Resumen en inglés (y debajo resumen en español)
In this episode, we chat with Mario Bonilla, with whom we speak from his home in New York. Mario Bonilla is a professional with a solid track record at the intersection of finance and technology. After graduating with a degree in Economics from the Instituto Tecnológico de Santo Domingo and earning his MBA from MIT (2001-2003), he consolidated his experience in the traditional banking sector by working for 17 years at major institutions such as Deutsche Bank, Itaú BBA, and HSBC, specializing in fixed income. Subsequently, he made the leap to the fintech ecosystem as Vice President of Data and API Product Management at the startup YieldX, later joining JPMorgan Chase, where he currently leads the development of high-impact Artificial Intelligence solutions, establishing himself as a key figure in the application of AI within modern banking.
His interest in data began even before his time at MIT, driven by the conviction that intuition is a virtue, but insufficient if it is not confirmed by data. Thus, he started by researching sources and conducting manual surveys until he fell in love with the process. Although tools have evolved drastically since his beginnings—when Excel was not even the standard—and today he turns to advanced technologies like TabPFN, the core of his work remains exactly the same: collecting data, getting a feeling for it, understanding its meaning, and deciphering its impact on different business use cases.
Mario spoke about a project he finds interesting regarding the creation of knowledge graphs in organizations. To build them with a limited amount of structured information, his key strategy is to use the data that subject matter experts already handle as a reference to define the initial ontology; although starting from scratch (greenfield) would be ideal, the lack of time usually forces this practical approach, which today is much cheaper thanks to LLMs helping to give it a head start. However, in the banking sector, this demands strict privacy, driving the use of local inference to mitigate the risks of sending data to external providers and allowing control over which models to use based on the task. Finally, this technological deployment must always be accompanied by a strong awareness and optimization of costs.
The current market has experienced a significant shift toward AI processes that require multiple steps, opening the door to models capable of executing long-running tasks within complex workflows. These systems possess a capacity to process and analyze volumes of information that exceed the human scale, allowing the automation of advanced flows such as deep company analysis, stock evaluation, and the execution of complex legal tasks. In this new ecosystem of autonomous decision-making by agents, strategic value still depends on keeping the human-in-the-loop; however, this requires professionals to get used to living with these technologies and supervising them closely, especially in early stages where more junior profiles might make more mistakes when interacting with these automated workflows.
Looking to the future, Mario visualizes an evolution of AI based on three key pillars: first, a migration of inference toward the edge (local), which will optimize costs and guarantee user privacy; second, a clear shift toward a more vertical AI specialized in high-value-added tasks, moving away from excessively generic models to focus on industry-specific solutions; and finally, a strong emphasis on the customization of workflows, allowing organizations to adapt these tools to their particular processes as an indispensable trend for the coming years.
Resumen en español (episodio que se grabó en inglés)
En este episodio conversamos con Mario Bonilla, con quien conversamos desde su casa en New York. Mario Bonilla es un profesional con una sólida trayectoria en la intersección de las finanzas y la tecnología. Tras graduarse en Economía en el Instituto Tecnológico de Santo Domingo y obtener su MBA en MIT (2001-2003), consolidó su experiencia en el sector bancario tradicional trabajando durante 17 años en grandes instituciones como Deutsche Bank, Itaú BBA y HSBC, especializándose en renta fija (fixed income). Posteriormente, dio el salto al ecosistema fintech como vicepresidente de gestión de productos de datos y API en la startup YieldX, para luego incorporarse a JPMorgan Chase, donde actualmente lidera el desarrollo de soluciones de Inteligencia Artificial de alto impacto, consolidándose como una figura clave en la aplicación de la IA dentro de la banca moderna.
Su interés por los datos comenzó incluso antes de su paso por el MIT, impulsado por la convicción de que la intuición es una virtud, pero insuficiente si no se confirma con datos. Así, empezó investigando fuentes y realizando encuestas manuales hasta enamorarse del proceso. Aunque las herramientas han evolucionado drásticamente desde sus inicios —cuando Excel ni siquiera era el estándar— y hoy recurre a tecnologías avanzadas como TabPFN, el núcleo de su trabajo sigue siendo exactamente el mismo: recolectar los datos, familiarizarse con ellos, comprender su significado y descifrar su impacto en los diferentes casos de negocio.
Mario habló de un proyecto que le parece interesante, sobre la creación de knowledge graphs en organizaciones. Para construirlos con poca información estructurada, su estrategia clave es usar los datos que ya manejan los expertos como referencia para definir la ontología inicial; aunque lo ideal sería empezar desde cero, la falta de tiempo obliga a este enfoque práctico, hoy más económico gracias a que los LLM ayudan a dar el puntapié inicial. Sin embargo, en el sector bancario esto exige una estricta privacidad, impulsando el uso de inferencia local para mitigar los riesgos de enviar datos a proveedores externos y permitiendo controlar qué modelos usar según la tarea. Finalmente, este despliegue tecnológico debe acompañarse siempre de una fuerte conciencia y optimización de costos.
El mercado actual ha experimentado un cambio significativo hacia procesos de IA que requieren múltiples pasos, abriendo la puerta a modelos capaces de ejecutar long-running tasks (tareas de larga duración) dentro de workflows complejos. Estos sistemas poseen una capacidad para procesar y analizar volúmenes de información que superan la escala humana, permitiendo automatizar flujos avanzados como el análisis profundo de empresas, la evaluación de acciones financieras y la ejecución de tareas legales complejas. En este nuevo ecosistema de toma de decisiones autónomas por parte de agentes, el valor estratégico sigue dependiendo de mantener al humano en el bucle (human-in-the-loop); sin embargo, esto exige que los profesionales se acostumbren a convivir con estas tecnologías y a supervisarlas de cerca, especialmente en etapas tempranas donde los perfiles más junior podrían cometer más errores al interactuar con estos flujos automatizados.
De cara al futuro, Mario visualiza una evolución de la IA basada en tres pilares clave: en primer lugar, una migración de la inferencia hacia el edge (local), lo que optimizará costos y garantizará la privacidad de los usuarios; en segundo lugar, un claro cambio hacia una IA más vertical y especializada en tareas de alto valor añadido, alejándose de los modelos excesivamente genéricos para enfocarse en soluciones específicas por industria; y finalmente, un fuerte énfasis en la personalización de workflows y flujos de trabajo, permitiendo a las organizaciones adaptar estas herramientas a sus procesos particulares como una tendencia indispensable para los próximos años.