Cerrar panel

Cerrar panel

Cerrar panel

Cerrar panel

AI Solutions 18 nov 2026

BBVA aplica la IA para comprender mejor al cliente y avanza en el desarrollo de un modelo fundacional

Investigadores de IA de BBVA han desarrollado un modelo que interpreta cómo interactúan los clientes con la aplicación móvil del banco, permitiendo conocer mejor sus necesidades y, con ello, ofrecer una experiencia más personalizada y proactiva. El trabajo, presentado en ICAIF, reconocida conferencia de IA aplicada a las finanzas, supone un nuevo avance en una línea de investigación de BBVA que está sentando las bases para el desarrollo de un modelo fundacional de IA que integre múltiples fuentes de datos.

Cada vez que un cliente utiliza la aplicación móvil de BBVA realiza una secuencia de acciones, ya sea consultando sus movimientos, revisando sus tarjetas, explorando las condiciones de un préstamo o realizando una transferencia, entre otras muchas posibilidades. Analizadas en conjunto, estas interacciones aportan información valiosa para optimizar procesos del banco, mejorar la experiencia de los clientes y ofrecer un servicio más adaptado a sus necesidades e intereses.

Aprovechar esta información mediante la IA es el objetivo de una línea de investigación en la que BBVA lleva trabajando desde hace casi una década. Su avance más reciente es una publicación científica desarrollada por investigadores del banco y presentada el pasado 15 de noviembre en Milán, durante la ACM International Conference on AI in Finance (ICAIF).

Asier González-Rodríguez, unos de los autores de la investigación, durante su presentación en ICAIF

En concreto, el trabajo ha sido expuesto en un encuentro pionero en el marco de la conferencia, dedicado específicamente a la investigación en modelos fundacionales y multimodales para el sector bancario.

Una nueva forma de representar la navegación digital

BBVA comenzó a explorar en 2018 el uso de embeddings, representaciones numéricas que permiten a los modelos de IA identificar patrones y relaciones en grandes volúmenes de información. En 2023, esta línea de trabajo dio un nuevo paso al centrarse en los datos de navegación de la app del banco, transformando las secuencias de pantallas visitadas por los clientes, de forma anonimizada, en representaciones vectoriales que pueden ser reutilizadas por diferentes modelos analíticos.

Esta tecnología ya ha demostrado su utilidad en aplicaciones reales en BBVA, como la segmentación de clientes o la estimación de la propensión de un cliente a contratar productos financieros. Sin embargo, la aproximación utilizada hasta ahora, basada en Word2Vec, presentaba una limitación importante: aunque permitía representar las pantallas visitadas, al combinar esa información perdía parte del contexto y el orden de las interacciones.

Para superar esta limitación, los investigadores han explorado el uso de Transformers, una arquitectura de aprendizaje profundo (deep learning) que permite analizar secuencias e identificar las relaciones entre sus elementos, y que es la base de los grandes modelos de lenguaje (LLMs).

La aproximación se inspira en el procesamiento del lenguaje natural. Del mismo modo que el significado de una palabra depende de las otras palabras que la acompañan, una acción dentro de la aplicación puede aportar información diferente según las interacciones que la preceden o la siguen.

En este caso, cada pantalla visitada en la aplicación se trata como un token, esto es, la unidad básica de datos que los modelos de IA leen y generan, mientras que la secuencia de pantallas vistas durante una sesión funciona como si fuera una frase de texto. Mediante aprendizaje autosupervisado, el modelo aprende a reconocer patrones de navegación a partir de los propios registros de actividad, sin necesidad de etiquetar manualmente cada secuencia.

Para llevar a cabo la investigación se han analizado aproximadamente 1.600 millones de sesiones de navegación de ocho millones de clientes, de forma anonimizada, correspondientes a un año de actividad. De ellas, se seleccionaron 90 millones para entrenar los nuevos modelos.

Uno de los desafíos técnicos era conseguir que esta aproximación funcionara a escala y pudiera adaptarse a una aplicación en constante evolución. Para ello, los investigadores desarrollaron un sistema de tokenización jerárquica que agrupa pantallas relacionadas y permite interpretar nuevas funcionalidades a partir de categorías ya conocidas, evitando que cada cambio en la aplicación requiera reconstruir el sistema.

Sobre esta base, se compararon distintas arquitecturas Transformer, siendo seleccionada la arquitectura Decoder, que aprende a predecir las siguientes pantallas de una secuencia y combina la información contextual de todo el recorrido para generar una representación compacta y reutilizable. Así, cada sesión de navegación se convierte en un vector que resume el comportamiento de un usuario en la app y que puede utilizarse directamente o combinarse con otras sesiones para obtener una representación general de las interacciones de un cliente.

De la investigación a la aplicación real en banca

Los resultados muestran que los modelos basados en Transformers superan a la tecnología anterior, al capturar con mayor precisión las sesiones de navegación y generar representaciones útiles para analizar el las interacciones de los clientes.

Una de las pruebas más relevantes se realizó sobre un modelo que estima la probabilidad de que un cliente contrate un producto financiero, caso de uso real aplicado en el banco. Al incorporar los nuevos embeddings, la métrica AUC —que mide la capacidad de distinguir entre clientes que contratarán un producto y aquellos que no— aumentó un 2,7% en términos relativos frente al modelo de referencia y superó el resultado del arrojado por Word2Vec. La mejora es notable al lograrse sobre un modelo que ya mostraba una elevada capacidad predictiva.

Esta mejora evidencia que utilizar modelos secuenciales para interpretar las interacciones digitales aporta información adicional que puede aumentar la capacidad predictiva de los modelos analíticos. Además, las representaciones obtenidas pueden reutilizarse en diferentes modelos sin necesidad de que cada uno procese todo el historial de navegación. La solución está integrada en un proceso que atiende aproximadamente a ocho millones de usuarios activos y procesa cuatro millones de sesiones al día, demostrando su viabilidad a escala, cumpliendo los requisitos de eficiencia, gobierno, fiabilidad y mantenimiento.

Hacia un modelo fundacional capaz de aprender de múltiples fuentes

Los modelos desarrollados hasta ahora se centran en una dimensión concreta del comportamiento del cliente: su navegación digital. Sin embargo, buena parte de la relación de una persona con su banco se refleja también en otras fuentes de información, desde sus transacciones o movimientos hasta las interacciones con gestores, las llamadas o las visitas a oficinas. BBVA ya está dando los primeros pasos para desarrollar un modelo fundacional multi-fuente que permita integrar estas diferentes dimensiones, y que sirva como base para construir múltiples aplicaciones de IA.

Frente a los modelos especializados en una única fuente, esta aproximación permite aprender una representación integral del comportamiento financiero de los clientes de BBVA a partir de información heterogénea. El objetivo es avanzar hacia una comprensión inteligente, completa y unificada de los clientes, que sirva como base para implementar modelos y agentes de IA en diferentes casos de uso.

La investigación presentada en ICAIF representa un nuevo paso en esta ambición. Su combinación de experimentación científica, aprendizajes acumulados y puesta en funcionamiento en entornos reales proporciona a BBVA una base sobre la que avanzar hacia una nueva generación de modelos de IA, capaces de contribuir a una mejor comprensión de las necesidades y demandas de los clientes y al desarrollo de una banca cada vez más personalizada, proactiva y centrada en las personas.