En los últimos años, la industria fintech argentina dejó de ser una promesa para convertirse en un ecosistema consolidado, dinámico y altamente competitivo. Según el Informe de la Industria Fintech Argentina 2025 de la Cámara Argentina Fintech, el país cuenta con más de 1.000 empresas vinculadas al sector y se posiciona como el tercer mercado más grande de América Latina. La combinación de crecimiento, innovación y expansión internacional plantea un escenario exigente, donde los datos, la inteligencia artificial y el talento especializado juegan un rol central.

Para entender cómo se están transformando estos desafíos en la práctica, desde el blog Predictivos conversamos con dos referentes del sector: Giselle Zarlenga, Data & AI Lead en Naranja X, economista y egresada de la Maestría en Ciencia de Datos de la UBA, y Bruno Álvarez, Data Science Specialist en Payway e ingeniero biomédico con un Doctorado en Machine Learning por la UNSAM.

Sus miradas permiten trazar un mapa actual del sector: qué se espera hoy de los equipos de datos, cómo se están incorporando nuevas tecnologías y qué habilidades son necesarias para insertarse en una industria en constante cambio.

Del modelo al impacto: un cambio de paradigma

Uno de los consensos más claros es que el valor de los equipos de datos ya no se mide únicamente por la sofisticación técnica de sus modelos, sino por su impacto concreto en el negocio.

“Hoy en los equipos de datos no solamente se mira la calidad técnica. De hecho, para nuestro equipo es fundamental medir el impacto que generamos. No necesariamente por haber hecho el mejor modelo vas a lograr el mayor impacto en la compañía”, explica Giselle Zarlenga, Data & AI Lead de NaranjaX. Y agrega: “Eso cambia completamente la forma de trabajar, porque te obliga a entender para qué estás haciendo ese modelo, en qué métricas va a impactar, cuándo se va a poner en producción y si realmente es viable implementarlo”.

Por su parte, Bruno Álvarez, Data Science Specialist de Payway (una compañía 100% digital, resultado de la transformación tecnológica de Prisma Medios de Pago) advierte que este cambio también atraviesa la adopción de nuevas tecnologías: “Con la irrupción de la IA generativa se abrió una nueva línea de trabajo, pero eso no significa que automáticamente genere valor. Hoy el gran desafío es encontrar casos de uso donde realmente tenga sentido aplicarla. Son tecnologías costosas, probabilísticas, y si no hay un impacto claro o un retorno positivo, no tiene sentido usarlas solo por tendencia”.

En un ecosistema con más de mil empresas compitiendo, la diferencia no está solo en tener mejores modelos, sino en traducir datos en decisiones que generen valor real.

Agilidad e iteración

El ritmo de innovación del sector también redefine las formas de trabajo. Frente a la velocidad del mercado, la búsqueda del modelo perfecto pierde terreno frente a la capacidad de iterar rápidamente.

“En fintech no esperamos tres meses a tener el modelo perfecto. Trabajamos con soluciones iterativas. Podés armar una versión inicial, ponerla en producción y, a partir de lo que medís, ir mejorándola. Esa lógica es clave, porque el negocio necesita impactos rápidos y constantes”, señala la líder de Data & AI de NaranjaX.

En tanto que el científico de datos de Payway coincide en que esta dinámica exige nuevas capacidades: “Hoy el contexto es extremadamente cambiante. Estamos todo el tiempo pivotando, tomando decisiones con información parcial. Quizás lo que hiciste la semana pasada ya no sirve y tenés que ir por otro lado. Entonces, más que nunca, se necesita gente que pueda adaptarse a ese ritmo sin perder criterio”.

La agilidad, en este panorama de transformación digital, no es solo una metodología: es una condición estructural para competir.

Potencial, límites y decisiones ligadas a la IA

Sin lugar a dudas que la inteligencia artificial generativa aparece como uno de los grandes temas del momento, pero su adopción en fintech todavía está en un proceso de maduración.

“Hoy nadie tiene la varita mágica del caso de uso ideal con IA generativa”, plantea Álvarez. “Hay algunos espacios donde funciona bien, como atención al cliente o desarrollo de software, pero fuera de eso todavía estamos explorando. Lo que estamos haciendo es trabajar sobre flujos deterministas tradicionales e insertar bloques de LLMs en puntos específicos donde realmente puedan agregar valor. No es reemplazar todo, es integrar con criterio”.

Desde otra perspectiva, Zarlenga relativiza su carácter excluyente: “La IA generativa suma, pero no es una barrera de entrada. Hoy es bastante accesible y nosotros como empresa capacitamos internamente. Lo más importante sigue siendo la actitud: tener ganas de aprender, adaptarse y entender cómo usar estas herramientas”.

El consenso es claro: la ventaja no está en usar IA, sino en saber dónde y cómo utilizarla.

Casos de uso: cuando los datos se vuelven producto

La innovación en fintech se materializa en soluciones concretas que impactan directamente en la experiencia del usuario y en el negocio.

En NaranjaX, por ejemplo, uno de los desarrollos recientes fue un sistema de recomendación de promociones basado en aprendizaje automático. “Analizamos el comportamiento del cliente con redes neuronales para entender en qué comercios es más probable que este cliente consuma. La idea es que, en el poco tiempo que el usuario está en la app, vea algo que realmente le interese”, explica la referente del área de datos.

En el área de riesgo, el foco también está en ampliar el acceso al sistema financiero: “Empezamos a sumar variables no tradicionales, como grafos o análisis de redes sociales, para evaluar clientes sin historial crediticio. Eso nos permite darle oportunidades a personas que en otro sistema quedarían afuera”, agrega la especialista.

Desde Payway, los desarrollos combinan modelos clásicos con nuevas arquitecturas de datos. “Estamos trabajando en un modelo de fuga de clientes que predice cuándo un comercio empieza a bajar su transaccionalidad. Ese modelo alimenta decisiones comerciales: si conviene contactarlo, por qué canal y con qué propuesta”, relata su data scientist.

Además, destaca la importancia de la infraestructura: “Recientemente montamos una plataforma de procesamiento de datos en tiempo real. Antes trabajábamos en batch; ahora podemos leer transacciones a medida que ocurren, generar dashboards en vivo y empezar a pensar en modelos predictivos en tiempo real, sobre todo para detección y prevención de fraude y también para prevención de lavado de dinero”.

Gobierno de datos: la base invisible

En una industria como la financiera, donde se procesan datos sensibles a gran escala, la innovación no puede avanzar sin una base sólida de gobernanza. Lejos de ser un aspecto accesorio, el gobierno de datos es lo que permite que los desarrollos en ciencia de datos  sean confiables, auditables y sostenibles en el tiempo.

Los equipos de Naranja X traducen este trabajo en esquemas de acceso controlado y en la protección activa de la información: “Trabajamos con esquemas de acceso por roles y con capas de datos ofuscados. La idea es que los equipos puedan trabajar sin acceder directamente a información sensible, salvo en casos muy específicos y con los permisos correspondientes”, explica Zarlenga.

En cuanto a los sistemas que utiliza Payway, Álvarez aporta otra dimensión del problema: la necesidad de construir sistemas ordenados y trazables. “El gobierno de datos es fundamental. Nosotros trabajamos muy cerca de ese equipo porque, si no, es muy fácil generar datos que no están documentados, que no son trazables o que directamente no sirven. Es muy tentador armar una ingesta rápida o un pipeline sin control, pero después eso genera más problemas que soluciones”.

Claramente, la gobernanza no solo implica seguridad, sino también calidad y arquitectura: definición de estándares, nomenclaturas, documentación y control sobre el ciclo de vida de los datos. En un escenario complejo donde la industria avanza hacia el tiempo real, esto se vuelve aún más crítico: no se trata solo de tener datos, sino de entender su origen, su transformación y sus condiciones de uso.

Nuevas habilidades con perfiles híbridos y aprendizaje continuo

El crecimiento y la complejidad del ecosistema fintech también redefinen el perfil de quienes trabajan con datos. Ya no alcanza con una especialización técnica aislada: el mercado demanda profesionales capaces de moverse entre distintas capas del problema.

“Buscamos perfiles mixtos, con muchas ganas de aprender. No solo alguien que haga modelos, sino que también pueda llevarlos a producción. Y, además, que entienda el negocio y proponga ideas proactivamente”, sostiene la especialista de Naranja X. “No quedarse esperando un pedido, sino ir a buscar oportunidades donde los datos puedan generar valor”.

En paralelo, la velocidad del cambio introduce otra exigencia: la capacidad de adaptación. “Lo más importante hoy es la adaptabilidad. La frecuencia de cambio es altísima. Estamos todo el tiempo pivotando, aprendiendo cosas nuevas y tomando decisiones con información incompleta”, explica el referente de Payway.

Sin embargo, ambos coinciden en que esta flexibilidad no puede construirse sin una base sólida. Álvarez lo plantea con claridad: “La base técnica no se puede perder. Necesitamos gente que sepa programar, que entienda cómo funcionan los sistemas, que haya pasado por el proceso de resolver problemas de verdad. Si delegás todo a la IA, no desarrollás ese músculo”.

Esta tensión —entre adaptabilidad y fundamentos— define buena parte del perfil actual. Por un lado, se espera curiosidad y aprendizaje continuo; por otro, se valoran capacidades profundas como la lógica, el pensamiento sistémico y la comprensión de arquitecturas complejas.

El valor de los fundamentos

En este contexto, tanto la Magíster en Ciencia de Datos como el Doctor en Machine Learning coinciden en destacar el valor de una formación sólida y la trayectoria en la industria.

“La formación rigurosa te da una capacidad diferencial para resolver problemas. No es solo usar herramientas, es entender sistemas y poder diseñar soluciones”, señala Álvarez.

Por su parte, Zarlenga resalta el valor de combinar experiencias: “Haber pasado por distintos entornos, desde banca tradicional hasta fintech, te da un background muy completo y profundo. Y esas experiencias resultan claves para poder innovar”.

Un ecosistema que exige y ofrece aún más

La industria fintech argentina atraviesa una etapa de madurez que combina crecimiento, competencia e innovación constante. Esta realidad conlleva el hecho de que los equipos de datos ocupen un lugar estratégico, pero también enfrenta nuevos desafíos: generar impacto, trabajar con agilidad, incorporar tecnologías emergentes con criterio y desarrollar perfiles cada vez más integrales.

El mensaje es claro: no alcanza con dominar herramientas. Es necesario entender el negocio, desarrollar pensamiento crítico y construir bases sólidas que permitan adaptarse a un entorno en permanente transformación. Porque, en definitiva, el diferencial no está solo en los modelos, sino en la capacidad de convertirlos en valor.

En ese camino, el ecosistema fintech aparece como uno de los espacios más desafiantes (y también más estimulantes) para desarrollarse profesionalmente. Un entorno donde los problemas son reales, los datos abundan y las decisiones tienen impacto directo en millones de usuarios. Un impacto que, además, se traduce en mejoras concretas en la vida de las personas y las empresas: desde hacer más simples los pagos y las transacciones cotidianas hasta facilitar el acceso a inversiones y ampliar la inclusión financiera a través de nuevas alternativas de crédito.

Para quienes se están formando en ciencia de datos y buscan aplicar estos conocimientos en contextos dinámicos, con aprendizaje constante y posibilidad de innovación, la industria financiera-tecnológica no solo demanda talento: también ofrece un terreno fértil para desarrollar tecnología, agregar valor y potenciar nuevos sistemas basados en datos.