LLM en vietnamita para banca y finanzas: aplicaciones y riesgos

01/10/2026

Imaginen a un analista de crédito que recibe un expediente de préstamo de más de doscientas páginas escaneadas: estados de cuenta, contrato laboral, documentos de propiedad, dictamen. Lo primero que hace no es evaluar, sino leer para entender de qué trata el expediente. Ahí es justo donde un LLM en vietnamita empieza a ser útil en un banco. Y ahí mismo, si se hace a la ligera, es donde aparece el mayor riesgo. Este texto habla de las dos caras, desde la perspectiva de quien desarrolla producto y no de quien vende una solución.

Tres tipos de tareas que un LLM puede hacer

Atender a los clientes

Es la aplicación más visible. El cliente pregunta por las tarifas, el trámite para abrir una tarjeta, cómo se resuelve una transacción con error. Un chatbot basado en un LLM, conectado al acervo oficial de documentos del banco, puede responder en un vietnamita natural y citar la fuente. Lo de "citar la fuente" es muy importante. Una respuesta sobre tasas de interés que no pueda señalar el documento original no debería enviarse.

El chatbot también debe saber cuándo detenerse. Si el cliente pregunta "¿me conviene pedir otro préstamo para invertir?", el sistema tiene que negarse con amabilidad y pasarlo con una persona, porque eso es asesoría financiera personal y no consulta de información.

Resumir expedientes y documentos internos

Volvamos al expediente del inicio. El LLM puede extraer los campos principales, resumir el dictamen y marcar las contradicciones entre documentos (nombres de la empresa escritos de forma distinta, ingresos del contrato laboral que no cuadran con el estado de cuenta). También sirve para informes internos, minutas y normativa que cambia todo el tiempo. Aquí el LLM es un lector rápido, no quien toma la decisión.

Apoyo interno

Los empleados nuevos suelen tardar mucho en saber qué proceso está en qué documento. Un asistente que consulta la normativa interna en lenguaje natural reduce ese tiempo. El riesgo es menor que en la versión de cara al cliente, así que muchas organizaciones empiezan por aquí.

Riesgos que no se pueden minimizar

Un banco no es una empresa de comercio electrónico: una respuesta equivocada puede convertirse en una queja, en una demanda o en una multa de la autoridad reguladora. Enumero lo que hay que controlar, en el orden en que me ha dado más dolores de cabeza.

• Invención de información (alucinación): el LLM puede afirmar con seguridad una comisión o un requisito que no existe. Para reducirlo, se obliga al modelo a responder solo con base en los documentos que se le proporcionan, con citas, y a negarse a responder cuando no hay sustento. Se reduce, pero no se elimina por completo.
• Fuga de datos de clientes: los datos financieros son de los más sensibles. Hay que definir con claridad dónde corre el modelo, si los datos salen de la infraestructura del banco y cómo se almacenan los registros de las conversaciones.
• Prompt injection: un cliente o un documento malicioso puede insertar instrucciones en el contenido para que el modelo ignore las indicaciones originales. En un sistema que lee documentos externos, este es un riesgo real y no teórico.
• Sesgo y equidad: si el modelo participa en la evaluación crediticia, hay que verificar si trata de manera distinta a distintos grupos de clientes. En lo personal, creo que la decisión de otorgar crédito no debería dejarse a un LLM, que solo debería usarse para preparar la información de quien decide.
• Capacidad de explicar: cuando el regulador o el cliente pregunten por qué se dio determinada respuesta, hay que poder rastrearla hasta el documento en que se basó.

Por qué vietnamita y por qué fine-tuning

El lenguaje bancario tiene particularidades: términos como "saldo de capital", "garantía" o "límite de sobregiro" tienen un significado preciso, y los textos normativos se escriben en un estilo administrativo bastante denso. Los modelos multilingües grandes manejan un vietnamita común de manera aceptable, pero para el estilo y la terminología especializada, hacer fine-tuning de un LLM con datos en vietnamita del sector suele dar resultados más adecuados. Eso es lo que hace AIVISION: entrenamos y hacemos fine-tuning de LLM para vietnamita y para sectores específicos, sobre nuestra infraestructura de clústeres NVIDIA H200 y B300, y ya lanzamos el modelo L1.0 para vietnamita. En el caso de las finanzas, no afirmo que ya existan resultados concretos, solo digo que es una dirección que consideramos razonable.

Una ruta prudente

Si tuviera que hacer una propuesta a un banco, iría del asistente interno al resumen de documentos con revisión humana, y hasta el final al chatbot de cara al cliente con un alcance acotado. Cada paso tiene su propio conjunto de preguntas de prueba, incluidas preguntas trampa que se salen deliberadamente del alcance. Y en todos los pasos el sistema es solo una herramienta de apoyo: no es asesoría de inversión ni reemplaza la decisión de los especialistas.

Pueden conocer más sobre el enfoque de AIVISION en modelos de lenguaje para vietnamita en nuestro sitio web.