Untitled

Tabla de contenidos

Finastra mejora la eficiencia bancaria con IA

  • Finastra presentó OperatorAssist, una función con IA para acelerar la gestión de incidencias y excepciones en pagos.
  • La herramienta se integra en el hub de pagos de la compañía y busca reducir errores, tiempos de resolución y costes operativos.
  • Resultados iniciales citados por la empresa apuntan a mejoras de eficiencia superiores al 20% y a una reducción del 20–30% del tiempo de investigación manual. Estas métricas corresponden a estimaciones tempranas comunicadas por Finastra y pueden variar según el volumen de excepciones, los procesos internos y el grado de adopción.
  • Está disponible como complemento para usuarios de Global PAYplus y Payments To Go, sobre una base cloud-native y nativa ISO 20022.
Métrica mencionada Qué significa en operaciones de pagos Estado de la cifra (según lo publicado) Condiciones que suelen mover el resultado
Eficiencia >20% Ganancia global de productividad en el manejo de excepciones (menos tiempo por caso / más casos cerrados por turno) Resultado temprano comunicado por Finastra Mix de excepciones (simples vs complejas), calidad de datos, disciplina de uso del flujo guiado
20–30% menos investigación manual Menos tiempo “de búsqueda” (reconstruir historial, revisar campos, identificar causa probable) Impacto medible reportado por Finastra Nivel de estandarización del proceso, disponibilidad de trazas, consistencia ISO 20022
1,5+ horas/día ahorradas por usuario Tiempo liberado para tareas de mayor valor (priorización, comunicación con áreas, control de calidad) Afirmación de impacto reportada por Finastra Volumen diario de excepciones por operador, curva de adopción, configuración de colas y roles

Introducción a OperatorAssist y su impacto en el manejo de pagos

Finastra, proveedor global de software para servicios financieros, anunció el lanzamiento de OperatorAssist, una solución impulsada por inteligencia artificial diseñada para ayudar a los bancos a gestionar el ciclo de vida de los pagos con menos fricción operativa. El foco está en uno de los puntos más costosos del back office: los errores de pago y el tratamiento de excepciones, que suelen requerir investigación manual, coordinación entre equipos y múltiples iteraciones hasta cerrar un caso. En la práctica, “excepción” suele referirse a cualquier pago que no puede completarse de forma automática y necesita intervención operativa para diagnosticar, reparar o encaminar la resolución.

Según la compañía, OperatorAssist se incorpora a la interfaz de su payment hub para acelerar la resolución de incidencias y bajar costes. En un contexto en el que los clientes esperan trazabilidad y rapidez —y los bancos buscan elevar el straight-through processing (STP)—, la promesa es clara: menos tiempo “atascado” en casos complejos y más capacidad para operar a escala.

Gestión de excepciones de pago
– Dónde encaja: OperatorAssist se orienta al tramo operativo del ciclo de pagos donde un pago “no pasa” en automático y cae a una cola de investigación (excepción).
– Qué es una excepción (en la práctica): un pago con datos incompletos/inconsistentes, validaciones fallidas, reglas de enrutamiento que no aplican, o requerimientos de reparación antes de enviarlo/confirmarlo.
– Por qué afecta al STP: cada excepción reduce el porcentaje de straight-through processing y añade tiempo de ciclo (y coste) porque requiere intervención humana, coordinación y trazabilidad.
– Contexto temporal: el lanzamiento fue comunicado públicamente el 5 de marzo de 2026, por lo que las métricas compartidas se presentan como resultados/estimaciones tempranas.

Características clave de la solución OperatorAssist

Automatización del análisis y recomendaciones de reparación

OperatorAssist aplica IA para analizar incidencias, identificar posibles causas y recomendar acciones de reparación. En la práctica, esto pretende sustituir parte del trabajo repetitivo de revisar datos, reconstruir el historial del pago y decidir el siguiente paso, guiando al operador a través del proceso de resolución.

Barry Rodrigues, EVP de Payments en Finastra, enmarcó el lanzamiento como un cambio relevante en la operativa diaria al combinar IA con una plataforma nativa en la nube e ISO 20022, con el objetivo de “eliminar fricción” y habilitar formas “más rápidas e inteligentes” de resolver problemas.

Flujo de Excepciones: Antes y Después
Cómo suele verse el flujo “antes vs después” en una excepción
– Antes (más manual)
1) Detección: el pago cae a cola por error/validación.
2) Análisis: el operador busca historial, revisa campos, consulta reglas y evidencia.
3) Reparación: corrige datos / reencamina / solicita información.
4) Cierre: documenta, reporta y confirma resolución.
– Con asistencia (más guiado)
1) Detección: el caso aparece con contexto dentro del hub.
2) Análisis asistido: la IA sugiere causa probable y resalta campos relevantes.
3) Reparación recomendada: propone acciones y pasos para ejecutar/validar.
4) Cierre con trazabilidad: guía el registro de lo hecho y reduce retrabajo.
Checkpoints útiles en operación: si la recomendación no coincide con la evidencia del caso, si faltan datos clave (p. ej., campos ISO 20022 incompletos) o si el caso es “edge” (poco frecuente), conviene escalar o forzar revisión humana antes de ejecutar reparaciones.

Mejoras en la precisión y experiencia del cliente

La compañía sostiene que las recomendaciones de reparación basadas en IA pueden reducir errores y acortar los tiempos de resolución, lo que se traduce en una mejor experiencia para el cliente final: menos demoras, menos idas y vueltas y mayor previsibilidad en la entrega del pago.

Desde la óptica del mercado, Gareth Lodge, analista principal de pagos globales en Celent, subrayó que la capacidad de un banco para maximizar el STP es crítica, y que las consultas complejas y el procesamiento de excepciones consumen capacidad operativa, elevan costes por transacción y empeoran la experiencia del cliente. En ese marco, herramientas con IA orientadas a productividad pueden ayudar a atacar el problema.

Beneficios operativos de OperatorAssist para los bancos

Reducción del tiempo de investigación manual

Entre los impactos medibles que Finastra atribuye a OperatorAssist figura una reducción del 20–30% del tiempo dedicado a investigación manual en el manejo de excepciones.

La lógica es que, al automatizar análisis y sugerir reparaciones, el operador invierte menos tiempo en tareas de diagnóstico y más en cerrar casos, con menos dependencia de seguimientos manuales y reportes ad hoc.

Ahorro de horas diarias para los usuarios

Finastra afirma que la herramienta puede ahorrar más de 1,5 horas diarias por usuario, al acelerar investigaciones, estandarizar pasos de resolución y actuar como una especie de “experto virtual”. Ese rol también apunta a acelerar el onboarding de nuevos integrantes del equipo, reduciendo el tiempo hasta que alcanzan productividad.

KPI operativo Impacto esperado en el día a día Cómo se mide típicamente (ejemplo práctico) Qué puede sesgar la medición
Tiempo medio de resolución de excepciones Menos pagos “en cola” y menos re-trabajo Mediana/percentiles (P50/P90) de tiempo desde apertura a cierre por tipo de excepción Mezclar casos simples y complejos en el mismo promedio; cambios de prioridad por picos de volumen
% de STP (straight-through processing) Más pagos completados sin intervención % de pagos que no generan caso operativo / no requieren reparación Cambios en reglas, calidad de datos de origen, migraciones ISO 20022
Tasa de re-apertura / retrabajo Menos idas y vueltas con áreas internas/cliente % de casos cerrados que se reabren en X días Documentación incompleta, falta de trazabilidad, cambios de criterio
Productividad por operador Más casos cerrados por turno sin bajar calidad Casos cerrados por hora + control de calidad (muestreo) Incentivos que empujen a “cerrar rápido” sin resolver causa raíz
Tiempo de onboarding a productividad Nuevos operadores aportan antes Días/semanas hasta alcanzar un umbral de casos resueltos con calidad Diferencias de formación previa, complejidad del portafolio de pagos

Integración de OperatorAssist con plataformas de pagos en la nube

OperatorAssist se ofrece como funcionalidad adicional para clientes de Global PAYplus y Payments To Go, ampliando las capacidades de pagos en la nube de Finastra con una capa opcional de IA. El planteamiento, según la compañía, es sumar asistencia dentro del hub de pagos existente (no sustituirlo), para acelerar el trabajo diario de los equipos de operaciones cuando aparecen incidencias y excepciones. La compañía destaca que el enfoque es cloud-native y ISO 20022-native, alineado con la modernización de infraestructuras de pago y la creciente estandarización de mensajería.

En términos operativos, esta integración busca que la IA esté disponible “donde ocurre el trabajo”: dentro del flujo de gestión de pagos, no como una herramienta separada.

Evaluación de Integración Operativa
Checklist rápido para evaluar una integración “lista para operar”
– Datos y trazabilidad: ¿el hub expone historial del pago, estados, y eventos suficientes para reconstruir el caso sin “cazar” información en múltiples sistemas?
– ISO 20022: ¿los mensajes y campos relevantes están normalizados y disponibles para análisis (incluyendo variantes por esquema/corresponsalía)?
– Roles y permisos: ¿quién puede aceptar una reparación sugerida, quién la revisa y quién la audita?
– Flujo de trabajo: ¿cómo se enrutan colas, prioridades y SLAs (por tipo de excepción y criticidad del cliente/canal)?
– Registro operativo: ¿queda constancia de la recomendación, la acción tomada y el motivo (para auditoría y aprendizaje)?
– Despliegue y adopción: ¿hay un plan de piloto con métricas (tiempo por caso, retrabajo, STP) y un punto de control para ajustar reglas/procesos?

Importancia de la inteligencia artificial en operaciones bancarias

La adopción de IA en operaciones bancarias está dejando de ser experimental para convertirse en una palanca de eficiencia. En pagos, el valor suele concentrarse en tres frentes: reducción de trabajo manual, mejor consistencia en decisiones y menor tiempo de ciclo en incidencias que impactan directamente en costes y satisfacción del cliente.

OperatorAssist se inscribe en esa tendencia: aplicar IA no tanto para “reinventar” el pago, sino para hacer más eficiente la operación que lo sostiene, especialmente cuando el STP no es posible y el caso cae en excepción.

Perspectivas futuras y adopción de AI en servicios financieros

El lanzamiento sugiere una dirección clara del mercado: más herramientas de IA enfocadas en productividad operativa, integradas en plataformas core y hubs de pagos, con métricas de impacto (tiempo, coste, errores) como criterio de adopción.

A medida que crecen los volúmenes, se aceleran los esquemas de pago y se amplía el uso de ISO 20022, la presión por resolver excepciones con rapidez aumentará. En ese escenario, soluciones como OperatorAssist compiten por convertirse en un estándar de facto para equipos de operaciones que necesitan escalar sin multiplicar proporcionalmente la plantilla.

Señales para aplicar IA en pagos
Señales a vigilar para decidir “cuándo” y “dónde” aplicar IA en operaciones de pagos
1) Brecha de STP: si el STP se estanca, segmenta por tipo de excepción y ataca primero las de mayor volumen.
2) Tiempo de ciclo (P90): prioriza donde los casos “largos” consumen capacidad y generan más fricción al cliente.
3) Madurez ISO 20022: cuanto más consistente sea la mensajería/datos, más predecible suele ser la automatización.
4) Coste de retrabajo: si hay re-aperturas frecuentes, enfoca en trazabilidad y calidad de cierre, no solo velocidad.
5) Capacidad y talento: si el equipo depende de pocos “expertos”, un asistente puede estandarizar criterios y acelerar onboarding.
6) ROI operativo medible: define 2–3 KPIs antes del piloto (p. ej., tiempo por caso, retrabajo, STP) y revisa en ciclos cortos.

Transformación en el Manejo de Pagos con Finastra AI OperatorAssist

Innovación en la Eficiencia Operativa

OperatorAssist apunta a convertir la gestión de excepciones en un proceso más guiado y automatizado, con promesas concretas: más de 1,5 horas diarias ahorradas por usuario, según Finastra.

Mejoras en la Experiencia del Cliente

Al reducir errores y tiempos de resolución, la herramienta busca impactar en lo que el cliente percibe: pagos más puntuales, menos incertidumbre y respuestas más rápidas ante incidencias.

Impacto en la Industria Financiera

La propuesta refuerza una tendencia: la IA aplicada a operaciones no solo como analítica, sino como asistente integrado en el flujo de trabajo. Si los resultados se sostienen a escala, el manejo de excepciones —históricamente caro y lento— podría convertirse en un terreno clave de diferenciación operativa entre bancos.

Límites y Equilibrios Operativos
Límites y trade-offs que conviene tener presentes
– Calidad de datos: si el historial del pago o los campos ISO 20022 llegan incompletos, la recomendación puede ser menos fiable y el operador seguirá “investigando”.
– Casos poco frecuentes (edge cases): excepciones raras o nuevas (por cambios de esquema/reglas) suelen requerir más revisión humana.
– Control humano vs velocidad: acelerar cierres sin un buen registro puede aumentar re-aperturas; el equilibrio está en guiar y documentar, no solo “resolver rápido”.
– Cambio de proceso: el beneficio real depende de adopción (uso consistente del flujo guiado), ajustes de colas/SLAs y coordinación entre equipos.

Transforma tu experiencia de cliente con Suricata Cx

La solución definitiva para ISPs y operadores de telecomunicaciones

Suricata Cx se posiciona como una plataforma orientada a mejorar la experiencia del cliente en entornos de telecomunicaciones, con foco en eficiencia y calidad de atención.

Aprovecha la inteligencia artificial para optimizar tus operaciones

La IA aplicada a operaciones y atención permite automatizar tareas repetitivas, acelerar tiempos de respuesta y mejorar la consistencia del servicio, especialmente en organizaciones con alto volumen de interacciones.

Finastra lanza OperatorAssist para el manejo de pagos con IA, y ese enfoque de IA integrada en el flujo de trabajo para reducir excepciones, tiempos y errores refleja exactamente el tipo de automatización operativa que en Suricata Cx aplicamos en telecom: asistentes que aceleran la resolución y mantienen a las personas en control cuando el caso se complica.

Desde una perspectiva de operaciones omnicanal y automatización aplicada, el valor suele estar menos en “reemplazar” equipos y más en estandarizar diagnósticos, reducir retrabajo y acortar el tiempo hasta la resolución, manteniendo trazabilidad y control humano en los casos no rutinarios.

Resolución más rápida y consistente
Ejemplo operativo (antes/después) para aterrizar el paralelismo con CX
– Antes: un agente recibe un caso “no rutinario”, busca información en varias pantallas, pide contexto a otro equipo y el cliente espera sin visibilidad clara.
– Después (con asistente en el flujo): el caso llega con contexto, se sugieren próximos pasos y se estandariza el cierre con trazabilidad; el agente dedica más tiempo a resolver y menos a “reconstruir” el problema.
En pagos o en telecom, el patrón es el mismo: cuando el volumen crece, la mejora sostenida suele venir de reducir retrabajo, acortar el tiempo de diagnóstico y hacer consistente el proceso de resolución.

Este artículo se basa en información públicamente disponible al momento de su publicación. Las métricas citadas son resultados o estimaciones tempranas y pueden variar según el tipo de excepciones, el volumen y el nivel de adopción operativa. En productos de IA, el desempeño real depende en gran medida de la calidad de los datos, la integración y los cambios de proceso, por lo que podrían surgir actualizaciones conforme haya nueva información.