Revista Economía & Negocios

Vol. 7 Núm. 2, 2025

Artículo original

Finanzas inteligentes: la revolución de la IA en la optimización de beneficios en Perú

Intelligent finance: the role of artificial intelligence in profit optimization in Peru

Karina Milagros Rojas-Plasencia*

*Autor de correspondencia: pcadkroj@upc.edu.pe, https://orcid.org/0000-0001-9324-9478

Universidad Peruana de Ciencias Aplicadas. Facultad de Negocios. Administración de Negocios Digitales. Lima, Perú

Lorena Paola Espinoza-Ramos

u201617140@upc.edu.pe, https://orcid.org/0009-0005-0720-5046

Universidad Peruana de Ciencias Aplicadas. Facultad de Negocios. Administración y Gerencia del Emprendimiento. Lima, Perú

Alan Paul Bendezu-Pilco

u201419518@upc.edu.pe, https://orcid.org/0009-0001-3619-8608

Universidad Peruana de Ciencias Aplicadas. Facultad de Negocios. Administración y Gerencia del Emprendimiento. Lima, Perú

Violeta Lidia Rivera-Peirano

Violeta.rivera@usil.pe, https://orcid.org/0000-0003-0408-9148

Universidad San Ignacio de Loyola. Facultad de Ciencias Empresariales. Administración y Finanzas Corporativas. Lima, Perú

Recepción: 27/06/2025

Aprobación: 26/08/2025

Publicación: 30/10/2025

JEL CODE: G20, L20, O03

Esta obra está bajo una Licencia Creative Commons Atribución 4.0 Internacional.

Como citar: Rojas-Plasencia, K. M., Espinoza-Ramos, L. P., Bendezu-Pilco, A. P. & Rivera-Peirano, V. L. (2025). Finanzas inteligentes: la revolución de la IA en la optimización de beneficios en Perú. Economía & Negocios, 7(2), 37-50. https://www.doi.org/10.33326/27086062.2025.2.2305

RESUMEN

La adopción global de la inteligencia artificial (IA) sigue en expansión, con un 94 % de líderes empresariales que reconocen su importancia y un 56 % que la implementan en servicios de atención al cliente. No obstante, en América Latina y particularmente en Perú, su adopción aún es incipiente. El objetivo de esta investigación fue analizar el rol que desempeña la inteligencia artificial en la toma de decisiones orientadas a la rentabilidad en empresas peruanas del sector financiero durante el año 2023. El método aplicado fue de tipo básico, con nivel descriptivo, enfoque cualitativo y diseño no experimental. La población estuvo conformada por 64 empresas del sector financiero, de las cuales se seleccionó una muestra intencionada de 9. Se utilizó la entrevista semiestructurada como técnica de recolección de datos. Los resultados indican que la inteligencia artificial cumple un rol fundamental en la optimización y análisis de datos, automatización de procesos e identificación de tendencias, lo que permite fortalecer la capacidad predictiva y operativa de las organizaciones. Se concluye que el uso de IA contribuye significativamente a la eficiencia en el manejo de la información, mejora la capacidad para anticipar comportamientos del mercado y optimiza procesos clave, lo cual impacta positivamente en la toma de decisiones estratégicas orientadas a mejorar la rentabilidad empresarial.

Palabras clave: finanzas, inteligencia artificial, optimización, percepción, rentabilidad

ABSTRACT

The global adoption of artificial intelligence (AI) continues to expand, with 94% of business leaders recognizing its importance and 56% implementing it in customer service. However, in Latin America —and particularly in Peru— its adoption remains limited. The objective of this study was to analyze the role played by artificial intelligence in profitability-oriented decision-making within Peruvian financial sector companies during 2023. The method used was basic in type, descriptive in level, qualitative in approach, and non-experimental in design. The study population consisted of 64 companies in the financial sector, from which a purposive sample of 9 companies was selected. Semi-structured interviews were used as the data collection technique. The results show that artificial intelligence plays a key role in data optimization and analysis, process automation, and trend identification, strengthening the predictive and operational capabilities of organizations. It is concluded that the use of AI significantly enhances efficiency in data management, improves the ability to anticipate market behaviors, and optimizes key processes. These improvements have a direct positive impact on strategic decision-making aimed at increasing business profitability.

Keywords: finance, artificial intelligence, optimization, perception, profitability

INTRODUCCIÓN

La inteligencia artificial (IA) está revolucionando el sector financiero al optimizar la eficiencia operativa, fortalecer la toma de decisiones estratégicas y personalizar la experiencia del cliente. Su capacidad para automatizar procesos, detectar fraudes y reducir errores no solo mejora la rentabilidad, sino que también potencia la competitividad en un entorno altamente dinámico. En este contexto, la IA se ha consolidado como una herramienta clave para mejorar la rentabilidad, optimizando estrategias empresariales, la gestión de riesgos y la estabilidad económica de las organizaciones.

A nivel global, el 94 % de los líderes empresariales reconoce la IA como un factor determinante para el éxito corporativo en los próximos cinco años, con un 56 % que ya la ha implementado en atención al cliente y un 51 % en ciberseguridad y gestión de fraudes (Napitu, 2023). Tecnologías como el machine learning (ML) y el deep learning (DL) permiten procesar grandes volúmenes de datos en tiempo real, facilitando decisiones estratégicas fundamentadas y mejorando la escalabilidad operativa. Se estima que un incremento del 1 % en la adopción de IA puede elevar la eficiencia operativa en un 0,374 %, con un impacto directo en la rentabilidad financiera (Rahman, 2023).

Bahoo et al. (2023), tras analizar más de mil estudios, concluyeron que la IA transforma la estabilidad financiera, mejora la gestión de riesgos y optimiza la detección de fraudes. Advirtieron que las empresas que no adopten estas tecnologías perderán competitividad, mientras que los gobiernos deben fomentar su implementación mediante incentivos financieros y programas de capacitación. Asimismo, Belesis et al. (2023) demostraron que el uso de machine learning mejora significativamente la precisión en la predicción de la rentabilidad, aplicando modelos sobre indicadores como el ROA y el ROE. Ilker et al. (2022) complementaron estos hallazgos al señalar que los algoritmos avanzados han aumentado hasta en un 98 % la precisión de predicciones bancarias, fortaleciendo así la planificación estratégica y los objetivos comerciales.

No obstante, la implementación de IA en las finanzas aún enfrenta barreras. Krunoslav et al. (2020) señalaron que muchas instituciones financieras dependen de sistemas heredados, lo que dificulta la automatización. Sin embargo, el uso de asistentes virtuales y chatbots puede reducir costos operativos y mejorar la eficiencia. En esta línea, Wamba et al. (2020) enfatizaron la necesidad de adoptar un enfoque estratégico para maximizar el impacto de la IA en la gestión financiera. Königstorfer y Thalmann (2020), por su parte, indicaron que, aunque la IA ha mejorado la banca de inversión, su aplicación en la atención al cliente sigue siendo limitada. La confiabilidad en los servicios digitales se destaca como un factor clave para la satisfacción del cliente.

En América Latina, la IA se proyecta como un motor clave para el crecimiento económico, con una reducción de costos operativos de hasta un 25 % y un incremento potencial del PIB regional en un 4 % (Organización para la Cooperación y el Desarrollo Económico, 2022). No obstante, su adopción aún es desigual en países como Perú. Aunque el 51 % de las empresas peruanas ha implementado IA en menos de seis meses, su impacto en la rentabilidad sigue siendo incierto (Contreras, 2024). Factores como la infraestructura tecnológica limitada y la escasez de talento especializado dificultan su integración en sectores clave, como las cooperativas de ahorro y crédito, donde su uso ha demostrado mejorar la sostenibilidad financiera (Flores, & Mougenot, 2022).

Si bien algunas empresas han logrado beneficios significativos con la IA, aquellas que no la adopten corren el riesgo de perder competitividad, enfrentar mayores costos operativos y ser más vulnerables a fraudes y ciberataques. En este contexto, el presente estudio tiene como objetivo analizar el impacto de la IA en la rentabilidad del sector financiero peruano, con un enfoque en los factores clave de machine learning y deep learning que influyen en la toma de decisiones empresariales.

El problema central que se aborda es ¿qué rol desempeña la inteligencia artificial en las decisiones de rentabilidad en las empresas peruanas del sector financiero durante 2023? A partir de ello, se busca responder las siguientes preguntas: ¿cuáles son los factores de machine learning que influyen en las decisiones de rentabilidad en el sector financiero peruano? y ¿cuáles son los factores de deep learning que impactan en la rentabilidad de estas empresas? El estudio tiene como propósito central analizar el papel de la inteligencia artificial en las decisiones de rentabilidad de las empresas peruanas del sector financiero en 2023, proporcionando así una visión integral de su impacto y sus principales desafíos.

MÉTODOS

El estudio empleó un enfoque cualitativo para analizar fenómenos en su contexto natural, privilegiando la interpretación sobre la cuantificación (Arias, & Covinos, 2021; Ñaupas et al., 2018). Su carácter básico permitió ampliar el conocimiento teórico sin una aplicación inmediata, pero con potencial para futuras investigaciones aplicadas.

Con un alcance descriptivo, la investigación se centró en caracterizar el fenómeno estudiado mediante la observación y el análisis de sus variables, sin establecer relaciones causales (Arias, & Covinos, 2021; Ñaupas et al., 2018).

El diseño metodológico fue no experimental y de corte transversal, ya que no se manipularon variables y los datos se recolectaron en un único momento. Esto permitió obtener una representación precisa del fenómeno en su entorno natural (Arias, & Covinos, 2021).

Para el muestreo, se realizó el muestreo no probabilístico por conveniencia. De acuerdo con Arias y Covinos (2021), este método de muestreo se emplea cuando se busca seleccionar una población considerando sus similitudes o basándose en un criterio subjetivo por parte del investigador. A su vez, de acuerdo con Ñaupas et al. (2018), en este tipo de muestreo, el investigador utiliza su criterio para seleccionar las unidades muestrales, eligiéndolas según características específicas que se ajusten a la naturaleza de la investigación. Los tipos principales incluyen el muestreo por conveniencia, circunstancial y por cuotas. Por ende, la muestra para este estudio fue seleccionada mediante los siguientes criterios de inclusión y exclusión en donde se pueden observar los criterios que llevaron a seleccionar las entidades tomadas en el estudio:

Criterios de inclusión: se tomaron en cuenta a los cuatro bancos más grandes del Perú, entidades que hacen uso de la inteligencia artificial con más de 20 años de trayectoria y entidades tecnológicas que tuvieron gerentes que trabajan en bancos.

La población del estudio incluyó 54 entidades (anexo 1) del sector financiero peruano (Banco Central de Reserva del Perú [BCRP], 2024). La muestra, seleccionada de manera intencional, estuvo conformada por siete entidades financieras y dos tecnológicas, asegurando representatividad. Siguiendo el criterio de saturación teórica (Guest, 2006), la recolección de datos se detuvo cuando la información adicional dejó de aportar nuevos conocimientos.

Se utilizó la entrevista semiestructurada (anexo 2) para recolectar información cualitativa de manera flexible, permitiendo a los entrevistados expresar sus percepciones y al entrevistador adaptar las preguntas según las respuestas (Arias, & Covinos, 2021; Ñaupas et al., 2018). El análisis de los datos se realizó con el software ATLAS.ti.

Factores de machine learning

El machine learning desempeña un papel clave en la transformación del sector financiero al automatizar tareas, optimizar procesos y mejorar la rentabilidad. En este contexto, el entrevistado 1 (comunicación personal, 4 de julio de 2024) afirmó que “la inteligencia artificial ha evolucionado conforme ha crecido el volumen de datos, permitiendo un uso más eficiente en diversas aplicaciones”. Asimismo, destacó que el ML facilita la optimización de procesos internos y la toma de decisiones estratégicas mediante el análisis de datos y la creación de modelos predictivos.

Volkmar et al. (2022) identifican que, a pesar de los desafíos culturales y estratégicos, la inteligencia artificial y el ML mejoran la gestión de clientes y la rentabilidad empresarial mediante la automatización. En consonancia, el entrevistado 2 (comunicación personal, 12 de julio de 2024) señaló que “las tecnologías precisas y ágiles han permitido a los principales bancos del Perú integrar chatbots basados en IA para mejorar la atención al cliente”.

El entrevistado 2 resaltó que los chatbots y asistentes virtuales optimizan la interacción con los clientes y reducen la carga operativa. En este sentido, Bahoo et al. (2023) destacan que la IA, incluido el ML, es esencial para la predicción del mercado, la gestión de riesgos y la detección de fraudes. En línea con esto, el entrevistado 7 (comunicación personal, 4 de julio de 2024) afirmó que la IA facilita la automatización de procesos operativos, aunque también plantea desafíos en términos de reducción de personal y clima laboral.

Por su parte, el entrevistado 5 (comunicación personal, 4 de julio de 2024) destacó el papel del ML en la ciberseguridad, particularmente en la prevención de fraudes. Esta postura coincide con Bahoo et al. (2023), quienes enfatizan que los algoritmos avanzados de ML protegen a las instituciones financieras de ciberataques. El entrevistado 5 subrayó que “la segmentación de carteras o la detección de promociones no vigentes mediante redes neuronales ya se utiliza para prevenir fraudes”.

Asimismo, Awais et al. (2021) y Bai (2022) sostienen que el ML mejora la eficiencia operativa, optimiza costos y maximiza el rendimiento organizacional. Esta visión es compartida por el entrevistado 4 (comunicación personal, 17 de julio de 2024), quien afirmó que “en trading, los bancos emplean algoritmos para predecir oportunidades de inversión y minimizar riesgos financieros”. Además, resaltó la importancia de la evolución tecnológica en el desarrollo de algoritmos de ML, esenciales para mejorar la precisión de los modelos predictivos en el análisis financiero.

Los hallazgos de la investigación sugieren que el ML es un factor clave en la transformación del sector financiero, facilitando la automatización y mejorando la toma de decisiones estratégicas. La disponibilidad de grandes volúmenes de datos ha optimizado la aplicabilidad de la inteligencia artificial, fortaleciendo la competitividad empresarial. La implementación de chatbots ha redefinido la interacción con los clientes, agilizando procesos y reduciendo la dependencia de la intervención humana. No obstante, surgen preocupaciones sobre el impacto de la automatización en el empleo y el clima organizacional, lo que requiere estrategias de adaptación tecnológica.

En el ámbito de la ciberseguridad, el ML se ha consolidado como una herramienta fundamental para la detección y prevención de fraudes, fortaleciendo la estabilidad del sector financiero y la confianza de los clientes. La inversión en tecnología y la mejora continua de los algoritmos de ML son esenciales para optimizar costos y potenciar la rentabilidad. En síntesis, los entrevistados coinciden en que el ML es indispensable para la eficiencia operativa, la seguridad y la competitividad del sector financiero en un entorno en constante evolución.

Figura 1

Red de códigos de la subcategoría Factores de machine learning en las percepciones de rentabilidad

Nota. Generado por ATLAS.ti con base en la información recopilada

Factores de deep learning

El deep learning, una rama avanzada del machine learning, se vincula con modelos de aprendizaje profundo y el procesamiento de grandes volúmenes de datos. Nibigira et al. (2023) destacan su relevancia en ciberseguridad, especialmente en la detección de anomalías y protección contra ciberataques. En esta línea, el entrevistado 1 (comunicación personal, 4 de julio de 2024) enfatiza que la IA es crucial tanto para la defensa como para contrarrestar herramientas avanzadas usadas por ciberdelincuentes.

Bai (2022) resalta que el deep learning transforma el análisis de datos, optimizando procesos y mejorando la experiencia del cliente. De manera similar, Pramanik y Jana (2022) sostienen que su uso incrementa la precisión en la previsión del rendimiento empresarial, fortaleciendo la gestión financiera. Esto concuerda con el entrevistado 9 (comunicación personal, 1 de agosto de 2024), quien subraya que la calidad de los datos y el deep learning mejoran la toma de decisiones y el rendimiento empresarial. Asimismo, el entrevistado 1 (comunicación personal, 1 de julio de 2024) señala que la IA agiliza la toma de decisiones y permite una gestión estratégica más eficiente. El entrevistado 1 también destaca que la IA optimiza procesos operativos al automatizar tareas rutinarias, permitiendo a las empresas centrarse en estrategias clave. Además, los algoritmos de machine learning facilitan la predicción de tendencias y la evaluación de costos, mejorando la rentabilidad mediante una gestión de datos más eficiente.

En síntesis, el deep learning desempeña un papel crucial en la detección de anomalías y protección de datos ante amenazas cibernéticas en evolución. Además, su capacidad para procesar grandes volúmenes de información permite optimizar procesos, reducir costos y mejorar la experiencia del cliente. La IA no solo agiliza la toma de decisiones, sino que también fortalece la competitividad al facilitar la automatización y la identificación de oportunidades estratégicas.

Figura 2

Red de códigos de la subcategoría Factores de deep learning en las percepciones de rentabilidad

Nota. Generado por ATLAS.ti con base en la información recopilada

Percepciones de rentabilidad económica

La percepción de la rentabilidad económica está influenciada por la capacidad de adaptación empresarial, la eficiencia operativa y la optimización de recursos. Volkmar et al. (2022) destacan que la inteligencia artificial y el machine learning no solo incrementan la rentabilidad, sino que también modifican la manera en que los agentes económicos perciben el valor generado por estas tecnologías. El entrevistado 2 (comunicación personal, 12 de julio de 2024) refuerza esta idea al señalar que la implementación de IA en procesos empresariales genera una percepción positiva de rentabilidad, ya que agiliza operaciones, reduce costos y mejora la toma de decisiones. En este sentido, la agilidad organizacional se convierte en un factor clave, pues permite responder eficazmente a cambios del mercado y capitalizar oportunidades con mayor rapidez.

Asimismo, Taherdoost y Madanchian (2023) subrayan que, aunque la inversión en IA representa un desafío inicial, su impacto en la productividad y en la gestión del conocimiento refuerza la percepción de una rentabilidad sostenible a largo plazo. El entrevistado 3 (comunicación personal, 17 de julio de 2024) coincide con esta perspectiva al señalar que la IA transforma la experiencia del cliente y la eficiencia operativa, influyendo en la percepción de valor tanto de clientes como de inversionistas, lo que a su vez fortalece la confianza en la rentabilidad del negocio. Ruiz et al. (2021) y Bahoo et al. (2023) sostienen que la inversión en IA es esencial para la gestión de riesgos y la predicción de tendencias de mercado, elementos que refuerzan la percepción de estabilidad financiera y potencial de rentabilidad. En este contexto, el entrevistado 3 resalta que la innovación radica no solo en la mitigación de riesgos, sino en la construcción de una percepción más sólida de rentabilidad a través de modelos predictivos avanzados.

En conclusión, la percepción de la rentabilidad económica no solo depende de los resultados financieros tangibles, sino también de la confianza en la capacidad de adaptación, la eficiencia operativa y la sostenibilidad de las decisiones estratégicas impulsadas por IA y ML.

Figura 3

Red de códigos de la subcategoría Rentabilidad económica

Nota. Generado por ATLAS.ti con base en la información recopilada

Percepciones de rentabilidad financiera

La rentabilidad financiera está estrechamente ligada a la eficiencia en la gestión del capital, la optimización de decisiones y la reducción de riesgos. Bahoo et al. (2023) destacan que la inteligencia artificial ha revolucionado el sistema financiero al transformar la predicción del mercado, la gestión de riesgos y la detección de fraudes, lo que ha permitido fortalecer la rentabilidad empresarial. En línea con esta perspectiva, el entrevistado 2 (comunicación personal, 12 de julio de 2024) sostiene que la IA aporta agilidad en los procesos de negocio, mejorando el análisis financiero y la capacidad de respuesta ante cambios en el mercado.

Asimismo, Belesis et al. (2023) demuestran que el uso de algoritmos de machine learning para predecir la rentabilidad, basados en indicadores clave como el ROE y el ROA, ha optimizado significativamente los modelos financieros. Esto concuerda con el testimonio del entrevistado 3 (comunicación personal, 17 de julio de 2024), quien señala que la IA es una herramienta fundamental en la predicción del riesgo crediticio, permitiendo a los bancos tomar decisiones más informadas y reducir pérdidas financieras, lo que impacta directamente en la rentabilidad.

El impacto de la IA también se refleja en la automatización de procesos bancarios, optimizando la eficiencia y reduciendo costos. Según el entrevistado 9 (comunicación personal, 1 de agosto de 2024), estas innovaciones permiten gestionar los recursos con mayor precisión, lo que fortalece la rentabilidad financiera del sector. La coincidencia en estas perspectivas resalta cómo la IA no solo mejora la toma de decisiones, sino que también transforma la estructura operativa de las instituciones financieras.

Por otro lado, el entrevistado 1 (comunicación personal, 4 de julio de 2024) enfatiza el papel crucial de los algoritmos en la gestión financiera, afirmando que su capacidad para estructurar modelos matemáticos optimiza la rentabilidad al mejorar la asignación de recursos y maximizar el retorno de inversión. Estos modelos permiten a las empresas ajustar sus estrategias en tiempo real, garantizando un desempeño financiero más sólido y sostenible. La gestión financiera no solo se está redefiniendo con la IA, sino también mediante la automatización y el análisis predictivo, generando ventaja competitiva al optimizar la rentabilidad. La capacidad de adaptarse a entornos financieros dinámicos y de anticipar cambios en el mercado demuestra que la implementación estratégica de la IA no es solo una tendencia, sino una necesidad para garantizar la estabilidad y el crecimiento económico sostenible.

Figura 4

Red de códigos de la subcategoría Rentabilidad financiera

Nota. Generado por ATLAS.ti con base en la información recopilada

RESULTADOS

Respecto al objetivo general

La adopción inicial de la IA estuvo marcada por cierto escepticismo, como indicó el entrevistado 4 (comunicación personal, 17 de julio de 2024). Sin embargo, con el tiempo, las empresas avanzaron rápidamente en la implementación de modelos de IA para optimizar la automatización de procesos y mejorar la eficiencia operativa.

El entrevistado 8 (comunicación personal, 1 de agosto de 2024) destacó la relevancia de la IA en el análisis de tendencias y patrones en datos financieros, lo que ha permitido predecir comportamientos del mercado y mejorar la rentabilidad empresarial. Se subraya la necesidad de utilizar métodos estadísticos basados en IA para procesar la gran cantidad de datos existentes en el sector financiero, facilitando así una toma de decisiones más informada y estratégica. Por su parte, el entrevistado 5 (comunicación personal, 4 de julio de 2024) enfatizó que la IA permite identificar patrones que no siempre son visibles a través de modelos matemáticos tradicionales, lo que refuerza su papel en la evaluación de riesgos y optimización de estrategias de inversión. Además, señaló que, en comparación con años anteriores, en 2024 muchas empresas han pasado de la fase exploratoria a la implementación efectiva de la IA, utilizando modelos numéricos y fórmulas internas para automatizar procesos.

El entrevistado 3 (comunicación personal, 17 de julio de 2024) resaltó que el machine learning ha sido crucial para segmentar clientes según su nivel de riesgo, optimizando la gestión crediticia y personalizando la oferta de productos financieros. Asimismo, enfatizó la importancia de la actualización continua de los modelos de IA, utilizando métricas como el índice Gini para mejorar el análisis de riesgos y la efectividad de las decisiones financieras. También, se mencionó el rol de los machine learning operations (MLOps) en la actualización constante de los modelos predictivos.

El entrevistado 6 (comunicación personal, 4 de julio de 2024) abordó la capacidad de la IA para automatizar tareas mediante el uso de grandes volúmenes de datos almacenados en la nube. Además, destacó la importancia de la privacidad de datos en la implementación de soluciones basadas en IA. Las empresas han comenzado a utilizar técnicas avanzadas para analizar tendencias del mercado y segmentar a los clientes con base en KPIs históricos, mejorando así su desempeño financiero.

A pesar del consenso en torno a la importancia de la IA en la optimización de la rentabilidad, se observan discrepancias en cuanto a la fase de adopción. Mientras que el entrevistado 5 y el entrevistado 6 indicaron que la mayoría de las empresas han superado la etapa de exploración y se encuentran en una fase avanzada de implementación, el entrevistado 3 enfatizó que la prioridad sigue siendo el desarrollo de modelos predictivos y el machine learning, mientras que tecnologías emergentes como la IA generativa y el deep learning aún no son ampliamente utilizadas en el sector financiero.

La adopción de la IA ha pasado de una fase inicial de incertidumbre a una implementación más estructurada, centrada en la optimización de procesos, el análisis de datos financieros y la personalización de servicios. No obstante, persisten diferencias en los enfoques de adopción, lo que sugiere que la evolución de la IA en el sector financiero peruano continuará en función de las necesidades estratégicas y los avances tecnológicos futuros.

Figura 5

Redes entre inteligencia artificial y percepciones de rentabilidad

Nota. Generado por ATLAS.ti con base en la información recopilada

Respecto a los objetivos específicos

Los factores del machine learning que influyen en las decisiones de rentabilidad en empresas peruanas del sector financiero durante 2023 comprenden diversas perspectivas relevantes.

El análisis de datos se destaca como un factor clave, en particular por la aplicación de métodos estadísticos mediante inteligencia artificial para examinar tendencias y patrones de consumo. Este enfoque permite la toma de decisiones informadas y la predicción de comportamientos del mercado. Asimismo, los algoritmos de predicción de comportamientos juegan un papel crucial en la optimización de la rentabilidad empresarial al anticipar dinámicas del mercado. De igual manera, el uso de algoritmos para la segmentación de clientes resulta fundamental, ya que facilita estrategias adaptadas a perfiles específicos basados en criterios socioeconómicos y demográficos.

Existe consenso en que la automatización y la escalabilidad son factores determinantes. La capacidad de la IA y el ML para gestionar grandes volúmenes de datos permite mejorar la eficiencia operativa y la rentabilidad. En este contexto, la aplicación de modelos de propensión de ventas resulta una herramienta clave para identificar clientes con mayor probabilidad de adquirir productos o servicios en canales específicos.

Asimismo, la selección del modelo de ML adecuado es un aspecto fundamental, ya que su eficacia depende del entrenamiento y la calidad de los datos. La correcta elección del modelo es esencial para la automatización de tareas y la optimización de procesos, al tiempo que se enfatiza la aplicación de modelos estadísticos para el análisis financiero y la predicción de tendencias.

Por otro lado, la confidencialidad de los datos emerge como un factor crítico. Los acuerdos de confidencialidad influyen en la selección de modelos de IA para proyectos de automatización, dado que no todos los modelos garantizan la protección de la información. La seguridad de los datos se convierte, por tanto, en un criterio fundamental para las empresas que buscan maximizar su productividad sin comprometer la privacidad.

En síntesis, existe un consenso en torno a la importancia de la automatización, la selección adecuada de modelos de ML y la aplicación de algoritmos predictivos en la rentabilidad empresarial. No obstante, persisten discrepancias respecto al rol de la confidencialidad de los datos. Estas divergencias sugieren la necesidad de un enfoque integral que considere tanto la optimización técnica como los aspectos de seguridad y adaptabilidad estratégica en el uso del machine learning en el sector financiero.

Figura 6

Redes entre machine learning y percepciones de rentabilidad

Nota. Generado por ATLAS.ti con base en la información recopilada

Los factores del deep learning que influyen en las decisiones de rentabilidad en empresas peruanas del sector financiero durante 2023 pueden abordarse desde diversas perspectivas clave.

En primer lugar, se resalta la relevancia de la inteligencia artificial generativa y la automatización mediante herramientas como Python, scripts y macros. Estas tecnologías no solo optimizan operaciones y automatizan tareas rutinarias, sino que también permiten analizar grandes volúmenes de datos para identificar patrones y tendencias. Esta capacidad facilita la toma de decisiones informadas y permite a las empresas enfocarse en actividades de mayor valor, mejorando así su eficiencia y productividad.

Otro aspecto fundamental se encuentra en la predicción financiera. En el sector bancario, por ejemplo, se emplea en modelos de riesgo que permiten determinar la probabilidad de pago de los clientes, la tasa de interés aplicable y la rentabilidad proyectada. Estos modelos, construidos a partir de variables como nivel socioeconómico, ingresos e historial crediticio, proporcionan información estratégica para la toma de decisiones. Asimismo, se enfatiza el uso de algoritmos de aprendizaje automático que mejoran su precisión con el tiempo. Al igual que herramientas como Chat GPT, estos modelos refinan sus análisis conforme reciben más datos, optimizando procesos como la evaluación de encuestas de satisfacción y reduciendo la dependencia de evaluaciones manuales.

La calidad de los datos y la velocidad de actualización son factores determinantes en la efectividad del deep learning. La retroalimentación constante y la disponibilidad de datos precisos y actualizados permiten mejorar la precisión de los modelos y maximizar su impacto en la rentabilidad empresarial. Además, se destaca la capacidad del deep learning para automatizar tareas repetitivas, optimizar procesos y reducir errores, permitiendo que los empleados se enfoquen en actividades de mayor valor. Asimismo, su aplicación en la predicción de comportamientos del mercado y la detección de anomalías fortalece la rentabilidad a través de estrategias de inversión más informadas.

Por otro lado, se identifican dos factores críticos en la implementación del deep learning: la capacidad de almacenamiento de datos y el costo operativo. La proyección del volumen de datos es clave para garantizar un almacenamiento eficiente, mientras que la frecuencia de consultas a los modelos puede impactar significativamente en los costos de licenciamiento y mantenimiento, lo que condiciona la viabilidad económica de estas soluciones.

Los hallazgos reflejan puntos de convergencia y divergencia entre los entrevistados. Mientras que existe consenso sobre la importancia del deep learning para la automatización y optimización de procesos, los enfoques varían en aspectos clave. Algunos destacan la viabilidad económica y los costos de implementación, mientras que otros subrayan su capacidad analítica y automatizadora. El deep learning se consolida como un factor clave en la rentabilidad del sector financiero, facilitando tanto la automatización de tareas como el análisis predictivo. Sin embargo, su adopción requiere un equilibrio entre la calidad de los datos, los costos operativos y la capacidad de los modelos para generar valor estratégico a largo plazo.

Figura 6

Redes entre deep learning y percepciones de rentabilidad

Nota. Generado por ATLAS.ti con base en la información recopilada

CONCLUSIONES

La presente investigación confirma que la administración de la innovación es un factor determinante en la competitividad y sostenibilidad de las organizaciones. Se ha evidenciado que la implementación de metodologías ágiles, como Scrum, y el uso de sistemas integrados de gestión empresarial (ERP y CRM) optimizan procesos, fortalecen la toma de decisiones y mejoran la capacidad de adaptación a entornos dinámicos. Asimismo, la adopción de estrategias de innovación abierta y colaborativa fomenta sinergias entre actores internos y externos, lo que facilita el desarrollo de soluciones eficientes y alineadas con las necesidades del mercado.

Desde la perspectiva de la gestión del conocimiento, se ha demostrado que las organizaciones que promueven el aprendizaje continuo y el intercambio de información generan mayor resiliencia y capacidad de respuesta ante los desafíos del entorno. Este enfoque no solo optimiza la operación empresarial, sino que también impulsa la generación de valor a largo plazo. En este sentido, la combinación de herramientas tecnológicas y metodologías innovadoras debe acompañarse de un liderazgo visionario y una cultura organizacional que propicie la transformación digital y la gestión del cambio. Sin estos elementos, la implementación de estrategias de innovación puede verse limitada en su impacto y alcance.

El estudio también revela que la inteligencia artificial ha desempeñado un papel crucial en la optimización de las decisiones financieras de las empresas del sector financiero en Perú. La aplicación de IA y machine learning permite el análisis avanzado de datos estructurados y no estructurados, lo que mejora la predicción de tendencias, la segmentación de clientes y la automatización de procesos clave. Esto facilita una toma de decisiones informada, rápida y eficiente, incrementando la rentabilidad y la competitividad empresarial.

Los hallazgos destacan que la implementación de ML ha sido fundamental en la optimización operativa del sector financiero peruano. La capacidad predictiva de los modelos de ML mejora la adaptabilidad a los cambios del mercado y permite a las empresas maximizar su rentabilidad. No obstante, los entrevistados identifican discrepancias en torno a la selección de modelos de IA, la seguridad de los datos y la adaptación estratégica. Mientras algunos enfatizan la importancia de la automatización y la personalización de ofertas, otros resaltan los desafíos en la protección de información sensible y la adecuación de los modelos a las necesidades específicas del mercado.

Asimismo, el deep learning se identifica como un factor clave en la mejora de la ciberseguridad, la optimización de la gestión financiera y la toma de decisiones estratégicas. Su capacidad para manejar grandes volúmenes de datos y detectar anomalías fortalece la seguridad y permite una gestión más eficaz del riesgo. Sin embargo, persisten retos en su implementación, como los costos asociados al almacenamiento de datos y la adaptación de modelos predictivos a entornos financieros volátiles.

Las decisiones de rentabilidad económica de las empresas están profundamente influenciadas por la disponibilidad de recursos financieros, la toma de decisiones informadas y la gestión efectiva de riesgos. La implementación de inteligencia artificial y machine learning se ha destacado como un factor clave para mejorar la rentabilidad. Estos avances tecnológicos facilitan la agilidad en los procesos empresariales, optimizando operaciones y reduciendo ineficiencias, lo cual se traduce en mayores utilidades. Además, el uso de IA para mejorar la experiencia del cliente y aumentar la productividad también impulsa directamente la rentabilidad, corroborando la conexión entre la eficiencia operativa y el crecimiento financiero.

Los entrevistados coinciden en la importancia de la automatización de tareas y la elección adecuada de modelos de ML como factores clave para mejorar la toma de decisiones financieras en cuanto a rentabilidad, destacando la automatización y optimización de procesos, para la reducción de errores y el aumento de la productividad, se concuerda que los modelos de ML deben adaptarse a las necesidades específicas del mercado y a las características del tipo de datos que se manejan. Se subraya la importancia de la confidencialidad y los acuerdos de seguridad como factores críticos en la selección de modelos de IA. Además de la necesidad de un enfoque equilibrado que integre adecuadamente el ML en los procesos financieros para evitar posibles efectos negativos en el clima laboral y en la satisfacción del personal.

Es crucial considerar diversos escenarios y antecedentes en el contexto peruano, especialmente dado que las investigaciones científicas sobre tecnologías en Perú suelen carecer de fiabilidad y rigurosidad, y a menudo no están disponibles en bases de datos reconocidas. Esta carencia fue una limitación en la investigación, restringiendo el acceso a estudios relevantes sobre un tema que actualmente se implementa en Perú.

CONTRIBUCIÓN DE LOS AUTORES

KMRP	Karina Milagros Rojas-Plasencia
LPER	Lorena Paola Espinoza Ramos
APBP	Alan Paul Bendezu Pilco
VLRP	Violeta Lidia Rivera Peirano

Conceptualization:	LPER, APBP,
Data curation:	KMRP, VLRP
formal analysis:	KMRP, LPER, APBP
Funding acquisition:	--
Investigation:	LPER, APBP
Methodology:	KMRP, VLRP
Project administration:	KMRP, LPER, APBP
Resources:	KMRP, LPER, APBP, VLRP
Software:	LPER, APBP
Supervision:	KMRP, VLRP
Validation:	KMRP, VLRP
Visualization:	KMRP, LPER, APBP, VLRP
Writing - original draft:	KMRP, LPER, APBP
Writing - review & editing:	KMRP, LPER, APBP, VLRP

FUENTE DE FINANCIAMIENTO

Se utilizaron recursos propios para el financiamiento del estudio.

CONFLICTO DE INTERESES

Los autores expresan que no existe conflicto de intereses.

PROCESO DE REVISIÓN

Este estudio ha sido revisado por pares de la institución de afiliación del autor de correspondencia.

DECLARACIÓN DE DISPONIBILIDAD DE DATOS

Los datos se encuentran alojados junto a los demás archivos de este artículo, también se pueden pedir al autor de correspondencia.

REFERENCIAS

Arias, J., & Covinos, M. (2021). Diseño y Metodología de la investigación. Enfoques Consulting E.I.R.L. https://gc.scalahed.com/recursos/files/r161r/w26022w/Arias_S2.pdf

Awais, J., Asif, L., Kamlesh, N., & Shibin, D. (2021). Examining the Present and Future Integrated Role of Artificial Intelligence in the Business: A Survey Study on Corporate Sector. Journal of Computer and Communications, 1(9), 80-90. https://www.scirp.org/pdf/jcc_2021020114200410.pdf

Bahoo, S., Cuccilelli, M., Goga, X., & Mondolo, J. (2023). Artifcial intelligence in Finance: a comprehensive review through bibliometric and content analysis. SN Business & Economics, 4(23), 1 - 46. https://link.springer.com/article/10.1007/s43546-023-00618-x

Bai, H. (2022). The epistemology of machine learning. Filosofija Sociologija, 33(1), 40-48. https://www.lmaleidykla.lt/ojs/index.php/filosofija-sociologija/article/view/4668/3882

Banco Central de Reserva del Perú. (2024, 17 de noviembre). Entidades Financieras. https://www.bcrp.gob.pe/en/sitios-de-interes/entidades-financieras.html

Belesis, N., Papanastasopoulos, G., & Vasilatos, A. (2023). Predicting the Profitability of Directional Changes Using Machine Learning: Evidence from European Countries. Journal of Risk and Financial Management, 16(12), 1-14. https://www.mdpi.com/1911-8074/16/12/520#

Contreras, E. (2024, 27 de agosto). 70 % de las grandes empresas peruanas apuestan por la IA. Manapro Consultores. https://manapro.com/70-de-las-grandes-empresas-peruanas-apuestan-por-la-ia/

Flores, J., & Mougenot, B. (2022). Analysis of the financial sustainability of the cooperative savings and credit sector in Peru. International Journal of Social Economics, Emerald Group Publishing Limited, 50(3), 452-461. https://ideas.repec.org/a/eme/ijsepp/ijse-01-2022-0064.html

Guest, G. B. (2006). How many interviews are enough? An experiment with data saturation and variability. Field methods, 18(1), 59-82.

Ilker, M., Ayfer, E., & Sadi, E. (2022). Performance, Efficiency, and Target Setting for Bank Branches Bank Branches: Time Series With Automated Machine Learning. IEEEAccess, 11(10), 1-11. https://ieeexplore.ieee.org/stamp/stamp.jsp?arnumber=10004502

Königstorfer, F., & Thalmann, S. (2020). Applications of Artificial Intelligence in commercial banks - A research agenda for behavioral finance. Journal of Behavioral and Experimental Finance, 20(0), 1-35. https://doi.org/10.1016/j.jbef.2020.100352

Krunoslav, R., Stankovic, Z., & Avramovic, Z. (2020). Implications of Implementation of Artificial Intelligence in the Banking Business with Correlation to the Human Factor. Journal of Computer and Communications, 1(8), 130-144. https://www.scirp.org/pdf/jcc_2020112615471696.pdf

Napitu, A. (2023). Más de 150 Estadísticas de Inteligencia Artificial en 2023. Techopedia. https://www.techopedia.com/es/estadisticas-inteligencia-artificial

Nibigira, N., Havyarimana, V., & Xiao, Z. (2023). Artificial Intelligence Adoption for Cybersecurity in Africa. Journal of Information Security, 1(15), 134-147. https://www.scirp.org/pdf/jis_2024032014425606.pdf

Ñaupas, H., Palacios, J., Valdivia, M., & Romero, H. (2018). Metodología de la investigación (quinta ed.). Ediciones de la U. http://www.biblioteca.cij.gob.mx/Archivos/Materiales_de_consulta/Drogas_de_Abuso/Articulos/MetodologiaInvestigacionNaupas.pdf

Organización para la Cooperación y el Desarrollo Económico. (2022). The Strategic and Responsible Use of Artificial Intelligence in the Public Sector of Latin America and the Caribbean. OECD Public Governance Reviews. https://read.oecd-ilibrary.org/governance/the-strategic-and-responsible-use-of-artificial-intelligence-in-the-public-sector-of-latin-america-and-the-caribbean_1f334543-en#page1

Pramanik, P., & Jana, R. (2022). Identifying research trends of machine learning in business: a topic modeling approach. Measuring Business Excellence, 27(4), 602-633. https://www.emerald.com/insight/content/doi/10.1108/mbe-07-2021-0094/full/html

Rahman, M. (2023). The Effect of Business Intelligence on Bank Operational Efficiency and Perceptions of Profitability. FinTech, 2(1), 99-119. https://www.mdpi.com/2674-1032/2/1/8

Ruiz, J., Torrez, J., Uribe, J., & De Pablo, J. (2021). Artificial intelligence in business and economics research: trends and future. Journal of Business Economics and Managemen, 22(1), 98-117. https://journals.vilniustech.lt/index.php/JBEM/article/view/13641/10170

Taherdoost, H., & Madanchian, M. (2023). Artificial Intelligence and Knowledge Management: Impacts, Benefits, and Implementation. Computers, 12(4), 12-72. https://www.mdpi.com/2073-431X/12/4/72

Volkmar, G., Fischer, P., & Reinecke, S. (2022). Artificial Intelligence and Machine Learning: Exploring drivers, barriers, and future developments in marketing management. Journal of Business Research, 149(1), 599 - 614. https://pdf.sciencedirectassets.com/271680/1-s2.0-S0148296322X00088/1-s2.0-S0148296322003381/main.pdf?X-Amz-Security-Token=IQoJb3JpZ2luX2VjEB8aCXVzLWVhc3QtMSJGMEQCIGysC8TsJuKECAWJumkWc7HJSIaS4Fvt%2BC5mhRWwws95AiAfMyp4WnQS1MSzDOMj2ECjmA5JGLqbkZ1vgiyXhONfRi

Wamba, S., Fosso, S., Kala, J., & Tchatchouang, C. (2020). Influence of Artificial Intelligence (AI) on Firm Performance: The Business Value of AI-based Transformation Projects. Business Process Management Journal, 26(7), 1893-1924. https://doi.org/10.1108/BPMJ-10-2019-0411

ANEXO 1

Anexo 1: Composición de la población de entidades financieras

Entidades	Nombres
Empresas bancarias	Banco de Comercio, Banco de Crédito del Perú, Banco Interamericano de Finanzas (BanBif), Banco Pichincha, BBVA, Citibank Perú, Interbank, MiBanco, Scotiabank Perú, Banco GNB Perú, Banco Falabella, Banco Ripley Banco Santander Perú, Alfin Banco, Bank of China, Bci Perú y ICBC PERU BANK
Entidades financieras estatales	Agrobanco, Banco de la Nación, COFIDE y Fondo MiVivienda
Empresas financieras	Crediscotia, Confianza, Compartamos, Credinka, Efectiva
Proempresa, Mitsui Auto Finance, Oh! y Qapaq.
Cajas municipales de ahorro y crédito (CMAC)	Arequipa, Cusco, Del Santa, Trujillo, Huancayo, Ica, Maynas, Paita, Piura, Sullana y Tacna.
Cajas municipales de crédito y popular (CMCP)	Caja Metropolitana de Lima
Cajas rurales de ahorro y crédito (CRAC)	Incasur, Los Andes, Prymera, Del Centro y Cencosud Scotia
Empresas de crédito	Alternativa, Volvo Financial Services, Inversiones La Cruz
Vivela, Santander Consumer Perú y TOTAL, Servicios Financieros
Bancos de inversión	J.P. Morgan Banco de Inversión

Nota. Adaptada de “Reporte de entidades financieras” por Banco Central de Reserva del Perú, 2024 (https://www.bcrp.gob.pe/en/sitios-de-interes/entidades-financieras.html)

Anexo 2: Guía inicial de entrevista

Entrevista inicial

Categoría 1: Inteligencia artificial

1. ¿Cómo percibe usted el uso de la inteligencia artificial en la optimización de procesos internos y toma de decisiones en su empresa financiera?
2. ¿Cuánta importancia le da usted a la aplicación de métodos estadísticos basados en IA para analizar tendencias y patrones en sus datos financieros?
3. ¿Cuán a menudo su empresa financiera utiliza la inteligencia artificial para predecir comportamientos del mercado y mejorar la rentabilidad?
4. ¿Su empresa financiera implementó formas de autoprogramación o aprendizaje automático para adaptar sus estrategias financieras a entornos cambiantes?
5. ¿Cómo percibe usted el uso de técnicas basadas en neurociencia e inteligencia artificial a la hora de comprender y predecir el comportamiento de sus clientes?
6. ¿Cómo percibe usted el potencial de las redes neuronales en el análisis predictivo de tendencias y comportamientos del mercado para su empresa financiera?
7. ¿Qué desafíos visualiza usted al momento de procesar grandes volúmenes de datos y cómo le ayuda la inteligencia artificial a superar estos obstáculos?
8. ¿Cómo aprovecharía usted los nodos en sistemas de redes neuronales para mejorar la precisión en la toma de decisiones y la gestión de riesgos en su empresa financiera?
9. ¿Cuál es su opinión sobre la eficacia de los algoritmos de redes neuronales en la identificación de patrones complejos en conjuntos de datos financieros?
10. ¿Qué estrategia utiliza su empresa para trabajar con conjuntos de datos pequeños y cómo la inteligencia artificial puede ayudar a maximizar el valor de esta información limitada?
11. ¿Qué consideraciones tiene su empresa respecto a la escalabilidad de datos al implementar soluciones basadas en inteligencia artificial que garanticen el crecimiento sostenible?

Categoría 2: Percepción de rentabilidad

1. ¿Considera usted que la implementación de inteligencia artificial puede influir en la gestión del capital en su empresa financiera?
2. ¿Qué impacto prevé que tenga la inteligencia artificial en el aumento de las ventas de productos financieros y servicios, así como en la personalización de ofertas para sus clientes?
3. ¿De qué manera la inteligencia artificial puede contribuir a la gestión eficaz de los activos financieros de su empresa financiera?
4. ¿Considera usted que las soluciones basadas en inteligencia artificial ayudan a prever y mejorar las utilidades de su empresa financiera?
5. ¿Considera usted que la inteligencia artificial ayuda en la compra y venta de acciones en el mercado financiero, así como en la identificación de oportunidades de inversión?
6. ¿De qué manera usted podría utilizar la inteligencia artificial para optimizar su cartera de inversiones y maximizar el rendimiento de su empresa financiera?
7. ¿Cómo podría ayudar la inteligencia artificial a su empresa financiera a gestionar y proteger de manera más efectiva su patrimonio, incluyendo la identificación y mitigación de riesgos financieros?