El fintech hizo algo que la banca tradicional tardó décadas en intentar: puso los datos financieros del consumidor en movimiento. Open banking, carteras digitales, plataformas conectadas. Hoy más de 100 millones de consumidores en Estados Unidos han autorizado a terceros a acceder a su información financiera, según datos de la Oficina de Protección Financiera del Consumidor (CFPB). Eso es mucho acceso. El problema es que acceder no es lo mismo que entender.Amr Mohamed, fundador y CEO de Neumetria, lleva años argumentando que la industria ha construido una infraestructura extraordinaria para mover datos financieros, pero ha ignorado la capa que debería convertir esos datos en comprensión real de las personas que los generan. Su tesis, publicada este 27 de agosto en The Next Web, tiene un nombre concreto: behavioral understanding, o comprensión conductual.La premisa es más específica de lo que parece. No se trata de recopilar más datos ni de construir modelos de scoring más complejos. Se trata de responder una pregunta que los datos de transacción solos no pueden responder: ¿por qué ocurrió este gasto, y qué dice sobre la situación real de esta persona en este momento?¿Qué falla en el modelo actual de datos financieros?La Fed Reserve publicó en 2024 su Survey of Household Economics and Decisionmaking: el 73% de los adultos americanos declaró que vivía bien o cómodamente desde el punto de vista financiero. Pero el 63% dijo que podría cubrir un gasto imprevisto de 400 dólares usando efectivo o equivalente. Ese 10% de brecha entre percepción y realidad es exactamente el tipo de matiz que los datos de transacción no capturan: el mismo flujo de gastos puede reflejar situaciones completamente distintas según los ingresos, las obligaciones pendientes, el colchón de ahorro o el horizonte de liquidez de cada persona.Una transacción es una observación, no una explicación. Dos personas con perfiles de gasto similares pueden tener situaciones financieras radicalmente distintas si una tiene ingresos estables y reservas creciendo mientras la otra tiene ingresos cayendo y deudas en aumento. Los sistemas actuales clasifican: «esto es gasto en restaurantes», «esto es alquiler». No contextualizan.El Banco de Pagos Internacionales (BIS) lo documenta en investigaciones recientes sobre el uso de IA en servicios financieros: a medida que los modelos de machine learning se integran en las decisiones de crédito, la calidad, la gobernanza y la gestión de los datos se convierten en variables tan importantes como el propio modelo.¿Qué propone Neumetria y para qué sirve en la práctica?Mohamed describe el concepto como un «estado financiero vivo»: una representación que combina banca, gasto, ahorro, endeudamiento e inversión en una imagen que se actualiza a medida que el comportamiento cambia. No es un snapshot mensual; es un sistema que detecta cuando los patrones se alteran y ajusta el perfil en tiempo real.Los señales que ese sistema podría leer son concretas: estabilidad de ingresos, horizonte de liquidez, confianza en el gasto, resiliencia financiera, disposición al crédito o a la inversión. Con esa capa, un banco o una plataforma de ahorro podría distinguir entre alguien que está en condiciones de recibir una oferta de crédito y alguien que no lo está, aunque sus historiales de transacciones parezcan similares.La aplicación más clara es el crédito. El comportamiento de pagos reciente, los colchones de liquidez visibles, los patrones de gasto en sectores de riesgo: todo eso aporta contexto sobre la capacidad real de repago que un scoring estático basado en historial no puede ver. Llevamos cubriendo el sector de servicios financieros desde los primeros experimentos de banca digital en España, y el problema del crédito mal calibrado —tanto el excesivamente restrictivo como el excesivamente laxo— siempre ha tenido la misma raíz: información insuficiente sobre el momento concreto de la persona.La propuesta de Neumetria, según Mohamed, incluye un principio que vale la pena subrayar: la infraestructura proporciona el contexto, pero la política de elegibilidad y la decisión final quedan en manos de la entidad financiera. No es un sistema que reemplaza al banco; es uno que le da información más precisa para que el banco decida mejor.¿Por qué los agentes de IA cambian la urgencia de este problema?El argumento de Mohamed adquiere más peso si se pone en el contexto de la IA agéntica. Los sistemas de IA que hoy reciben instrucciones para buscar, comparar o ejecutar operaciones financieras necesitan contexto para actuar bien. Un agente que recomienda mover dinero a un fondo de inversión sin saber si la persona tiene un gasto extraordinario previsto en las próximas semanas puede dar una recomendación correcta en abstracto pero inadecuada para esa persona en ese momento.La infraestructura técnica de este tipo de contextualización no es trivial. Hemos comprobado en coberturas de startups de fintech desde 2015 que los intentos de crear «perfiles financieros dinámicos» han fracasado repetidamente por dos razones: la fragmentación de los datos entre entidades distintas y la dificultad de mantener el perfil actualizado en tiempo real sin que el proceso sea demasiado costoso computacionalmente para ser viable.El NIST AI Risk Management Framework enfatiza que la IA confiable requiere atención a la fiabilidad, la explicabilidad, la privacidad y la equidad en el contexto donde se usa. Aplicado a las finanzas, eso significa que la capa de comprensión conductual que Neumetria propone tiene que responder no solo a «¿qué hace esta persona?» sino también a «¿por qué el sistema llega a esa conclusión?» y «¿es la conclusión justa para personas de distintos perfiles de ingresos?».La regulación de datos financieros en Europa también va en esa dirección. El GDPR, que sigue siendo válido en la era de la IA generativa, exige que los consumidores tengan acceso a explicaciones cuando las decisiones automatizadas les afectan. Un sistema de comprensión conductual sin explicabilidad integrada sería regulatoriamente problemático en Europa desde el primer día.El modelo de negocio que Neumetria propone y su lugar en el mercadoNeumetria no es el primer actor que intenta construir una capa de inteligencia financiera entre los datos brutos y los productos. Plaid hizo algo parecido con la conectividad de cuentas. Yodlee antes que ellos. La diferencia que Mohamed quiere establecer es la profundidad del análisis conductual —no solo «qué cuentas tienes» sino «cómo es tu situación real hoy»— y la separación explícita entre la infraestructura de comprensión y la política de cada institución.Si el argumento prospera, la capa de comprensión conductual podría convertirse en infraestructura compartida que sirve a múltiples productos financieros simultáneamente. Igual que las passkeys están reemplazando las contraseñas como estándar de autenticación segura en aplicaciones financieras sin que cada banco tenga que construir su propio sistema, la comprensión del estado financiero del consumidor podría funcionar como capa neutral que el banco llama cuando necesita contexto.El timing no es inocente. La Unión Europea está avanzando en su revisión del reglamento de datos financieros, y en Estados Unidos la CFPB sigue implementando las normas de acceso a datos del consumidor bajo la Dodd-Frank. El mercado para una capa de comprensión conductual que sea regulatoriamente correcta, explicable y neutral respecto a la institución que la usa tiene condiciones razonables para existir. Si Neumetria la puede construir a escala es otra pregunta. La infraestructura de datos financieros tiene más de veinte años de intentos fallidos de consolidación. La comprensión es un problema más difícil que el acceso.La noticia El fintech lleva dos décadas recopilando tus datos financieros. La próxima batalla es entenderlos fue publicada originalmente en Wwwhatsnew.com por Natalia Polo.