La IA ya es parte del core financiero. El problema no es usarla, sino llenarlo de basura y de ruido cuyo efecto será degradar decisiones, incrementar el riesgo y atentar contra la gobernanza.
Es parte de la naturaleza humana: cuando producimos algo en masa, siempre generamos excedentes. No importa si hablamos de tornillos, correos electrónicos o modelos de inteligencia artificial. En manufactura, a ese excedente se le llama scrap. Nadie se escandaliza por ello. Se mide, se controla y se incorpora al costo; lo cual no quiere decir que no cause dolores de cabeza en el camino. Este fenómeno empieza a ser evidente en el mundo digital y cada vez más, los expertos describen el nivel existente de desperdicio de datos.
Eso es exactamente lo que hoy está ocurriendo en bancos y aseguradoras con la adopción acelerada de plataformas de IA. Sistemas que generan reportes, alertas, recomendaciones, resúmenes, explicaciones y predicciones a una velocidad que hace unos años era impensable. El costo marginal de generar “una salida más” es prácticamente cero. Y cuando algo cuesta cero, se produce prácticamente sin pensar si era necesario.
Ahí aparece el SLOP.
No como un error evidente ni como una falla técnica. Aparece como información correcta pero innecesaria, bien escrita pero poco útil, precisa pero irrelevante. El tipo de contenido que no rompe sistemas, pero los vuelve ruidosos. El tipo de información que no genera un incidente, pero sí erosiona la calidad de las decisiones.
Durante mucho tiempo, en el sector financiero se asumió que más información significaba mejores decisiones. Hoy sabemos que eso no siempre es cierto. En entornos altamente automatizados, el exceso de salidas puede ser tan peligroso como la falta de datos. Y la IA, mal gobernada, es extraordinariamente buena produciendo exceso.
El ruido se filtra en sistemas críticos
En la banca moderna, la IA no es materia de laboratorios, sino que está integrada en procesos de detección de fraude, análisis de riesgo crediticio, gestión de siniestros, cumplimiento regulatorio y atención al cliente. Cada uno de esos procesos genera información de manera constante. El problema no es que esa información sea falsa. El problema es que empieza a acumularse sin jerarquía ni propósito claro.
Cuando un analista recibe cinco explicaciones distintas para el mismo riesgo, cuando un sistema produce alertas duplicadas con distinto lenguaje, cuando un modelo recomienda acciones que nadie ejecuta, el daño no es inmediato. Es gradual. La confianza se diluye. Los usuarios aprenden a ignorar la salida del sistema. La IA podría seguir funcionando, pero ya no para decidir; comenzará a estorbar.
Aquí el SLOP se vuelve peligroso porque se cuela en el core operativo. No como un bug, sino como una capa de ruido que hace más difícil distinguir lo importante.
La cocina industrial del dato financiero
Pensemos en esta problemática como lo que sucede en una cocina industrial. Produce miles de comidas al día. Nadie espera alta cocina. Se espera consistencia, seguridad y previsibilidad. Ahora imaginemos que esa cocina empieza a producir más platillos de los necesarios, a modificar recetas sin validación y a servir porciones distintas sin aviso. No habría hambruna, pero sí confusión.
Eso mismo ocurre cuando una institución financiera permite que la IA genere salidas sin control. Reportes que nadie pidió, insights que no cambian decisiones, explicaciones alternativas que sólo añaden ambigüedad. El SLOP financiero es, en esencia, comida industrial servida sin control nutricional ni maridaje en sabores.
También nos ha quedado claro con el correo electrónico. Todos entendemos el spam. No porque sea falso o ilegal, sino porque nadie lo necesita. El problema del spam no se resolvió pidiendo a la gente que escribiera mejores correos, sino con filtros, reglas y gobernanza.
Hoy, muchas organizaciones financieras están generando su propio spam interno con IA. Reportes que se acumulan en carpetas, dashboards que no se consultan, recomendaciones que nadie sigue. Es información técnicamente válida, pero organizacionalmente inútil. Spam cognitivo dentro de sistemas críticos.
Para un experto en IT, el riesgo es claro. Más salidas implican más superficie de riesgo. Más vectores de exposición de datos sensibles. Más dificultad para explicar decisiones ante auditores y reguladores. Más probabilidad de que los propios modelos terminen entrenándose con información generada automáticamente, entrando en bucles de baja calidad.
Enfrentar el SLOP sin renunciar a la IA
La respuesta no es frenar la adopción de IA. Es tratarla con la misma disciplina con la que el sector financiero trata cualquier proceso crítico. Aceptar que el desperdicio existe y diseñar mecanismos para gestionarlo.
Eso implica definir claramente qué salidas de IA tienen valor real y cuáles no, limitar la generación automática sin propósito, separar la experimentación de los sistemas productivos y asumir que el rol humano no es validar todo, sino eliminar lo que sobra. Implica, también, cambiar métricas: dejar de celebrar volumen y empezar a medir reducción de ruido.
En el fondo, el reto podría no ser necesariamente tecnológico. Será un reto cultural. La banca y los seguros saben gestionar riesgo, complejidad y residuos. El SLOP es sólo una nueva forma de desperdicio.
Ahora pensamos que nuestra ventaja competitiva no estará en generar más sistemas con IA, sino en saber qué “apagar” antes de que estorbe; en cuidar que el nuevo usuario, el señor SLOP, se meta demasiado en nuestros sistemas bancarios.