De “Damn Bloody Slow” a banco que funciona como tech company

DBS nació en 1968 como Development Bank of Singapore, para financiar la industrialización del país. Creció a fuerza de adquisiciones hasta ser el banco más grande de la región, pero la atención al cliente quedó atrás: era el peor de los grandes bancos de Singapur en ese rubro, y la gente decía que las siglas significaban “Damn Bloody Slow”.

Había otros problemas de fondo. Los ingresos estaban estancados, la expansión por Asia se trababa, tenía 22.000 empleados repartidos en varios mercados y casi toda la tecnología estaba tercerizada. Cualquier cambio en un producto o proceso dependía de un proveedor externo, y por eso tardaba.

Mientras tanto, el negocio bancario se estaba moviendo. Las fintech como PayPal, Grab o Alibaba competían por costo y le comían margen a los bancos: en 2021 PayPal llegó a valer casi el doble que Goldman Sachs. Los clientes empezaron a comparar tasas online sin importarles si el producto venía de un banco o de una app, y la pandemia aceleró todo (el uso de banca móvil subió 34% en pocos meses mientras las sucursales caían 12%).

El argumento económico es muy concreto. En un banco tradicional, las sucursales se llevan cerca del 30% de los costos y mantener sistemas legacy otro 20%. Eso se ve en el ratio costo/ingreso:

La mayoría de los bancos respondió con innovaciones sueltas: un chatbot, biometría en el cajero, precios variables. Eran cambios incrementales que no tocaban los procesos centrales. En 2009 llega Piyush Gupta como CEO, concluye que para seguir siendo relevante el banco tiene que pensar distinto, y consigue que el directorio apruebe un presupuesto grande para transformar la organización entera.

La estrategia se apoyó en tres pilares: ser digital hasta el núcleo, meterse en el recorrido del cliente (customer journey) y pensar y actuar como una startup. Lo importante es que el mandato fue para todos. Auditoría y Recursos Humanos también tuvieron que digitalizarse: Auditoría automatizó el perfilado de riesgo de sucursales y el análisis de fraude, y RRHH armó modelos para detectar rasgos de los mejores empleados y anticipar renuncias.

Los primeros seis años fueron de infraestructura. Fusionaron Tecnología y Operaciones en una sola unidad, aplicaron lean a los procesos, rediseñaron la arquitectura y desplegaron un core bancario nuevo en 12 mercados en 28 meses. También crearon dos consejos, uno de experiencia de cliente y otro de innovación, para empujar el cambio cultural.

El giro más fuerte fue con la gente. DBS se propuso pasar de 85% de tecnología tercerizada a 85% hecha en casa, para construir lo que llamaron un “ADN tech”.

En 2015, con la base técnica lista, algunos directivos visitaron Google y Amazon para aprender cómo trabajaban. De ahí salió un lema interno: GANDALF.

Los primeros intentos no salieron todos bien. En 2013 DBS armó un laboratorio de IA con A*STAR, un instituto de investigación local, y de media docena de proyectos algunos funcionaron y otros no. Gupta los describió como “herramientas de señalización” para la organización. También hizo un piloto grande con IBM Watson para gestión de patrimonios, que no dio resultado.

Después vinieron las victorias tempranas, elegidas a propósito para generar apoyo interno.

El proyecto más didáctico es el de lavado de dinero (AML). El sistema de reglas que exige el regulador generaba muchísimas falsas alarmas, a veces hasta el 98%. En lugar de reemplazarlo, le pusieron capas de IA encima:

La IA depende de tener datos accesibles y limpios, así que en 2018 DBS lanzó el programa Data First, con cuatro pilares:

Con eso vinieron decisiones de infraestructura: la política “everything goes cloud”, el paso de data warehouses a data lakes (más baratos y mejores para datos poco estructurados), limpiar 80 millones de registros incompletos y construir ADA (“Advancing DBS with AI”), una plataforma interna para que cualquier equipo pueda crear y mantener modelos en modo self-service.

Para que la IA prendiera, Gupta fijó un KPI de mil experimentos por año y le dio a cada unidad presupuesto para contratar sus propios “cuasi data scientists”. Así RRHH, por ejemplo, armó un modelo de predicción de renuncias con unos 147 datos de entrada. Además se trabajó con una estructura “2-in-a-box”: cada iniciativa tiene un líder de negocio y uno de tecnología con KPIs compartidos.

La automatización no fue solo para recortar. Los empleados del call center que dejaron de atender teléfonos fueron reconvertidos en agentes de chat y diseñadores de experiencia. DBS también abrió una plataforma con 150 APIs para que empresas como McDonald’s o Foodpanda se integraran, y se metió en negocios no bancarios: marketplaces de autos, inmuebles y electricidad, y más tarde Climate Impact X, un mercado de créditos de carbono.

Para no cruzar límites con los datos de los clientes crearon el marco PURE: cada uso de datos tiene que tener un propósito (Purposeful), no sorprender al cliente (Unsurprising), ser respetuoso (Respectful) y poder explicarse (Explainable). Un comité de uso responsable revisa los casos dudosos.

En 2022 DBS tuvo un récord: la ganancia neta creció 20% hasta S$8.190 millones. Venía invirtiendo unos S$1.000 millones por año en tecnología, con la mayor parte del crecimiento destinado a capacidades de datos. Y mantuvo los ingresos estables durante la pandemia, cuando a buena parte del sector le fue mal.

No todo salió como se esperaba. Los ingresos de los marketplaces y alianzas quedaron por debajo de lo previsto, en parte por la pandemia. Y la competencia no se quedó quieta: Singapur habilitó bancos 100% digitales desde 2022 (Grab con SingTel obtuvo una licencia), y otros bancos copiaron la receta, como Bank of America o ANZ con su pago por reconocimiento de voz.

El caso cierra con un cambio de escenario. Desde fines de 2022, con ChatGPT y GPT-4, la IA generativa dio un salto que vuelve incierto el camino. Lo que le dio ventaja a DBS durante una década ya no garantiza que la siga teniendo. Por eso termina con estas preguntas, que son las que probablemente te pidan discutir: