{"id":1872,"date":"2026-04-20T12:44:25","date_gmt":"2026-04-20T15:44:25","guid":{"rendered":"https:\/\/datamining.dc.uba.ar\/predictivos\/?p=1872"},"modified":"2026-04-20T17:18:20","modified_gmt":"2026-04-20T20:18:20","slug":"desafios-de-innovacion-en-fintech-datos-impacto-y-nuevas-habilidades-en-un-ecosistema-en-expansion","status":"publish","type":"post","link":"https:\/\/datamining.dc.uba.ar\/predictivos\/?p=1872","title":{"rendered":"Desaf\u00edos de innovaci\u00f3n en fintech: datos, impacto y nuevas habilidades en un ecosistema en expansi\u00f3n"},"content":{"rendered":"

En los \u00faltimos a\u00f1os, la industria fintech argentina dej\u00f3 de ser una promesa para convertirse en un ecosistema consolidado, din\u00e1mico y altamente competitivo. Seg\u00fan el Informe de la Industria Fintech Argentina 2025 de la <\/span>C\u00e1mara Argentina Fintech<\/span><\/a>, el pa\u00eds cuenta con m\u00e1s de 1.000 empresas vinculadas al sector y se posiciona como el tercer mercado m\u00e1s grande de Am\u00e9rica Latina. La combinaci\u00f3n de crecimiento, innovaci\u00f3n y expansi\u00f3n internacional plantea un escenario exigente, donde los datos, la inteligencia artificial y el talento especializado juegan un rol central.<\/span><\/p>\n

Para entender c\u00f3mo se est\u00e1n transformando estos desaf\u00edos en la pr\u00e1ctica, desde el blog <\/span>Predictivos<\/b> conversamos con dos referentes del sector: <\/span>Giselle Zarlenga<\/b><\/a>, Data & AI Lead en Naranja X, economista y egresada de la Maestr\u00eda en Ciencia de Datos de la UBA, y <\/span>Bruno \u00c1lvarez<\/b><\/a>, Data Science Specialist en Payway e ingeniero biom\u00e9dico con un Doctorado en Machine Learning por la UNSAM.<\/span><\/p>\n

Sus miradas permiten trazar un mapa actual del sector: qu\u00e9 se espera hoy de los equipos de datos, c\u00f3mo se est\u00e1n incorporando nuevas tecnolog\u00edas y qu\u00e9 habilidades son necesarias para insertarse en una industria en constante cambio.<\/span><\/p>\n

Del modelo al impacto: un cambio de paradigma<\/b><\/h2>\n

Uno de los consensos m\u00e1s claros es que el valor de los equipos de datos ya no se mide \u00fanicamente por la sofisticaci\u00f3n t\u00e9cnica de sus modelos, sino por su impacto concreto en el negocio.<\/span><\/p>\n

\"\"<\/a>\u201c<\/span>Hoy en los equipos de datos no solamente se mira la calidad t\u00e9cnica. 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 compa\u00f1\u00eda<\/span><\/i>\u201d, explica <\/span>Giselle Zarlenga<\/b>, Data & AI Lead de NaranjaX. Y agrega: \u201c<\/span>Eso cambia completamente la forma de trabajar, porque te obliga a entender para qu\u00e9 est\u00e1s haciendo ese modelo, en qu\u00e9 m\u00e9tricas va a impactar, cu\u00e1ndo se va a poner en producci\u00f3n y si realmente es viable implementarlo<\/span><\/i>\u201d.<\/span><\/p>\n

 <\/p>\n

\"\"<\/a>Por su parte, <\/span>Bruno \u00c1lvarez<\/b>, Data Science Specialist de Payway (una compa\u00f1\u00eda 100% digital, resultado de la transformaci\u00f3n tecnol\u00f3gica de Prisma Medios de Pago) advierte que este cambio tambi\u00e9n atraviesa la adopci\u00f3n de nuevas tecnolog\u00edas: \u201c<\/span>Con la irrupci\u00f3n de la IA generativa se abri\u00f3 una nueva l\u00ednea de trabajo, pero eso no significa que autom\u00e1ticamente genere valor. Hoy el gran desaf\u00edo es encontrar casos de uso donde realmente tenga sentido aplicarla. Son tecnolog\u00edas costosas, probabil\u00edsticas, y si no hay un impacto claro o un retorno positivo, no tiene sentido usarlas solo por tendencia<\/span><\/i>\u201d.<\/span><\/p>\n

En un ecosistema con m\u00e1s de mil empresas compitiendo, la diferencia no est\u00e1 solo en tener mejores modelos, sino en traducir datos en decisiones que generen valor real.<\/span><\/p>\n

Agilidad e iteraci\u00f3n<\/b><\/h2>\n

El ritmo de innovaci\u00f3n del sector tambi\u00e9n redefine las formas de trabajo. Frente a la velocidad del mercado, la b\u00fasqueda del modelo perfecto pierde terreno frente a la capacidad de iterar r\u00e1pidamente.<\/span><\/p>\n

\u201c<\/span>En fintech no esperamos tres meses a tener el modelo perfecto. Trabajamos con soluciones iterativas. Pod\u00e9s armar una versi\u00f3n inicial, ponerla en producci\u00f3n y, a partir de lo que med\u00eds, ir mejor\u00e1ndola. Esa l\u00f3gica es clave, porque el negocio necesita impactos r\u00e1pidos y constantes<\/span><\/i>\u201d, se\u00f1ala la l\u00edder de Data & AI de NaranjaX.<\/span><\/p>\n

En tanto que el cient\u00edfico de datos de Payway coincide en que esta din\u00e1mica exige nuevas capacidades: \u201c<\/span>Hoy el contexto es extremadamente cambiante. Estamos todo el tiempo pivotando, tomando decisiones con informaci\u00f3n parcial. Quiz\u00e1s lo que hiciste la semana pasada ya no sirve y ten\u00e9s que ir por otro lado. Entonces, m\u00e1s que nunca, se necesita gente que pueda adaptarse a ese ritmo sin perder criterio<\/span><\/i>\u201d.<\/span><\/p>\n

La agilidad, en este panorama de transformaci\u00f3n digital, no es solo una metodolog\u00eda: es una condici\u00f3n estructural para competir.<\/span><\/p>\n

Potencial, l\u00edmites y decisiones ligadas a la IA<\/b><\/h2>\n

Sin lugar a dudas que la inteligencia artificial generativa aparece como uno de los grandes temas del momento, pero su adopci\u00f3n en fintech todav\u00eda est\u00e1 en un proceso de maduraci\u00f3n.<\/span><\/p>\n

\u201c<\/span>Hoy nadie tiene la varita m\u00e1gica del caso de uso ideal con IA generativa<\/span><\/i>\u201d, plantea \u00c1lvarez. \u201c<\/span>Hay algunos espacios donde funciona bien, como atenci\u00f3n al cliente o desarrollo de software, pero fuera de eso todav\u00eda estamos explorando. Lo que estamos haciendo es trabajar sobre flujos deterministas tradicionales e insertar bloques de LLMs en puntos espec\u00edficos donde realmente puedan agregar valor. No es reemplazar todo, es integrar con criterio<\/span><\/i>\u201d.<\/span><\/p>\n

Desde otra perspectiva, Zarlenga relativiza su car\u00e1cter excluyente: <\/span>\u201cLa IA generativa suma, pero no es una barrera de entrada. Hoy es bastante accesible y nosotros como empresa capacitamos internamente. Lo m\u00e1s importante sigue siendo la actitud: tener ganas de aprender, adaptarse y entender c\u00f3mo usar estas herramientas<\/span><\/i>\u201d.<\/span><\/p>\n

El consenso es claro: la ventaja no est\u00e1 en usar IA, sino en saber d\u00f3nde y c\u00f3mo utilizarla.<\/span><\/p>\n

Casos de uso: cuando los datos se vuelven producto<\/b><\/h2>\n

La innovaci\u00f3n en fintech se materializa en soluciones concretas que impactan directamente en la experiencia del usuario y en el negocio.<\/span><\/p>\n

En NaranjaX, por ejemplo, uno de los desarrollos recientes fue un sistema de recomendaci\u00f3n de promociones basado en aprendizaje autom\u00e1tico. \u201c<\/span>Analizamos el comportamiento del cliente con redes neuronales para entender en qu\u00e9 comercios es m\u00e1s probable que este cliente consuma. La idea es que, en el poco tiempo que el usuario est\u00e1 en la app, vea algo que realmente le interese<\/span><\/i>\u201d, explica la referente del \u00e1rea de datos.<\/span><\/p>\n

En el \u00e1rea de riesgo, el foco tambi\u00e9n est\u00e1 en ampliar el acceso al sistema financiero: \u201c<\/span>Empezamos a sumar variables no tradicionales, como grafos o an\u00e1lisis de redes sociales, para evaluar clientes sin historial crediticio. Eso nos permite darle oportunidades a personas que en otro sistema quedar\u00edan afuera<\/span><\/i>\u201d, agrega la especialista.<\/span><\/p>\n

Desde Payway, los desarrollos combinan modelos cl\u00e1sicos con nuevas arquitecturas de datos. \u201c<\/span>Estamos trabajando en un modelo de fuga de clientes que predice cu\u00e1ndo un comercio empieza a bajar su transaccionalidad. Ese modelo alimenta decisiones comerciales: si conviene contactarlo, por qu\u00e9 canal y con qu\u00e9 propuesta<\/span><\/i>\u201d, relata su data scientist.<\/span><\/p>\n

Adem\u00e1s, destaca la importancia de la infraestructura: \u201cRecientemente <\/span>montamos una plataforma de procesamiento de datos en tiempo real. Antes trabaj\u00e1bamos 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 detecci\u00f3n y prevenci\u00f3n de fraude y tambi\u00e9n para prevenci\u00f3n de lavado de dinero<\/span><\/i>\u201d.<\/span><\/p>\n

Gobierno de datos: la base invisible<\/b><\/h2>\n

En una industria como la financiera, donde se procesan datos sensibles a gran escala, la innovaci\u00f3n no puede avanzar sin una base s\u00f3lida de gobernanza. Lejos de ser un aspecto accesorio, el gobierno de datos es lo que permite que los desarrollos en ciencia de datos\u00a0 sean confiables, auditables y sostenibles en el tiempo.<\/span><\/p>\n

Los equipos de Naranja X traducen este trabajo en esquemas de acceso controlado y en la protecci\u00f3n activa de la informaci\u00f3n: \u201c<\/span>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 informaci\u00f3n sensible, salvo en casos muy espec\u00edficos y con los permisos correspondientes<\/span><\/i>\u201d, explica Zarlenga.<\/span><\/p>\n

En cuanto a los sistemas que utiliza Payway, \u00c1lvarez aporta otra dimensi\u00f3n del problema: la necesidad de construir sistemas ordenados y trazables. \u201c<\/span>El gobierno de datos es fundamental. Nosotros trabajamos muy cerca de ese equipo porque, si no, es muy f\u00e1cil generar datos que no est\u00e1n documentados, que no son trazables o que directamente no sirven. Es muy tentador armar una ingesta r\u00e1pida o un pipeline sin control, pero despu\u00e9s eso genera m\u00e1s problemas que soluciones<\/span><\/i>\u201d.<\/span><\/p>\n

Claramente, la gobernanza no solo implica seguridad, sino tambi\u00e9n calidad y arquitectura: definici\u00f3n de est\u00e1ndares, nomenclaturas, documentaci\u00f3n 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 a\u00fan m\u00e1s cr\u00edtico: no se trata solo de tener datos, sino de entender su origen, su transformaci\u00f3n y sus condiciones de uso.<\/span><\/p>\n

Nuevas habilidades con perfiles h\u00edbridos y aprendizaje continuo<\/b><\/h2>\n

El crecimiento y la complejidad del ecosistema fintech tambi\u00e9n redefinen el perfil de quienes trabajan con datos. Ya no alcanza con una especializaci\u00f3n t\u00e9cnica aislada: el mercado demanda profesionales capaces de moverse entre distintas capas del problema.<\/span><\/p>\n

\u201c<\/span>Buscamos perfiles mixtos, con muchas ganas de aprender. No solo alguien que haga modelos, sino que tambi\u00e9n pueda llevarlos a producci\u00f3n. Y, adem\u00e1s, que entienda el negocio y proponga ideas proactivamente<\/span><\/i>\u201d, sostiene la especialista de Naranja X. \u201c<\/span>No quedarse esperando un pedido, sino ir a buscar oportunidades donde los datos puedan generar valor<\/span><\/i>\u201d.<\/span><\/p>\n

En paralelo, la velocidad del cambio introduce otra exigencia: la capacidad de adaptaci\u00f3n. \u201c<\/span>Lo m\u00e1s importante hoy es la adaptabilidad. La frecuencia de cambio es alt\u00edsima. Estamos todo el tiempo pivotando, aprendiendo cosas nuevas y tomando decisiones con informaci\u00f3n incompleta<\/span><\/i>\u201d, explica el referente de Payway.<\/span><\/p>\n

Sin embargo, ambos coinciden en que esta flexibilidad no puede construirse sin una base s\u00f3lida. \u00c1lvarez lo plantea con claridad: \u201c<\/span>La base t\u00e9cnica no se puede perder. Necesitamos gente que sepa programar, que entienda c\u00f3mo funcionan los sistemas, que haya pasado por el proceso de resolver problemas de verdad. Si deleg\u00e1s todo a la IA, no desarroll\u00e1s ese m\u00fasculo<\/span><\/i>\u201d.<\/span><\/p>\n

Esta tensi\u00f3n \u2014entre adaptabilidad y fundamentos\u2014 define buena parte del perfil actual. Por un lado, se espera curiosidad y aprendizaje continuo; por otro, se valoran capacidades profundas como la l\u00f3gica, el pensamiento sist\u00e9mico y la comprensi\u00f3n de arquitecturas complejas.<\/span><\/p>\n

El valor de los fundamentos<\/b><\/h2>\n

En este contexto, tanto la Mag\u00edster en Ciencia de Datos como el Doctor en Machine Learning coinciden en destacar el valor de una formaci\u00f3n s\u00f3lida y la trayectoria en la industria.<\/span><\/p>\n

\u201c<\/span>La formaci\u00f3n rigurosa te da una capacidad diferencial para resolver problemas. No es solo usar herramientas, es entender sistemas y poder dise\u00f1ar soluciones<\/span><\/i>\u201d, se\u00f1ala \u00c1lvarez.<\/span><\/p>\n

Por su parte, Zarlenga resalta el valor de combinar experiencias: \u201c<\/span>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<\/span><\/i>\u201d.<\/span><\/p>\n

Un ecosistema que exige y ofrece a\u00fan m\u00e1s<\/b><\/h2>\n

La industria fintech argentina atraviesa una etapa de madurez que combina crecimiento, competencia e innovaci\u00f3n constante. Esta realidad conlleva el hecho de que los equipos de datos ocupen un lugar estrat\u00e9gico, pero tambi\u00e9n enfrenta nuevos desaf\u00edos: generar impacto, trabajar con agilidad, incorporar tecnolog\u00edas emergentes con criterio y desarrollar perfiles cada vez m\u00e1s integrales.<\/span><\/p>\n

El mensaje es claro: no alcanza con dominar herramientas. Es necesario entender el negocio, desarrollar pensamiento cr\u00edtico y construir bases s\u00f3lidas que permitan adaptarse a un entorno en permanente transformaci\u00f3n. Porque, en definitiva, el diferencial no est\u00e1 solo en los modelos, sino en la capacidad de convertirlos en valor.<\/span><\/p>\n

\"\"<\/a><\/span><\/p>\n

En ese camino, el ecosistema fintech aparece como uno de los espacios m\u00e1s desafiantes (y tambi\u00e9n m\u00e1s 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, adem\u00e1s, se traduce en mejoras concretas en la vida de las personas y las empresas: desde hacer m\u00e1s simples los pagos y las transacciones cotidianas hasta facilitar el acceso a inversiones y ampliar la inclusi\u00f3n financiera a trav\u00e9s de nuevas alternativas de cr\u00e9dito.<\/span><\/p>\n

Para quienes se est\u00e1n formando en ciencia de datos y buscan aplicar estos conocimientos en contextos din\u00e1micos, con aprendizaje constante y posibilidad de innovaci\u00f3n, la industria financiera-tecnol\u00f3gica no solo demanda talento: tambi\u00e9n ofrece un terreno f\u00e9rtil para desarrollar tecnolog\u00eda, agregar valor y potenciar nuevos sistemas basados en datos.<\/span><\/p>\n

 <\/p>\n

\n

Programas para dar el salto al mundo fintech<\/h3>\n

En un ecosistema en expansi\u00f3n, algunas fintech est\u00e1n desarrollando iniciativas espec\u00edficas para formar y atraer talento joven. Un caso destacado es el de NaranjaX<\/b>, que impulsa programas orientados a j\u00f3venes profesionales interesados en datos, tecnolog\u00eda y negocio.
\nSu propuesta insignia es Talento Flux<\/b>, una apuesta de aceleraci\u00f3n para perfiles con alto potencial que buscan asumir el <\/span>ownership<\/span><\/i> de desaf\u00edos reales desde el primer d\u00eda. A diferencia de esquemas tradicionales, quienes ingresan se integran con equipos multidisciplinarios en \u00e1reas como <\/span>Riesgo, Tecnolog\u00eda, Finanzas y Negocio. <\/b>El programa no s\u00f3lo ofrece mentor\u00edas y capacitaciones a medida, sino que funciona como la principal cantera de futuros l\u00edderes de la compa\u00f1\u00eda: de hecho, para el 30% de los participantes representa su primer empleo, logrando un engangement del 97%. El foco est\u00e1 puesto en la curiosidad, el mindset anal\u00edtico y la capacidad de desaprender para innovar en una organizaci\u00f3n que lidera hace cuatro a\u00f1os el ranking de <\/span>Employers for Youth de First Job.<\/span><\/i><\/p>\n<\/div>\n","protected":false},"excerpt":{"rendered":"

En los \u00faltimos a\u00f1os, la industria fintech argentina dej\u00f3 de ser una promesa para convertirse en un ecosistema consolidado, din\u00e1mico y altamente competitivo. Para entender c\u00f3mo se est\u00e1n transformando estos desaf\u00edos en la pr\u00e1ctica, conversamos con dos referentes del sector: Giselle Zarlenga (Data & AI Lead en Naranja X, economista y egresada de la Maestr\u00eda en Ciencia de Datos de la UBA) y Bruno \u00c1lvarez (Data Science Specialist en Payway e ingeniero biom\u00e9dico con un Doctorado en Machine Learning por la UNSAM) <\/p>\n","protected":false},"author":4,"featured_media":1873,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_mi_skip_tracking":false},"categories":[24,26],"tags":[21,33],"_links":{"self":[{"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=\/wp\/v2\/posts\/1872"}],"collection":[{"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=\/wp\/v2\/users\/4"}],"replies":[{"embeddable":true,"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=1872"}],"version-history":[{"count":8,"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=\/wp\/v2\/posts\/1872\/revisions"}],"predecessor-version":[{"id":1885,"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=\/wp\/v2\/posts\/1872\/revisions\/1885"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=\/wp\/v2\/media\/1873"}],"wp:attachment":[{"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=1872"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=1872"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=1872"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}