financieros más resilientes a través de una gestión de riesgo unificada y impulsada por IA.

Puedes escuchar el episodio completo aquí

Transcripción completa del episodio

Nik Milanovic: Gracias a todos por acompañarnos hoy. Estamos de regreso para otro podcast de This Week in Fintech y estoy muy emocionado por nuestra invitada de hoy. Nuestra invitada es una fundadora, debo decir, una fundadora repetida que ha estado en el espacio de servicios financieros y fintech por un tiempo, y estoy realmente emocionado de escucharla. Su nombre es Neha Narkhede y es la fundadora de Oscilar.

Para aquellos de ustedes que aún no están familiarizados con Oscilar, Oscilar es una plataforma de decisiones de riesgo de IA que ayuda a las organizaciones a gestionar riesgos de onboarding, fraude, crédito y cumplimiento.

Neha es una fundadora repetida que pasó un tiempo en el espacio construyendo nuevos productos, y hoy vamos a profundizar en lo que Oscilar está construyendo, cuál es su visión para el futuro, algunos de sus estudios de caso de clientes y qué sigue.

Gracias nuevamente por unirse a nosotros y Neha, muchas gracias por tomarse el tiempo de estar aquí.

Neha Narkhede: Gracias, Nik. Estoy muy emocionada de estar aquí, apenas comenzando. Sé que hemos hecho algunos eventos juntos This Week in Fintech y Oscilar. Nos hemos asociado en el Reino Unido. Nos hemos asociado en los EE.UU. Nos hemos asociado en Brasil. Parece que estás en todas partes mientras Oscilar crece alrededor del mundo. Oscilar es una empresa global y somos un negocio de rápido crecimiento que opera en Norteamérica, Europa, Latinoamérica y también en Medio Oriente.

Nik Milanovic: Para quienes no saben, Neha fundó anteriormente una empresa llamada Confluent, donde creo que estuviste allí durante diez años como su CTO directora de producto, y luego como miembro del consejo, construyendo una empresa para datos en tiempo real y Apache Kafka. Tengo curiosidad, ¿podrías guiarnos a través de tu viaje desde la fundación de Confluent en Kafka hasta la fundación de Oscilar?

Neha Narkhede: Ha sido un viaje muy divertido en Confluent. Co-fundé Confluent para construir una plataforma de transmisión de datos en tiempo real impulsada por un sistema de código abierto muy popular llamado Apache Kafka, del cual fui una de las creadoras originales, y ayudamos a negocios de todo el mundo a aprovechar datos en tiempo real e IA para transformar sus operaciones.

Mientras trabajaba con los principales bancos, fintechs, comerciantes, viajes y hospitalidad, vi de primera mano que el fraude y la gestión de riesgos eran algunos de los casos de uso más críticos e impactantes de datos en tiempo real e IA en el mundo moderno. Sin embargo, las herramientas existentes para prevención de fraude ágil, en tiempo real y cumplimiento de riesgos realmente no cumplían en varios aspectos, y la gente está tratando de superar esto creando varias herramientas por separado, lo cual realmente no tiene mucho sentido.

Las personas están viendo más y más transacciones de valor moviéndose en línea a un ritmo muy rápido desde la pandemia de COVID, y aún están sin una infraestructura de riesgo moderna y sofisticada. Así que, reconociendo esta tendencia masiva y realmente impulsada por mi pasión por asegurar las transacciones en línea, cofundé Oscilar para permitir que las empresas detecten fraude, gestionen cumplimiento, tomen mejores decisiones de riesgo de crédito con análisis de datos avanzados y aprendizaje automático, todo a través de una plataforma de riesgo unificada, lo cual se está haciendo por primera vez.

Nik Milanovic: Y noté que cuando fundaste y anunciaste Oscilar, algo que me resultó interesante fue que tú y tu cofundador, Sasha Kulkarni también autofinanciaron para levantarlo del suelo, lo cual para mí representa un claro ejemplo de alta convicción en el producto que estás construyendo, que estás dispuesto a autofinanciarlo solo para ponerlo en marcha.

Mencionaste que mientras estabas en Confluent, estabas trabajando con un conjunto de herramientas de riesgo - herramientas que simplemente no sentiste que realmente satisfacían tus necesidades, y así comenzó este fuerte deseo de realmente construir un mejor producto de riesgo basado en tu propia experiencia. Tengo curiosidad, ¿cuáles fueron los momentos en Confluent que te hicieron darte cuenta de que había una verdadera brecha en el mercado y oportunidad para construir una herramienta como esta? ¿Qué momentos te dieron tal convicción que estabas dispuesto a empezar desde cero como emprendedora repetida y autofinanciar para levantar este producto del suelo y ponerlo en marcha?

Neha Narkhede: Dado lo grande que es la empresa, vi empresas de diferentes verticales industriales luchando con los mismo problemas. Y la tendencia que vi es que, casi cada vertical industrial tiene algunas transacciones en línea de algún tipo, y cualquier transacción en línea de valor necesita decisiones de riesgo de algún tipo.

Así que lo que noté realmente es una tendencia amplia en la industria, a través de verticales industriales que necesitaban una plataforma. Y específicamente, identifiqué dos grandes brechas a través de todos estos diferentes tipos de empresas, ya sean bancos, FinTech o comerciantes, y así sucesivamente.

La primera brecha es la fragmentación creada por las soluciones puntuales. Y estas soluciones puntuales solo se enfocan en un aspecto del ciclo de vida del cliente, como hay herramientas para verificación de identidad o solo decisión de crédito, y realmente no comparten señales valiosas que podrían ayudar a reducir falsos positivos, detectar ataques sofisticados. Así que esa es la primera brecha que noté.

La segunda brecha que noté, en general, fue la falta de tecnología moderna como datos en tiempo real e IA en muchas soluciones, incluso cuando los propios delincuentes de fraude empezaron a desplegar herramientas de IA avanzadas, como sabemos todos.

Así que estas dos brechas eran realmente penetrantes a través de una variedad de negocios, lo que pensé era realmente interesante como tendencia de mercado. Y estas brechas crean desafíos significativos para reducir efectivamente el riesgo, asegurando experiencias sin interrupciones para el cliente.

El desafío principal, que simplemente tenía sentido desde principios básicos, incluso más allá de la experiencia que realmente tuve, fue que no hay visión de 360 grados del perfil de riesgo de usuario que debería idealmente informar la toma de decisiones en cualquier punto del ciclo de vida del cliente. Así que es un poco raro que el riesgo que identificas durante la incorporación no pueda compartirse con la herramienta que monitorea las transacciones, no pueda compartirse con la herramienta que toma decisiones de crédito. Simplemente no tenía sentido para mí, y dado eso, noté que realmente era una tendencia a través de los negocios de todos los tipos.

Nik Milanovic: Entonces, cuando hablas de una visualización de 360 grados o perfil de riesgo del cliente, ¿cómo se ve ese cliente, y qué tipos de usuarios finales tenías en mente cuando comenzaste Oscilar?

Neha Narkhede: Oscilar es una empresa de plataforma, así que la forma en que estamos abordando el espacio es realmente diferente, en el sentido de que no estamos realmente creando una especie de solución puntual, que, en mi opinión, es el problema fácil de resolver. Es el fácil producto de construir, pero pienso que no resuelve el problema, que es que necesitas ser capaz de compartir señales desde un punto del ciclo de vida del cliente a todos los otros puntos del ciclo de vida del cliente.

Así que realmente tuvo sentido que no haya una verdadera plataforma unificada que pueda evaluar el riesgo en cada punto del ciclo de vida del cliente. Y hemos visto empresas de todo tipo, y inicialmente estamos comenzando con bancos, FinTech, Instituciones Financieras, pero en el futuro, absolutamente expandiremos a todos los otros mercados verticales que tienen transacciones en línea.

Hemos visto empresas reducir significativamente falsos positivos, detectar fraude más temprano, acelerar aprobaciones de crédito, utilizando este enfoque de plataforma unificada. Un buen porcentaje de nuestros clientes han comprado todos nuestros productos desde incorporación, crédito, fraude y cumplimiento, y eso está sucediendo debido a una razón principal - que es esencialmente la brecha principal en el mercado y la brecha principal en las tecnologías.

Es realmente difícil construir una plataforma impulsada por datos en tiempo real e IA que pueda operar el riesgo a lo largo del ciclo de vida completo del cliente. Por ejemplo, uno de nuestros clientes FinTech reunió todas sus soluciones aisladas bajo una sola capa de decisión impulsada por Oscilar. Así que antes, la herramienta de verificación de identidad no hablaba con su sistema de monitoreo de transacciones de fraude, lo cual obviamente crea puntos ciegos.

Después de unificar todo, inmediatamente detectaron un 60% más de ataques de toma de control de cuenta, redujeron los tiempos de revisión manual en un 85% al aprovechar estas señales compartidas, como huellas digitales de dispositivos, datos de comportamiento, que vienen listos para usar con Oscilar. Pero al mismo tiempo, mejoraron su precisión de suscripción de crédito en un 30% porque los controles de fraude pasados y conocimientos de identidad estaban allí en el mismo sistema. Nuevamente, algo que tiene perfecto sentido cuando lo piensas - les dio una visión holística en tiempo real del cliente, lo cual en última instancia llevó a decisiones más rápidas y mejores resultados de riesgo, sin importar el tipo de riesgo que fuese, incorporación, crédito, fraude o cumplimiento.

Nik Milanovic: Trabajando en servicios financieros, escuchas mucho sobre sistemas internos, que están fragmentados, que podrías tener un cliente que tiene un producto, digamos, un cliente en un banco que tiene una hipoteca y una cuenta de ahorros y un préstamo estudiantil, y aún así cada uno de esos productos y los datos relevantes del cliente viven en diferentes silos, de modo que un administrador de relaciones ni siquiera puede acceder al hecho de que son clientes de múltiples productos a través del banco. Tengo curiosidad si estás analizando por qué tantos bancos e instituciones financieras operan así y miras a los sistemas de riesgos específicamente. ¿Por qué están tan fragmentados en las instituciones de servicios financieros para empezar?

Neha Narkhede: Pienso que los sistemas de riesgo están fragmentados en gran medida porque muchos proveedores construyen soluciones puntuales que se enfocan en un pedazo muy estrecho del recorrido del cliente, ya sea verificación de identidad o AML o comprobaciones de crédito. Entonces, en realidad, lo que está pasando es que estos nichos de herramientas realmente en realidad son bastante fáciles de instalar rápidamente, construir rápidamente, ya que toman suposiciones básicas sobre qué puntos de datos se necesitan y qué puntos de datos pueden hacer suposiciones para abordar un tipo específico de fraude o riesgo.

Sin embargo, cada uno de estas soluciones puntuales obliga a las empresas a enviar un conjunto de datos predefinido en formatos muy rígidos, dejando muy poco espacio para un análisis más avanzado o la incorporación de señales adicionales, lo cual es simplemente clave para resolver tipos de riesgo complejos.

Entonces, como resultado, estas instituciones terminan con herramientas realmente aisladas que no se comunican entre ellas ni comparten conocimientos valiosos, limitando su capacidad de obtener esta visión de 360 grados del perfil de riesgo del usuario en tiempo real, nada menos. Lo que realmente se necesita es una plataforma de toma de decisiones de riesgo impulsada por IA unificada que consolide la evaluación de riesgo en cada etapa del ciclo de vida del cliente, no solo eso, sino que aplica modelos de aprendizaje automático específicamente diseñados para tipos específicos de riesgo para predecir y mitigar el riesgo complejo.

Así que pienso que la fragmentación realmente es causada por proveedores que construyen soluciones puntuales fáciles de construir, pero no resuelven del todo el problema completo, especialmente en el mundo moderno.

Nik Milanovic: Ahora creo que esto encaja realmente bien en algo que dijiste al inicio de esta llamada, que es que Oscilar toma un enfoque de una plataforma para construir una solución de gestión de riesgos. ¿Qué significa tomar un enfoque de una plataforma aquí?

Neha Narkhede: Ser una plataforma unificada en la gestión de riesgos significa consolidar todos los aspectos de la detección de fraude, cumplimiento y toma de decisiones en un sistema único e integrado que funcione perfectamente a lo largo del ciclo de vida del cliente. Al mismo tiempo, lo que hemos hecho realmente bien es diseñarlo como una plataforma completamente modular y flexible. Así que puedes empezar fácilmente con un caso de uso, cualquiera que sea el mayor problema, y expandir muy compartidamente a todos los otros casos de uso de riesgo. Realmente no tienes que tomar la difícil decisión de ir todo adentro o no. Realmente pueden adoptar gradualmente.

Entonces, en lugar de lidiar con múltiples soluciones puntuales, cada una con su propio formato de datos, lógica de riesgo, modelos de ML, una plataforma unificada te permite hacer un par de cosas muy bien:

Uno es ingerir y combinar diversas señales de datos como identidad del dispositivo, biometría de comportamiento, historiales de transacciones. Puedes hacer todo eso en tiempo real, con latencia que es menor a 100 milisegundos, en muchos casos dentro de 15 milisegundos.

La segunda cosa que puedes hacer es aplicar decisiones consistentes y adaptativas utilizando un conjunto compartido de reglas, modelos de ML que aprenden y actualizan a lo largo del ciclo de vida del cliente. Entonces, esta es una gran ventaja de poder compartir señales.

La tercera cosa es proporcionar una visión de 360 grados para que cualquier instancia, cualquier conocimiento de cualquier interacción informe decisiones futuras, como un control de onboardig informará la supervisión de la cuenta, aprobaciones de crédito, y así.

Y por último, pero no menos importante, realmente puedes optimizar las operaciones y la gobernanza eliminando estos silos, ya sea a través de riesgos o productos como mencionaste, reduciendo duplicaciones, asegurando procesos de cumplimiento uniformes.

Entonces, en cierto sentido, una solución verdaderamente unificada realmente elimina la fricción de herramientas dispares y le da a las instituciones una fuente autorizada para detectar y mitigar el fraude, permanecer compliance y también tomar decisiones más inteligentes de cualquier tipo.

Nik Milanovic: Cuando hablas de poder devolver valores en milisegundos en servicios financieros, esa es una métrica tan importante por la cual evaluarse a sí mismo, porque si piensas en las interacciones de servicios financieros, suelen ser muy rápidas - poder pagar algo en tiempo real en un terminal de pago, necesitar poder verificar la identidad de una cuenta para abrir una aplicación bancaria. Por ejemplo, es simplemente crítico poder procesar datos y luego devolver una solución o decisión rápidamente. Cuando piensas en todos los diferentes puntos de contacto con el cliente que un banco o FinTech tiene con sus clientes, ¿puedes guiarnos cómo su cliente final utiliza múltiples aspectos de la plataforma juntos?

Neha Narkhede: Absolutamente. Creo que hemos visto, por ejemplo, puedo darte un par de ejemplos del impacto de poder utilizar estos múltiples productos. Hemos visto a los clientes reducir los tiempos de onboarding hasta en un 50% o más después de unificar los controles de identidad, detección de fraude, flujos de trabajo de AML en una sola plataforma.

Entonces, en lugar de alternar entre múltiples herramientas para cumplimiento y verificación, todo sucede en tiempo real en un solo lugar. Así que también obtienes esta visión completa de 360 grados del perfil de riesgo del usuario que se actualiza en un par de milisegundos mientras cada transacción sucede y se lleva a cabo. Y eso requerirá infraestructura sofisticada de datos en tiempo real, que no sorprende, Apache Kafka y Confluent alimentan.

En el lado de cumplimiento, vemos rutinariamente una reducción del 85% en el tiempo de alerta de revisión y tiempo de investigación de casos, gracias a esta centralización de datos y co-piloto basado en IA, alertas impulsadas por IA avanzada, documentación automatizada, todas estas cosas se unen cuando miras una vista unificada.

No solo los nuevos clientes se incorporan más rápido, sino que los equipos de cumplimiento pueden realmente mantener exigencias regulatorias sin tener esta gran carga operacional y los equipos de fraude pueden mantenerse un paso adelante de patrones de fraude realmente complejos utilizando esta vista unificada y combinando eso con sus modelos de IA adecuados.

Nik Milanovic: ¿Te importaría rápidamente hablarme sobre los diferentes tipos de usuarios o personajes de productos para un producto como Oscilar? Hemos estado hablando mucho sobre el cliente final, el titular de cuenta del banco, pero desde su perspectiva, realmente nunca interactúan con Oscilar. Y aún cuando hablas sobre los usos de tu producto, hablas sobre equipos de fraude, hablas sobre equipos de cumplimiento. Hablas sobre transparencia de datos para el banco para luego dar la vuelta y presentar a su propio regulador también. ¿Cómo ves quiénes son los tipos de usuario que sirves directamente con Oscilar?

Neha Narkhede: Esa es una buena pregunta. Dado que cubrimos una superficie tan amplia, realmente depende del tipo de riesgo y el producto en cuestión.

Por ejemplo, para decisiones de crédito, interactuamos con analistas de riesgo de crédito que forman modelos de riesgo quieren expresar muy fácilmente sin depender de la ingeniería. Así que ese es uno de los mayores problemas con las herramientas existentes, si no es lo suficientemente autosuficiente. Para los analistas de riesgo, a pesar de tener una herramienta que aparentemente hace decisiones de código sin código, en realidad todavía tienen que depender de recursos técnicos.

Otro ejemplo en el lado de AML son revisores de casos, operadores de riesgos que son responsables de marcar riesgos de ML así como de presentar informes de SAR. Así que todo eso se puede hacer usando lenguaje natural en la plataforma Oscilairealmente es autoservicio en naturaleza.

Y en el lado de fraude, interactuamos con analistas de riesgo de fraude y en muchos casos científicos de datos que pueden usar muy fácilmente la plataforma para crear nuevas características, contadores de velocidad, características complejas como agregaciones, ser capaces de usar su modelo de ML, así como nuestro modelo de ML listo para usar, para identificar tipos sofisticados de fraudes ya sea toma de control de cuenta o fraude de pagos, fraude de tipo CH, fraude de primera parte. Entonces realmente depende del tipo de problema de riesgo y el producto específico que estos bancos, FinTechs, instituciones financieras estén usando de Oscilar.

Nik Milanovic: Cambiando un poco aquí, pensando en el ecosistema bancario en los EE.UU., durante el último año hemos visto un aumento en la vigilancia regulatoria, particularmente de los bancos patrocinadores. Para personas que no están familiarizadas, muchas empresas FinTech en los EE.UU., en lugar de obtener sus propias licencias para ofrecer productos financieros, trabajarán con un banco patrocinador, y el banco en efecto patrocinará el programa como el gerente del programa, y permitirá a FinTech adquirir clientes, pero ha habido un incremento en las inspecciones de reguladores prudenciales como FDIC y OCC que han estado realmente examinando en detalle a los bancos patrocinadores durante los últimos años, tratando de entender un poco más sobre los programas que patrocinan y cómo esos programas tratan a sus usuarios finales. Ahora siento que estás tan cerca de esto en tu día a día. En tu opinión, ¿qué ha estado impulsando esta tendencia de mayor escrutinio?

Neha Narkhede: Pienso que la vigilancia regulatoria de los bancos patrocinadores en particular está aumentando debido al rápido crecimiento de los servicios bancarios como servicio (BaaS) y también al aumento de estas asociaciones banco-FinTech. Esto es lo que creo que está impulsando esta tendencia.

Hay un par de cosas. Primero es esta clase de explosión en las asociaciones FinTech y las brechas de cumplimiento. Entonces, más fintech están lanzando productos financieros con bancos patrocinadores, pero muchos carecen de programas de cumplimiento sólidos. Así que los reguladores están preocupados de que algunos bancos patrocinadores no estén realmente ejerciendo suficiente supervisión sobre los programas de riesgo y ML de sus socios FinTech.

La segunda cosa, pienso, es la infraestructura de cumplimiento heredada simplemente no puede mantenerse. Entonces, estos sistemas de cumplimiento tradicional no fueron construidos para la supervisión compleja que se requiere a través de múltiples socios FinTech. Simplemente es un patrón de diseño para el que no están construidos. Entonces, muchos bancos patrocinadores luchan para monitorear el cumplimiento a través de fintechs, de diferentes tipo de productos en tiempo real, lo cual lleva a muchas brechas regulatorias, sin mencionar que son extremadamente orientados a lotes. Entonces, podrían pasar días y semanas antes de que realmente note o puede levantar una alerta sobre alguna brecha de cumplimiento.

Lo tercero que creo que está pasando son acciones de cumplimiento de alto perfil y expectativas regulatorias. Como mencionaste, FDIC, también recientemente DOJ, OCC, acciones CFPB, resaltan la necesidad de controles más sólidos en estas asociaciones. Esencialmente lo que está pasando, pienso, es que los reguladores ahora esperan que los bancos patrocinadores tengan muy clara visibilidad sobre las operaciones de FinTech, monitoreo de transacciones en tiempo real y controles de riesgo activos más que reactivos.

Por último, pero no menos importante, hay necesidad de un enfoque muy escalable y unificado de gestión de riesgos. Entonces los bancos patrocinadores necesitan una plataforma centralizada para supervisar múltiples socios FinTech, poder imponer políticas de cumplimiento a través de todos o un subconjunto de fintechs, dependiendo de qué productos están en cuestión y también detectar riesgos antes de que se convierta en un problema regulatorio real.

Pienso que estas son las tendencias, pero he visto que nuestros clientes, los bancos patrocinadores, la forma en que están colocándose por delante es que están adoptando una plataforma de monitoreo de cumplimiento en tiempo real que les da plena visibilidad. Esencialmente, lo llamamos visión de centro de comando, de toda la actividad a través de las fintechs con las que se asocian.

También están asegurándose de que los controles de AML y fraude sean estandarizados a través de todos los socios FinTech. Entonces, herramientas como Oscilar te da una manera de un solo clic para decir, "despliega estos controles a través de tus socios FinTech que sirven a un tipo particular de producto," así que también puedes segmentarlo de manera inteligente.

Y por último, están utilizando mucho monitoreo de transacciones impulsado por IA para detectar patrones sospechosos temprano. Entonces, los reguladores ya no solo se centran en fintechs. Esperan que los bancos patrocinadores lideren los esfuerzos de cumplimiento. Así que aquellos que fortalecen proactivamente su supervisión no solo reducirán el riesgo, sino que también construirán asociaciones FinTech sostenibles a largo plazo.

Nik Milanovic: Me encanta. Realmente estamos tocando todos los temas de moda aquí. Voy a preguntar en un segundo sobre ir a detalles sobre un estudio de caso, pero dos preguntas rápidas antes de eso. Tengo que preguntarte, mencionaste servicios bancarios como servicio que definitivamente ha sido uno de los mayores temas en las noticias FinTech durante el último año, definitivamente un año mixto para proveedores de servicios bancarios como servicio. Para aquellos que escuchan, los proveedores de servicios bancarios como servicio son normalmente plataformas que se ubican entre bancos patrocinadores y programas FinTech subyacentes. ¿Qué crees que puede que pase con el espacio de servicios bancarios como servicio?

Neha Narkhede: Pienso que es interesante. Primero que todo, no creo que estas asociaciones banco-FinTech vayan a desaparecer. Pienso que hay una necesidad por productos realmente modernos que realmente puedan impulsar la innovación en el espacio, ya sean expectativas de consumidores o simplemente la disponibilidad de la infraestructura adecuada.

Pienso que la infraestructura adecuada es necesaria para habilitar esta innovación, que es introducida por estas asociaciones banco-FinTech. Así que realmente pienso que el término servicios bancarios como servicio, o la terminología está ganando mala tracción desde una perspectiva de marca, pero realmente creo que lo veo como una tendencia más amplia de finanzas embebidas y cómo podemos realmente construir la infraestructura adecuada que tiene el cumplimiento correcto, controles de fraude para darles la tecnología adecuada para habilitar este tipo de asociaciones.

Entonces realmente pienso que la tendencia más amplia de finanzas embebidas no va a desaparecer. Realmente aumentará la necesidad de la infraestructura de tecnologías adecuadas para habilitar estas asociaciones.

Nik Milanovic: Sabes, mencioné como dos temas de moda. El segundo que mencionaste fue el uso de IA para ayudar a los bancos a monitorear mejor y detectar fraude en tiempo real. Tengo curiosidad cómo Oscilar está en esta explosión de IA que parece que estamos viendo el fraude parece un espacio muy aplicable, porque tengo tantos datos no estructurados y aparentemente no relacionados. ¿Cómo está aprovechando Oscilar la IA en sus productos?

Neha Narkhede: Aprovechamos la IA de un par de maneras diferentes. Primero, Oscilar crea modelos de IA específicos y proporciona modelos de IA listos para usar para tipos específicos de fraude, por lo que están optimizados para ciertos patrones de fraude. Por ejemplo, nuestro modelo de fraude ACH está optimizado para detectar fraude ACH. Y en uno de nuestros clientes llamado Flus, pudieron aumentar tasas de aprobación en un 20% sin aumentar la tasa de fraude, y también contrarrestar el fraude de primera parte.

Pero también tenemos modelos de ML especializados para fraude de primera parte, que es realmente difícil de detectar, toma de control de cuenta, fraude de pagos de todos los tipos y así sucesivamente. Entonces esa es una manera en que aprovechamos la IA.

Lo segundo es nuestra aplicación pragmática de IA generativa en la forma de un asistente de riesgo. Así que lo que puede hacer es que puede tomar lenguaje natural y crear flujos de trabajo y reglas completas, lo cual es realmente poderoso. Realmente reduce el tiempo que lleva crear las estrategias adecuadas, implementarlas, ir en vivo. También te da explicaciones en lenguaje natural de por qué ocurrió algo - por qué se tomó una decisión o por qué se creó un caso, lo cual realmente reduce el tiempo de revisión manual y brinda a estos analistas de riesgos la percepción que necesitan en tiempo real para saber qué está pasando, así que puedes hacer algo al respecto.

Y la tercera cosa que puedes hacer es razonar, que es, como todos sabemos, una de las características poderosas de la IA generativa es que realmente puedes preguntar a Oscilar AI para darte análisis de causa raíz, y eso es algo que viene muy pronto. Puedes preguntar como, "¿Por qué la tasa de fraude aumentó semana tras semana? ¿Cuánto aumentó? ¿Cuáles son las principales razones?" Esto es realmente poderoso. Esto simplemente nunca se ha hecho antes. Es un problema muy difícil.

Hemos estado trabajando en ello durante cerca de un año ahora, experimentando con diferentes modelos, experimentando con diferentes técnicas, para poder habilitar este tipo de sofisticación. Así que realmente puedes crear modelos, trazar patrones analíticos, puedes hacer preguntas del tipo "por qué" todo usando Oscilar AI, que creo que por comentarios de nuestros clientes realmente ha llevado a grandes eficiencias así como una capacidad incrementada de detectar tendencias de riesgos.

Nik Milanovic: ¿Te importaría compartir un ejemplo específico? Tengo curiosidad por escuchar cómo Oscilar ha ayudado a un banco a mejorar su cumplimiento de AML, simplemente caminando a través de uno de tus estudios de caso.

Neha Narkhede: El año pasado, nos asociamos con TransPecos Banks, por ejemplo, que es un banco comunitario innovador con sede en Texas, es uno de los muchos ejemplos para modernizar su cumplimiento de AML, específicamente en gestión de riesgos.

Así que antes de implementar nuestra plataforma de AML impulsada por IA, estaban lidiando con múltiples procesos aislados, mientras también tratando de supervisar diversos socios FinTech, cada uno con un perfil de riesgo distinto. Al consolidar los flujos de trabajo de AML en un solo centro de control centralizado, TransPecos Banks obtuvo una vista de portafolio en tiempo real con cada actividad FinTech.

Así que ahora pueden automatizar tareas clave como presentar SAR, aplicar modelos avanzados de ML para detectar transacciones arriesgadas, actualizar rápidamente reglas para adaptarse a nuevas regulaciones usando Oscilar AI. Los resultados eran realmente impresionantes: $3 millones en ahorros anuales de costos, reducción del 40% en costo de operaciones de AML, menos falsos positivos, reducción del 70% en revisiones de alertas y tiempo de investigación de casos, todos los datos de los clientes y conocimientos de riesgo en una sola vista, y reducción del 80% en tiempo de gestión de SAR porque Oscilar AI puede auto completar informes, narrativas generadas, y proporcionar un archivo electrónico de un solo clic.

Así que esta transformación no solo simplificó sus operaciones, lo cual es importante, sino también posicionó a TransPecos para crecer en su oferta de finanzas embebidas con confianza, asegurando cumplimiento que permanece al frente de esa clase de innovación. Estamos realmente emocionados por la asociación con TransPecos Banks y muchos bancos de esa naturaleza.

Nik Milanovic: Sin bromas, eso es genial. Sé sobre TransPecos. Es interesante. Ha sido un año mixto para los proveedores de servicios bancarios como servicio y bancos patrocinadores, y muchos bancos patrocinadores han estado descargando algunos de los programas con los que trabajan. TransPecos parece que es uno de los pocos bancos en el último año que realmente ha crecido el número de programas con los que está trabajando, y estoy seguro de que una gran parte de eso es gracias a plataformas como Oscilar que están ayudándolos a crecer de manera responsable.

Conoces otro, supongo que podrías llamarlo un tipo de usuario final para una plataforma como esta, es que cuando tienes mejor visibilidad en tus clientes y lo que están haciendo, también desarrollas un mejor rastro de auditoría, ya sea que estés en el equipo de cumplimiento o en el equipo de fraude o en el equipo de riesgo de crédito, y ese rastro de auditoría termina siendo realmente importante cuando estos bancos se dan la vuelta y tienen exámenes regulatorios donde realmente necesitan poder mostrar la racionalidad para la toma de decisiones, los puntos de contacto con el cliente y los datos sobre cómo el cliente estaba realmente interactuando con el producto. Y estoy seguro de que ha sido una gran fuente de elevación para bancos como Trans Pecos, que ahora realmente tienen este registro de auditoría completa que pueden dar la vuelta y compartir con sus propios reguladores?

Neha Narkhede: Sí, absolutamente. Creo que Oscilar realmente tiene una funcionalidad de rastreo de auditoría detallada y también documentación automatizada del modelo, y eso realmente ha ayudado a nuestros socios bancarios a demostrar a los reguladores que están en cumplimiento. Y como dijiste, es capaz de rastrear todos los porqués detrás de cada decisión cuando se requiere. Y estamos realmente emocionados de que nuestra asociación haya permitido que Trans Pecos Banks expanda su programa FinTech mucho más rápido que cualquier otro banco en el espacio.

Nik Milanovic: Sabes, tengo curiosidad, ¿cuáles son los KPIs, o las métricas de éxito para un cliente como Trans Pecos, algo como tiempos de incorporación incrementados, mejor eficiencia de cumplimiento, tiempos de cierre más bajos para casos. Tengo curiosidad cómo piensan tus clientes sobre el éxito cuando usan Oscilar?

Neha Narkhede: Hay un par de cosas. Un KPI es la tasa de falsos positivos porque muchas de las herramientas de cumplimiento existentes simplemente tienen esta sobrecarga de alertas, que es uno de los mayores problemas que existen en el espacio de cumplimiento AML en particular. Entonces, esta tasa de falsos positivos, sobrecarga de alertas, tiempo de alerta, ese es el segundo - es simplemente cuánto tiempo toma investigar casos. Ese es otro KPI.

Entonces, permitimos que los rastreen en un panel detallado todos estos KPIs, para que sepas exactamente dónde están las ineficiencias. También el tiempo que lleva presentar informes SAR es realmente consumes mucho tiempo, así que eso es parte de los KPIs también. Y en realidad, al final del día, ahorro de costos - cuánta eficiencia son capaces de crear, y en qué ahorro de costos se traduce? Eso, al final del día, es el KPI más importante.

Nik Milanovic: Tocaste esto un poco, el uso de IA en un producto de herramientas de fraude como Oscilar. En los últimos años, hemos visto esta explosión en el espacio de IA generativa específicamente, y cuando tienes una nueva tecnología, a menudo, algunos de los primeros adoptantes tienden a ser personas que pueden usarla para, digamos, propósitos nefastos. Dicho de otro modo, los estafadores han sido muy rápidos en adoptar la IA generativa específicamente para estafas financieras.

Hay una compañía en Hong Kong que por error envió $25 millones por cable a la contraparte incorrecta porque tuvieron una videollamada con una falsificación profunda generativa de IA. Y entonces en esta clase de carrera armamentista donde tienes actores malos en el sistema usando IA generativa, también tienes la oportunidad de buenos actores para adoptar IA generativa. Y entonces tengo curiosidad sobre cómo has visto este crecimiento gen AI como un todo, realmente cambiando el paisaje del fraude.

Neha Narkhede: Creo que los recientes avances en IA generativa han cambiado drásticamente el paisaje del fraude, haciendo que los ataques sean más rápidos, más escalables y más difíciles de detectar. Hay un par de cosas que están ocurriendo.

Primero es el fraude impulsado por IA a escala. Como mencionaste, los defraudadores están usando IA generativa para automatizar ataques a gran escala, incluyendo la creación de identidades sintéticas, vídeo y audio falsos en tu ejemplo, que es uno de los ejemplos más locos, creo, de usar IA generativa para tipos complejos de fraude, phishing automatizado e ingeniería social, así que estos chatbots generados por IA imitando ejecutivos reales instituciones financieras.

Lo segundo que está pasando es que la detección tradicional de fraude simplemente está luchando para mantenerse. Así que los sistemas basados en reglas son ineficaces contra estos ataques impulsados por IA generativa que están evolucionando. Como las herramientas antiguas de fraude dependen de estos tipos de datos rígidos y estáticos, como direcciones de correo electrónico, entonces que los delincuentes de fraude impulsados por IA pueden fácilmente fabricar. Y los equipos de revisión manual de fraude están simplemente abrumados porque estos intentos de fraude habilitados por IA están sucediendo a una escala inédita.

Lo tercero es, necesitas IA para vencer a IA, y eso es simplemente la única manera de mantenerse al día en la carrera armamentista aquí. La forma en que está cambiando es cómo la detección de fraude impulsada por IA está luchando de nuevo. Para contrarrestar estas amenazas, las instituciones financieras necesitan una IA igualmente avanzada.

Algunos ejemplos son intenciones de dispositivo y comportamiento - detectar patrones de fraude generados por IA analizando huellas digitales del dispositivo, dinámicas de tecleo, anomalías de comportamiento y así. Detección de riesgos generativa de IA - usando modelos de ML entrenados en tácticas emergentes de fraude para detectar identidades sintéticas, estafas profundas, usando estrategias multifacéticas, así que no solo dependiendo de las señales que son compartidas por el usuario, sino también señales pasivas, como biometría de comportamiento, usando puntos de datos a lo largo del recorrido del cliente, perfilando el comportamiento del usuario, comparándolo con el comportamiento colectivo de buenos usuarios, lo cual es realmente difícil de hacer desde una perspectiva tecnológica.

Esto es cómo vamos a luchar y es cómo vamos a usar IA para combatir IA. Esa es realmente, creo que la batalla del fraude ahora solo es la IA versus IA, y solo el enfoque de inteligencia adaptable de riesgo en tiempo real impulsado por IA puede mantenerse por delante de la próxima generación de amenazas de fraude.

Nik Milanovic: Algo que se destaca, específicamente alguien piensas sobre diferentes factores y amenazas de fraude, es la inteligencia del dispositivo. Cuando Oscilar habla sobre inteligencia del dispositivo, tengo curiosidad, ¿qué quieres decir con eso? ¿A qué te refieres, y por qué es tan importante para una evaluación de riesgo?

Neha Narkhede: La inteligencia del dispositivo se está convirtiendo en esencial porque ofrece percepciones en tiempo real sobre los dispositivos que las personas están utilizando para acceder a estos servicios financieros. Entonces, por ejemplo, analizando factores como no solo direcciones IP, sino versiones del navegador, sistemas operativos, pero incluso combinando eso con patrones de comportamiento como lo que hacen los autores, el producto de inteligencia de dispositivo y comportamiento hace las instituciones pueden detectar anomalías como cambios repentinos de dispositivo o cambios de ubicación imposibles que pueden indicar fraude ya que más y más transacciones son online, la inteligencia a nivel del dispositivo realmente proporciona una capa poderosa de seguridad, que ayuda a distinguir clientes genuinos de actores malos. Eso es en realidad lo que hemos visto en estudios de caso reales a través de nuestra base de clientes.

Nik Milanovic: ¿Te gustaría entrar en eso, me encantaría escuchar acerca de algunos de los diferentes estudios de caso.

Neha Narkhede: Un gran ejemplo de cómo la plataforma de Oscilar reduce el fraude proviene del FinTech de rápido crecimiento, Happy Money, que se centra en préstamos responsables para más de 300,000 miembros. Necesitaban una solución que pudiera detectar patrones sofisticados de fraude como identidades sintéticas sin agregar fricción a la experiencia del usuario, lo cual estoy seguro que muchos fintechs modernos apreciarán.

Entonces, integrando la plataforma de inteligencia cognitiva de Oscilar, Happy Money pudo hacer un par de cosas. Una es el monitoreo pasivo de miles de firmas cognitivas durante las aplicaciones de préstamos, así como la gestión continua de cuentas para detectar patrones sospechosos en tiempo real. Pudimos reducir significativamente las tasas de fraude al detectar identidades sintéticas y también intentos avanzados de fraude antes de que pudieran impactar sus operaciones de préstamo.

Entonces esta clase de, de vuelta de mi punto anterior, componiendo señales amplias para impactar las decisiones de riesgo de crédito - eso es realmente uno de los puntos clave del estudio de caso en eso de la potencia de señales de dispositivo y comportamiento. Y lo más importante, pudieron mantener una experiencia de usuario extremadamente sin interrupciones para los solicitantes legítimos, asegurando que estas mejoras de seguridad no realmente ralentizaran el proceso de incorporación. Así que estamos realmente emocionados por ejemplos de clientes como Happy Money, que realmente han beneficiado al usar nuestra plataforma de inteligencia de identidad cognitiva.

Nik Milanovic: Sí, Happy Money son geniales, no he oído su nombre en un tiempo. ¿Está Oscilar compartiendo públicamente su cuenta clientes estos días? ¿O esa es información clasificada?

Neha Narkhede: Esa es información clasificada en este momento. Estoy segura de que podremos compartirla en un futuro cercano.

Nik Milanovic: Justo. Bueno, esperaré el comunicado de prensa. No haré público informaión no pública en este podcast. Estoy pensando sobre Oscilar en el contexto de mi propia experiencia ahora, y era VP de estrategia en un emisor de tarjetas de crédito llamado Pedal Card, donde, si eres una fundadora en el espacio FinTech, especialmente FinTech de consumo, conoces esto intuitivamente, nuevos productos siempre son golpeados con el más fraude inmediatamente. Porque tienen el nivel más bajo de defensas, y no fuimos una excepción.

Construimos un método alternativo de decisión de crédito que usaba datos de flujo de caja, y era útil, pero aún tuvimos casos de manipulación del sistema y de fraude, como todos los otros grandes proveedores de crédito. Ahora tomas nuestro ejemplo, donde teníamos 400,000 clientes, amplías eso a portafolios de tarjetas de un millón de 10 millones, como los grandes emisores tienen. Tengo curiosidad, ¿cuáles son las deficiencias en los métodos de decisión de crédito, especialmente métodos tradicionales de decisión de crédito estos días? ¿Por qué eso todavía es tal bloqueador para tantos consumidores?

Neha Narkhede: Los métodos tradicionales de decisión de crédito, en mi experiencia, se quedan cortos para muchos consumidores porque dependen mucho en datos estáticos de la agencia de crédito y modelos de puntuación rígidos que simplemente no capturan el cuadro financiero completo. Y aquí está por qué eso es un problema.

Primero hay datos limitados sobre consumidores sin historial de crédito o con muy poco historial, muchas personas, especialmente jóvenes adultos, inmigrantes, trabajadores del gig, carecen de historial de crédito extenso, haciéndoles esencialmente invisibles para estos modelos de puntuación tradicionales.

También hay incapacidad de incorporar comportamiento financiero en tiempo real, entonces los modelos tradicionales no consideran flujos de ingreso en tiempo real, patrones de gasto o datos alternativos como pagos de renta, comportamientos de transacción, que simplemente son mejores, indicadores de mayor calidad de valor financiero.

La tercera cosa, tercer razón por la cual esto es un problema como mencionaste, es brechas de fraude e identidad. Entonces, al confiar solo en estos puntos de datos de las agencias de crédito, hace que las instituciones sean vulnerables a identidades sintéticas, credenciales robadas, ya que los delincuentes pueden manipular estos historiales de crédito.

Y por último, pero no menos importante, pienso, es este enfoque de talla única donde los modelos tradicionales aplican las mismas reglas rígidas a todos los solicitantes, fallando en adaptarse a diversos perfiles de riesgo de consumidores modernos. Entonces pienso que lo que se necesita es un enfoque más dinámico, explicable, impulsado por IA, que aproveche el comportamiento financiero en tiempo real, fuentes de datos alternativas, modelos de riesgo adaptativos para tomar decisiones de crédito más inteligentes e inclusivas.

Nik Milanovic: ¿Tendrías algún ejemplo específico de mejoras en tasas de aprobación u otras métricas clave que tus clientes emisores de crédito han podido lograr trabajando con Oscilar?

Neha Narkhede: Sí, hemos visto mejoras significativas en tasas de aprobación, reducción de fraude y eficiencias de cumplimiento también. Algunos ejemplos clave es aumento de tasas de aprobación con modelos predictivos. Entonces un prestamista FinTech integró modelos ML de predicción de pago y predicción de saldo de Oscilar, que usan datos de banca abierta para evaluar estabilidad de ingresos y flujo de caja futuro.

Estos modelos son capaces de predecir, por ejemplo, el día de pago para los próximos 30 días para todos tipos de trabajadores, incluidos los trabajadores del gig. El modelo de predicción de saldo puede detectar fraudes bancarios para los próximos 30 días. Estos son modelos realmente sofisticados.

Entonces esto ha permitido que el prestamista FinTech aumente las tasas de aprobación hasta un 20% mientras mantiene los mismos umbrales de riesgo, lo cual realmente ha desbloqueado oportunidades de préstamo para trabajadores del gig, como ellos y consumidores con muy poco historial de crédito, aumentando efectivamente su mercado total direccionable. Entonces eso fue realmente muy emocionante.

Un banco digital pudo reducir aprobaciones de préstamos falsos en un 70% al aprovechar el producto de inteligencia del dispositivo biometría del comportamiento de Oscilar junto con nuestros modelos ML, que detectaron identidades sintéticas y toma de cuentas en tiempo real.

Y por último, pero no menos importante, al unificar detección de fraude, decisiones de crédito, cumplimiento en una sola plataforma impulsada por IA, uno de nuestros clientes redujo tiempos de aprobación de préstamos de minutos a literalmente segundos, lo cual resultó en el tiempo de incorporación más rápido y una experiencia de cliente más elevada.

Entonces esto realmente, pienso, destaca cómo IA explicable en tiempo real, datos alternativos, decisiones unificadas realmente afectan y resultan en tanto mayores aprobaciones como detección de fraude más fuerte, lo cual en última instancia es lo que ayuda a estos negocios a escalar efectivamente y de manera segura.

Nik Milanovic: Sabes, simplemente parece que hay mucho fruto al alcance de la mano en este espacio. Es salvaje para mí que hasta hace poco, no había productos disponibles para reportando pagos de renta a las agencias de crédito. Conoces, tienes pagos recurrentes que realizas como consumidor, y simplemente no son o no estaban considerados en absoluto en tu solvencia crediticia.

Y entonces realmente necesitas empresas que puedan ayudarte a procesar, supongo que lo llamarías datos alternativos, pero realmente son datos relevantes sobre la solvencia de crédito del consumidor para poder subrogarlos de manera efectiva. Sabemos que dedicamos tanto tiempo en FinTech hablando de consumidores sin banco, consumidores subalcalinados, pero la visibilidad de crédito es un problema tan pernicioso para los consumidores en los EE.UU.

Y el levantamiento que has podido ayudar a estos emisores de crédito a experimentar, estoy seguro ha resultado en muchos clientes finales felices que probablemente fueron rechazados para crédito en otros lugares.

¿Tienes cinco minutos más? Estás diaria y entonces siempre es difícil obtener una hora completa de tiempo, pero aprecio todo lo que compartes con nosotros sobre el producto hoy. Tal vez ampliando un poco la lente, tendría curiosidad hacia dónde ves que se dirige la gestión de riesgos en los próximos tres a cinco años más ampliamente para la industria.

Neha Narkhede: La gestión de riesgos está evolucionando muy rápidamente, lo que ha sido emocionante y gratificante al mismo tiempo, pero en los próximos tres a cinco años creo que deberíamos todos esperar ver un par de cambios importantes.

Primero es decisiones de riesgo en tiempo real hiper personalizadas. Entonces los modelos de riesgo tradicionales darán paso a decisiones impulsadas por IA en tiempo real que se adaptan dinámicamente al perfil de riesgo de cada cliente. Entonces, debería vigilar reglas estáticas, simples reglas estáticas, instituciones financieras utilizarán, datos financieros conductuales en vivo para evaluar el riesgo en cada punto de contacto, desde la incorporación a decisiones de comercio a detección de fraude.

La segunda tendencia, pienso está pasando, y seguirá ocurriendo aún con más rapidez, es IA vs IA, la batalla contra el fraude impulsado por IA. Entonces, como los defraudadores utilizan cada vez más IA generativa para crear identidades sintéticas, estafas profundas, instituciones financieras necesitarán una IA aún más avanzada para detectar y contrarrestar estos ataques.

En mi experiencia, esa es una combinación realmente inteligente de tradlicionales modelos de aprendizaje automático predictivo, modelos de aprendizaje automático generativos, lo que hemos encontrado ser realmente metodología efectiva en esta batalla contra el fraude impulsado por IA.

Y por último, pero no menos importante, en el frente de cumplimiento, cumplimiento unificado, plataformas de riesgo integradas. Entonces la era de estas soluciones de riesgo fragmentadas está llegando a su fin. Nos estamos moviendo hacia una era de consolidación. Las instituciones se moverán hacia plataformas unificadas que integren perfectamente fraude, AML, decisiones de riesgo de crédito en un solo sistema, y esto permitirá una mejor supervisión transversal, cumplimiento regulatorio automatizado, gestión de riesgos aún más eficiente sin aumentar los costos operativos.

En última instancia, creo que la gestión de riesgos está cambiando de ser una función defensiva a un habilitador estratégico, va a ayudar a los negocios a crecer más rápido, más seguros, de manera más inclusiva, mientras permanecen por delante de las amenazas evolucionadas. Y como consumidores, vamos a apreciar mejores salvaguardas y mucho mejores experiencias de cliente, lo cual simplemente es ganar para todos.

Nik Milanovic: Entonces, ¿cómo deberían las instituciones financieras pensar ahora si están mirando tres a cinco años en el futuro, y quieren poder prepararse mejor para las amenazas emergentes?

Neha Narkhede: Cualquier institución financiera debería tomar un enfoque proactivo y impulsado por IA para la gestión de riesgos para estar realmente por delante de las amenazas emergentes, lo que está respondiendo a amenazas históricas en lugar de narración histórica que podría haber visto más comúnmente en el pasado.

Creo que lo que deberían estar haciendo ahora es adoptar decisiones impulsadas por IA en tiempo real. Los delincuentes están usando IA y automatización para ataques a escala. Así que confiar en reglas estáticas modelos desactualizados simplemente ya no es suficiente. Necesitas una combinación de fuentes de datos. Necesitas puntuación de riesgo impulsada por modelos de ML para detectar estas amenazas en evolución instantáneamente. Necesitas bucles de retroalimentación en tiempo real para reentrenar modelos de ML, lo cual es difícil desde una perspectiva tecnológica, definitivamente lo hemos visto es posible, como hemos visto en Oscilar.

La segunda cosa que estas instituciones van a necesitar hacer es descomponer los silos. Muchos bancos todavía dependen de herramientas desconectadas, fragmentadas. Una plataforma unificada les va a dar la supervisión y colaboración en tiempo real a través de diferentes funciones de riesgo y explicabilidad mejorada de la IA y preparación regulatoria, como hablamos. Los reguladores están escrutando la toma de decisiones impulsada por IA, las instituciones financieras deben asegurarse de que los modelos de riesgo sean explicables, auditable, cumplan con estándares en evolución, y simplemente ser a prueba de futuro con infraestructura adaptable.

Entonces este panorama de riesgo simplemente está moviéndose demasiado rápido para sistemas estáticos. Las instituciones necesitarán plataformas impulsadas por IA, impulsadas por API que puedan adaptarse rápidamente a nuevas amenazas, integren fuentes de datos emergentes, refinan continuamente estos modelos en tiempo real.

Entonces, tomando estos pasos ahora y simplemente aceptando estas tendencias, las instituciones financieras pueden estar por delante de las amenazas emergentes, reduciendo el fraude, mejorando la eficiencia de cumplimiento, y creo que simplemente construyendo un ecosistema financiero más asegurado, más resilientes al final del día.

Nik Milanovic: Neha, gracias nuevamente por tomarse el tiempo de hablar. Es realmente genial tenerte en This Week in Fintech. Sabes, todas estas conversaciones van en diferentes direcciones. Siento que a veces hablamos sobre la vida personal fuera del trabajo, a veces hablamos sobre la historia de la empresa. Pero me alegra que hayamos podido realmente simplemente profundizar en lo específico sobre este espacio que creo que muchas personas, incluso en servicios financieros, no comprenden en un nivel profundo.