Modelo de madurez para adopción de machine learning en empresas del sector financiero colombianas

Abstract

El avance de la inteligencia artificial y el aprendizaje automático (AA) ha generado grandes expectativas en el sector financiero, especialmente en áreas como la gestión de riesgos, la detección de fraudes, la automatización de procesos y el apoyo a la toma de decisiones. Sin embargo, diversos estudios demuestran que, a pesar del interés estratégico en estas tecnologías, muchas organizaciones no logran implementar capacidades de AA de manera operativa, escalable y sostenible. En el contexto colombiano, el sector financiero ha avanzado significativamente en la transformación digital; no obstante, persisten brechas relacionadas con el talento especializado, la gobernanza de datos, la infraestructura tecnológica y la cultura organizacional, lo que limita la madurez de la adopción del AA. Este estudio tiene como objetivo diseñar un modelo de madurez que permita evaluar el nivel de adopción del aprendizaje automático en empresas del sector financiero colombiano e identificar pautas para su evolución hacia un uso estratégico. La investigación se lleva a cabo mediante un enfoque cualitativo y descriptivo, respaldado por una revisión de literatura académica, informes institucionales y estudios sectoriales relacionados con la adopción de inteligencia artificial y modelos de madurez organizacional. Con base en este análisis, se identifican dimensiones clave para la adopción del AA: estrategia, datos, tecnología, talento y cultura, y se proponen niveles de madurez progresivos para guiar la transición desde usos exploratorios hasta implementaciones empresariales integradas. En consecuencia, se presenta un modelo de madurez conceptual que permite diagnosticar el estado actual de las organizaciones financieras en cuanto al uso del aprendizaje automático y respaldar la planificación de futuras iniciativas. Este modelo pretende servir como herramienta de referencia para las instituciones financieras interesadas en estructurar y fortalecer sus capacidades de aprendizaje automático, contribuyendo a una adopción más efectiva y alineada con los objetivos estratégicos del sector.

The advancement of artificial intelligence and machine learning (ML) has generated high expectations in the financial sector, particularly in areas such as risk management, fraud detection, process automation, and decision support. However, several studies show that, despite the strategic interest in these technologies, many organizations fail to implement ML capabilities in an operational, scalable, and sustainable manner. In the Colombian context, the financial sector has made significant progress in digital transformation; however, gaps persist related to specialized talent, data governance, technological infrastructure, and organizational culture, which limits the maturity of ML adoption. This study aims to design a maturity model that allows for the evaluation of the level of machine learning adoption in companies within the Colombian financial sector and to identify guidelines for its evolution toward strategic use. The research is conducted using a qualitative and descriptive approach, supported by a review of academic literature, institutional reports, and sectoral studies related to the adoption of artificial intelligence and organizational maturity models. Based on this analysis, key dimensions for ML adoption—strategy, data, technology, talent, and culture—are identified, and progressive maturity levels are proposed to guide the transition from exploratory uses to integrated business implementations. As a result, a conceptual maturity model is presented that allows for diagnosing the current state of financial organizations regarding ML use and supporting the planning of future initiatives. This model aims to serve as a reference tool for financial institutions interested in structuring and strengthening their machine learning capabilities, contributing to a more effective adoption aligned with the sector's strategic objectives.