Inteligencia artificial y aprendizaje competitivo redefinen el análisis de la experiencia bancaria

Los modelos actuales para evaluar la experiencia del usuario bancario, como el índice de promotores neto (NPS) y los cuestionarios directos, no logran reflejar la complejidad de las interacciones. Estos métodos estáticos y con un sesgo de auto-selección son insuficientes para identificar los matices y las emociones que influyen en la lealtad del cliente. Se estima que las malas experiencias en la atención al cliente son responsables de aproximadamente el 20 % del abandono de usuarios en el sector bancario, lo que subraya la necesidad de enfoques más precisos.

Investigadores, según un análisis publicado en The Conversation España, han desarrollado un modelo que combina el aprendizaje competitivo con la inteligencia artificial generativa. Este sistema está diseñado para analizar masivamente conversaciones telefónicas reales entre clientes y agentes bancarios, buscando superar las deficiencias de los métodos previos, incluyendo los primeros modelos de análisis de texto que simplificaban las interacciones a etiquetas cerradas.

El funcionamiento del modelo se estructura en tres fases: primero, las transcripciones de las llamadas se someten a un proceso de limpieza para eliminar ruidos y se anonimizan conforme a la normativa de privacidad. Posteriormente, un algoritmo de aprendizaje competitivo organiza automáticamente las conversaciones en grupos temáticos. Finalmente, se aplica un modelo de IA generativa con generación aumentada por recuperación (RAG) y reordenación semántica, lo que permite al sistema comprender el contexto y la intención del lenguaje humano.

Esta herramienta faculta a los analistas a interactuar con el sistema mediante lenguaje natural, formulando preguntas como “¿Cuáles fueron los principales motivos de insatisfacción este mes?” y obteniendo respuestas detalladas basadas en la evidencia explícita de las llamadas. La eficacia del modelo ha sido validada mediante su aplicación a 10.062.406 conversaciones telefónicas, recogidas mensualmente durante dos años por una institución financiera.

Los resultados de la implementación de este modelo indican una mejora en la capacidad de extraer las necesidades explícitas de los usuarios. Permite detectar con precisión los problemas que motivan las llamadas, facilitando a los analistas el rediseño de aplicaciones móviles y canales digitales para reducir quejas recurrentes. Esta aproximación fomenta la autosuficiencia del cliente, aumentando su lealtad y confianza.

Además, el sistema proporciona retroalimentación continua que ayuda a los bancos a identificar nuevos problemas, anticipar la insatisfacción y diseñar intervenciones específicas. Esto se traduce en una mejora de la eficiencia operativa y de la calidad de la relación con el cliente, disminuyendo la carga de trabajo de los agentes y reduciendo los costes operativos.

La fiabilidad del modelo ha sido auditada por expertos, quienes le otorgaron puntuaciones cercanas al máximo, y validada por comparación cruzada con sistemas de inteligencia artificial como Gemini y DeepSeek, alcanzando niveles de coincidencia semántica superiores al 90 % y 85 % respectivamente. Asimismo, se ha observado una mejora en la eficiencia computacional, lo que contribuye a reducir los tiempos de ejecución y los costes en la nube, alineándose con objetivos de sostenibilidad energética.