Después de su paso por OLX y ser parte de la transformación tecnológica de datos en Banco Santander, Mauro González decidió dar un giro: dejó la banca tradicional para sumarse como Chief Data & Analytics Officer de ITTI, la plataforma de datos del Grupo Vázquez. Desde ahí, impulsa una visión centrada en AI e ingeniería de datos con foco en eficiencia operativa e inclusión financiera.
En esta entrevista comparte su mirada sobre cómo construir soluciones con AI generativa que funcionen, los desafíos culturales que enfrentó en la banca y por qué hoy la clave está en priorizar bien qué batallas dar.
¿Cómo fue tu recorrido profesional hasta llegar al rol que ocupás hoy?
Arranqué en consultoría, haciendo proyectos de BI para empresas del sector Telco y Financiero. Después me sumé a OLX, donde empecé a trabajar con equipos de datos distribuidos a nivel global.
Después vino Santander, donde tuve la oportunidad de liderar un equipo de ingeniería de datos que construyó una plataforma desde cero. Terminamos migrando toda la operación a la nube y brindando servicio a más de 500 personas. El desafío no fue solo técnico, pero aprendí mucho. Lo que más me marcó fue la gestión del cambio. Construir relaciones con otras áreas, generar alianzas, formar equipo, convencer a los escépticos… Todo eso fue clave para que la tecnología pudiera escalar.
“Ningún cambio importante se logra sin compromiso real de los líderes.”
¿Cómo fue el proceso de transición hacia ITTI y qué desafíos abarca tu rol actual dentro del grupo?
En ITTI encontré la posibilidad de volver a construir desde cero, con más autonomía tecnológica, en un entorno con muchas empresas, comportamiento y datos. La misión me entusiasmó: poder trabajar con equipos de AI metidos dentro del producto.
Hoy lidero seis equipos distintos: ingeniería de datos, plataforma, analítica, inteligencia artificial, datos maestros y gobierno. Damos soporte a todas las compañías del grupo:desde el neobanco Ueno hasta empresas del sector de real estate o seguros. Además, impulsamos una forma de trabajo más colaborativa, con foco en productos de datos y tribus transversales.
¿Qué iniciativas están desarrollando actualmente en torno a la inteligencia artificial generativa?
Creamos un centro de excelencia con tres focos:
El primero es el enablement: ayudamos a que equipos no técnicos puedan usar herramientas de IA con criterio, compliance y productividad. Creamos interfaces que permiten consultar el Data Lake sin saber SQL y bots para onboarding y documentación.
El segundo es la automatización de tareas internas. Por ejemplo, generar informes normativos con herramientas generativas cuando no tenés un pipeline armado, o estructurar reportes complejos a partir de datos sueltos.
El tercero es lo que llamamos Customer Facing Apps. Estamos reconstruyendo nuestro chatbot para que sea realmente conversacional, basado en agentes con un supervisor central. La idea es que pueda responder no solo a usuarios finales sino también a personas dentro del grupo.
¿Dónde ves las mayores oportunidades de la IA generativa en el sector financiero?
Muchas. Pero para que funcione, la iniciativa tiene que surgir desde el negocio. No sirve que lo impulse sólo el área técnica. Estamos trabajando en proyectos de automatización, con soporte de IT, pero pensados desde los pains reales de cada equipo.
Hoy hay equipos que tienen una carga operativa altísima. Nuestra prioridad es reducir esa carga con proyectos de automatización usando GenAI, sobre todo en áreas no técnicas. Porque esto no es solo un tema de los equipos de datos: la eficiencia tiene que escalar a toda la organización.
También estamos invirtiendo en cimientos: creemos que los agentes generativos, bien diseñados, son la forma más clara de monetizar el valor de estas tecnologías a escala. Pero eso exige elegir bien qué batallas dar.
¿Qué riesgos considerás importantes al implementar este tipo de tecnologías?
El principal riesgo es dejarse llevar por la moda y hacer cosas que no generan valor. Por eso nuestro enfoque es meternos a fondo con un equipo, transformar su forma de trabajar y mostrar resultados concretos. Eso genera tracción para escalar. Si no, terminás con un montón de prototipos que no sirven para nada.
¿Cómo priorizan qué proyectos encarar dentro de un mundo con tantas posibilidades?
Nos apoyamos en una lógica de cuatro ejes: riesgos, fraude, personalización y experiencia. Desde ahí diseñamos nuestra hoja de ruta anual. A partir de esos ejes proyectamos más de 40 modelos y unos 10 o 11 proyectos de GenAI para este año.
Y algo que aprendimos hablando con referentes de Aws es que el hype de la IA generativa hay que aprovecharlo: no sólo para hacer buenos proyectos en esa línea, sino para traccionar otros modelos predictivos que quizás no son tan vistosos, pero sí muy impactantes.
“La IA generativa no puede quedar solo en el equipo de datos. Hay que democratizar su uso en toda la organización.”
¿Qué compañías o iniciativas considerás como referentes en la aplicación de IA?
Bank of America con su asistente Erika me parece impresionante: una experiencia multimodal, predictiva y personalizada. También me gusta lo que están haciendo Ualá y Modo.
En general, los que apostaron temprano y con foco hoy están bien posicionados.
