El formulario se ha enviado correctamente.
Encontrará más información en su buzón.
ContrátanosSeleccionar idioma
ConócenosServiciosTecnologíasCartera
Un chatbot bancario puede ayudar con las tareas habituales, como restablecer una contraseña, buscar un extracto o comprobar qué documentos se necesitan para solicitar un préstamo. ¿Es útil? Sí. ¿Es el tipo de cosa que hace que un trámite avance por sí sola? Normalmente, no.
UnLa IA genética en el sector bancario Es aquí donde las cosas se ponen más interesantes. Si se le asigna un objetivo al agente, este puede revisar el expediente, extraer datos de los sistemas autorizados, seguir las normas del banco, poner en marcha el siguiente paso y dejar constancia de ello para su revisión. El banco establece los límites y el agente trabaja dentro de ellos.
Por eso Aplicaciones de IA con agentes en el sector bancario están acaparando tanta atención. La encuesta sobre el sector de los servicios financieros realizada por PwC reveló que 55% de directivos bancarios consideran que la IA generativa o agentiva es su principal prioridad de inversión para 2026, y 58% esperan que tenga el mayor impacto en el sector en un plazo de tres años. La encuesta «European Financial Services AI Pulse Survey» de EY también reveló que 35% de empresas de servicios financieros ya están utilizando IA agentiva, mientras que 25% tiene previsto empezar a utilizarla en un plazo de seis meses.
A continuación, responderé a qué es la IA agentiva en el sector bancario, mostrar dónde encaja en los flujos de trabajo reales de los bancos y explicar en qué aspectos los bancos necesitan un control estricto. Analizaremos casos de uso reales, la arquitectura, las capas de seguridad y la diferencia entre un chatbot y un agente. También mostraré Cómo implementar la IA agentiva en el sector bancario sin aumentar el riesgo operativo.
La IA agentiva en la banca y los servicios financieros se refiere a sistemas capaces de planificar, razonar y ejecutar flujos de trabajo de varios pasos con el fin de alcanzar un objetivo definido, dentro de las normas bancarias establecidas.
Durante mucho tiempo, los bancos utilizaban la IA principalmente para tareas específicas, como detectar riesgos, comprobar documentos, asignar puntuaciones o resumir casos. Ahora, la IA agentiva en la banca forma parte de todo el flujo de trabajo. Revisa casos, sigue las normas del banco y da el siguiente paso autorizado en áreas como la detección de fraudes, la tramitación de préstamos, los controles de cumplimiento normativo, las solicitudes de servicio y las tareas administrativas. En resumen, la IA agentiva lleva a cabo flujos de trabajo, mientras que los chatbots se limitan a responder preguntas.
Imagina que estás en el equipo de fraude a las 14:13 h y llega a la cola una transacción sospechosa con tarjeta. Un chatbot puede explicarte la política del banco en materia de fraude cuando se lo pidas. Un sistema autónomo puede comprobar las transacciones recientes, comparar el pago con el gasto habitual del cliente, revisar los datos de ubicación y determinar el nivel de riesgo. Si las normas del banco lo permiten, el sistema puede bloquear la tarjeta, abrir un expediente, enviar un mensaje de verificación y derivar el caso a tu equipo cuando aún sea necesario el criterio humano.
Con la misma alerta, el chatbot muestra al equipo lo que ha ocurrido. Un sistema autónomo, por su parte, contribuye a que el flujo de trabajo siga adelante.
La forma más sencilla de entender la IA agentiva en la arquitectura bancaria es observar cómo se resuelve un caso concreto a través de ella. Imaginemos que tu banco recibe una actualización de los datos de KYC de un cliente. Este sube un nuevo justificante de domicilio, pero uno de los campos no coincide con los datos ya almacenados en el sistema del banco. Un agente de IA puede ayudar a que el caso avance, pero tiene que seguir una ruta específica.
El ejemplo de KYC ilustra la idea principal: IA agentiva en el sector bancario Requiere controles, puntos de parada y revisión humana cuando el riesgo o las normas bancarias así lo exijan. Sin esas capacidades, lo que se obtiene es un chatbot con un nombre más sofisticado.
Los trámites bancarios rara vez se desarrollan en un único intercambio ordenado. Tomemos como ejemplo una solicitud de hipoteca. Un cliente sube los documentos de su nómina, interrumpe el proceso y vuelve unos días más tarde con un extracto bancario y el formulario que faltaba. Un agente de IA retoma el proceso desde el último paso completado. Sabe qué documentos han superado la revisión y qué es lo que aún falta. Tu equipo puede consultar el historial completo del caso en un solo lugar, en lugar de tener que recopilar la información de correos electrónicos, notas del CRM y archivos subidos.
Un agente bancario debe utilizar los sistemas en el orden correcto. En el caso de un pago transfronterizo, es posible que el agente tenga que comprobar los datos del destinatario, el saldo de la cuenta, el límite de pago, el tipo de cambio y las comisiones antes de tramitar el pago. La verificación de sanciones siempre se realiza por separado, como paso obligatorio para el cumplimiento normativo.
Si falta algún dato de pago, el proceso se detiene. Si el pago supera el límite, se envía para su revisión. Si la verificación de sanciones detecta una posible coincidencia, el agente no decide si el pago puede continuar. En su lugar, el proceso se detiene y el caso se remite a un especialista en cumplimiento normativo. Un chatbot podría decirle al cliente:, “Se está procesando tu pago”.” El agente comprueba los sistemas necesarios y da curso al expediente una vez que se ha aprobado.
Algunas decisiones bancarias requieren varias comprobaciones menores a lo largo del proceso. La aprobación de un préstamo es un buen ejemplo. El agente analiza aspectos como los ingresos, el historial crediticio, la deuda existente, los documentos adjuntos, las condiciones del producto y cualquier información que falte. Si todo está en orden, el proceso avanza rápidamente. Si hay lagunas, el agente debe ser más meticuloso. Cuando falta información o el perfil de deuda parece inusual, el agente resume el problema y remite el caso a un evaluador de riesgos. El evaluador de riesgos sigue tomando la decisión final, pero ahora dispone de un expediente más claro para su revisión.
IA agentiva para la atención al cliente en el sector bancario No puede actuar basándose únicamente en la sugerencia del modelo. El agente prepara el siguiente paso, pero cada acción sigue pasando por controles externos antes de llegar al sistema bancario. La pasarela comprueba los permisos, los límites, las alertas de lucha contra el blanqueo de capitales y las normas de aprobación humana.
Los datos de los clientes funcionan de la misma manera. En el caso de un pago con tarjeta rechazado, el agente puede necesitar el número de referencia del caso, el estado de la transacción y los cuatro últimos dígitos de la tarjeta. No necesita el número completo de la tarjeta, una copia escaneada del pasaporte, el expediente de ingresos ni el historial completo. Si el caso presenta riesgo, la capa de control detiene el proceso y lo deriva al equipo adecuado, junto con un registro de lo que el agente ha comprobado y el motivo por el que se ha detenido.
A estas alturas, la diferencia entre un chatbot y un agente debería resultar más clara. Un chatbot funciona bien cuando el cliente necesita una respuesta: comisiones de tarjetas, horarios de las sucursales, condiciones de los productos, detalles del saldo o estado de una solicitud. Puede explicar el siguiente paso, mostrar un enlace o derivar la solicitud al servicio de atención al cliente. Es una herramienta útil, sobre todo para solicitudes sencillas.
Un agente entra en acción cuando la respuesta ya no es suficiente. Un buen ejemplo es la pérdida de una tarjeta. Un chatbot puede indicar al cliente cómo bloquearla. Un IA agentiva en el sector bancario puede ayudar con el caso en sí: verifica la identidad del cliente, comprueba las transacciones recientes, bloquea la tarjeta, inicia una reclamación por pagos sospechosos, solicita una tarjeta de sustitución y envía una actualización. Si el importe es elevado o el patrón resulta extraño, el agente remite el caso a un analista de fraude junto con los detalles del mismo y un registro de lo ocurrido.
Para que resulte más fácil de consultar, he incluido la comparación en la tabla que aparece a continuación.
Un pago fallido, una actualización de los datos de identificación del cliente (KYC), una alerta de fraude o un expediente de préstamo pueden parecer sencillos desde el punto de vista del cliente. Sin embargo, dentro del banco, cada caso pasa por distintos sistemas, normas, responsables y procesos de aprobación. Repasemos los principales Casos de uso de la IA «agentic» en el sector bancario uno por uno y ver qué tareas puede asumir un agente y en qué casos el equipo aún tiene que intervenir.
Los clientes suelen acudir al banco con un problema que necesitan resolver: han perdido una tarjeta, un pago no se ha realizado correctamente, un cargo parece erróneo o hay que modificar un límite. Nadie abre una aplicación bancaria solo por el ambiente.
Un chatbot puede explicar los pasos a seguir, enviar un enlace o remitir la solicitud al servicio de atención al cliente. Eso ayuda, pero solo hasta cierto punto. Es posible que el cliente tenga que seguir esperando, haciendo clic aquí y allá o repitiendo su caso a otra persona. ALa IA genética en el sector bancario puede gestionar más casos de atención al cliente dentro de un flujo aprobado. En caso de que un pago haya fallado, el agente puede comprobar el estado del pago, el saldo de la cuenta, los límites de la tarjeta o de la transferencia, las alertas de riesgo recientes y el motivo por el que se rechazó la transacción. Si la solución es sencilla, puede indicar el siguiente paso o enviar la solicitud correspondiente. Si el caso parece inusual, envía los detalles al equipo de asistencia o de gestión de riesgos.
Los equipos de lucha contra el fraude deben gestionar el ruido y la urgencia al mismo tiempo. Una alerta puede deberse a que un cliente compre zapatillas mientras viaja. Otra puede ser el primer indicio de una apropiación de cuenta. Un agente bancario puede comprobar las señales de la transacción, comparar el pago con el comportamiento habitual del cliente, aplicar las reglas de riesgo y decidir cuál es el siguiente paso que se autoriza. Los casos de bajo riesgo pueden remitirse a la confirmación del cliente. Los casos de mayor riesgo pueden dar lugar a la congelación de la tarjeta, al bloqueo de la transferencia, a la apertura de un expediente de fraude o a la revisión por parte de un especialista.
Pero yo tendría cuidado con esto. Este flujo no puede permanecer congelado durante meses. Los patrones de fraude cambian, y necesitas margen para ajustar los umbrales, probar nuevas señales en casos anteriores y comprobar los falsos positivos antes de que los cambios afecten a clientes reales.
Las tareas relacionadas con el KYC y la prevención del blanqueo de capitales (AML) suelen retrasarse antes de que se tome la decisión. Alguien comprueba el documento de identidad, los documentos que faltan, la respuesta sobre el origen de los fondos y las alertas AML. Un agente puede encargarse de esta primera fase. Detecta los archivos que faltan, solicita al cliente el documento adecuado, comprueba las fuentes autorizadas, actualiza el estado del expediente y redacta una breve nota para el departamento de cumplimiento normativo. Si no queda clara una coincidencia con la lista de sanciones o la respuesta sobre el origen de los fondos parece poco sólida, el expediente se remite a un especialista.
La tramitación de los préstamos suele atascarse antes de que se dé la respuesta definitiva, ya sea afirmativa o negativa. Los documentos sobre ingresos, los datos de las agencias de crédito y el historial de cuentas se encuentran en sistemas distintos. Un agente bancario puede reunir toda esta información antes de que el evaluador de riesgos abra el expediente. Detecta los datos que faltan, comprueba que la solicitud se ajuste a las normas de concesión de préstamos y señala lo que hay que revisar.
En el caso de los bancos de la UE, este proceso está sujeto a una normativa más estricta. El La Ley de IA de la UE clasifica los sistemas de IA que evalúen la solvencia de una persona o la clasifiquen como de alto riesgo, salvo que se utilicen para detectar fraudes financieros. Antes de que dichos sistemas entren en funcionamiento, los bancos deben completar los trámites de conformidad necesarios, garantizar la supervisión humana y cumplir con las normas de registro aplicables.
Los códigos de motivo deben tener su propio espacio en el proceso. En EE. UU., ECOA y el Reglamento B exigen motivos concretos para tomar medidas desfavorables. En el Reino Unido y UE, la normativa sobre créditos hipotecarios exige a las entidades crediticias que informen a los consumidores cuando se rechaza una solicitud de hipoteca, con información adicional si la consulta a una base de datos ha influido en la decisión. El agente puede preparar el expediente y señalar lo que hay que revisar, pero el banco sigue siendo el responsable de la explicación, el expediente y la decisión crediticia final.
Las operaciones bancarias se ralentizan cuando una tarea pasa por demasiadas manos. Por ejemplo, en una investigación de pagos, una persona comprueba la transacción, otra revisa la cuenta, el caso queda a la espera de aprobación y, finalmente, alguien informa al cliente. Un agente bancario puede gestionar el caso de forma eficiente en todas las etapas: iniciar la investigación, recabar los datos del pago, actualizar el caso, solicitar la aprobación, notificarlo al equipo correspondiente y enviar una actualización al cliente.
Los bancos pueden recurrir a agentes para casos de uso destinados a generar ingresos, pero los procesos más seguros comienzan con una solicitud del cliente. Si un cliente pregunta qué puede hacer con un saldo inactivo, el agente puede comprobar el consentimiento, los requisitos de elegibilidad, las normas del producto y el contexto de la cuenta antes de mostrarle una opción de ahorro adecuada.
Los casos relacionados con el crédito deben gestionarse con mayor rigor. Si el propietario de una pequeña empresa solicita financiación a corto plazo antes de pagar las nóminas, el agente no debe decidir por sí mismo si el cliente cumple los requisitos ni insistir en una oferta preseleccionada. Puede recabar los datos necesarios, comprobar las normas básicas y derivar el caso al proceso de concesión de préstamos aprobado por el banco. En este contexto, el agente fomenta la venta cruzada sin convertirla en una presión comercial.
Los chatbots facilitan las conversaciones bancarias. La IA agentiva cambia lo que ocurre después de que el cliente solicite ayuda. En la práctica, lo más destacado Aplicaciones de IA con agentes en el sector bancario gestionar los casos con menos traspasos, reducir las pequeñas tareas del equipo y ayudar a los clientes a acercarse más a lo que han venido a buscar.
Muchos costes bancarios se esconden en pequeñas tareas como comprobar documentos, copiar datos, abrir expedientes, enviar actualizaciones y hacer un seguimiento de las aprobaciones. Cada paso parece insignificante, pero el coste aumenta cuando el mismo trabajo se repite en miles de actualizaciones de KYC, comprobaciones de pagos, alertas de fraude o expedientes de préstamos. Un agente puede hacerse cargo de parte de esta rutina y dejar al equipo los casos que requieren la intervención de una persona. El banco paga menos por el mismo trabajo repetitivo, ya que los empleados dedican menos horas a ello.
Muchos casos bancarios se quedan estancados entre sistemas y equipos. Un agente puede hacer avanzar el caso a través del flujo de trabajo aprobado, actualizar registros, solicitar aprobaciones, enviar notificaciones y detener el proceso cuando una regla o un umbral de riesgo requiera una revisión. De esta forma, los empleados dedican menos tiempo a comprobar el estado de los casos o a esperar el siguiente paso en el proceso.
Los agentes pueden facilitar la venta cruzada cuando el cliente ya ha solicitado ayuda u opciones de productos. Comprueban el consentimiento, los requisitos de elegibilidad, las condiciones del producto y el contexto de la cuenta, y a continuación derivan los casos de crédito regulados al proceso de revisión aprobado por el banco. De este modo, el banco tiene más oportunidades de realizar una oferta relevante mientras el cliente ya está buscando asesoramiento.
Un agente bancario puede comprobar los permisos, aplicar las normas bancarias, señalar actividades inusuales y registrar cada acción. Tu equipo puede ver qué ha ocurrido, cuándo ha ocurrido y por qué el caso ha avanzado o se ha detenido. Esto facilita el control de los casos de riesgo antes de que se conviertan en problemas con los clientes o en problemas de auditoría.
A los clientes les importan los resultados. Quieren que se bloquee la tarjeta, que se inicie la reclamación, que se tramite la solicitud de préstamo o que se resuelva el problema de pago. Un chatbot puede responder a la pregunta. Un agente puede ayudar a completar la tarea. Como resultado, los clientes dedican menos tiempo a estar detrás del banco para obtener información, y el banco recibe menos llamadas y tickets repetidos sobre el mismo problema.
Un agente bancario no debería tener acceso directo a los sistemas bancarios centrales, de pagos, de KYC, de CRM o de prevención del fraude solo porque pueda sugerir el siguiente paso. El banco necesita un punto de control intermedio. Este comprueba si el agente está autorizado a actuar, qué datos puede utilizar, si es necesaria la aprobación de una persona para dar ese paso y cómo se registrará la acción. Esa es la función de la pasarela, los controles de seguridad y las conexiones de datos.
Supongamos que un cliente denuncia la pérdida de una tarjeta. El agente puede decidir que hay que bloquear la tarjeta, pero el banco aún tiene que comprobar si ese agente está autorizado a bloquearla.
Esa es la función de la pasarela del Protocolo de Contexto de Modelos (MCP), que se sitúa entre el agente y los sistemas del banco. Antes de que una solicitud llegue a las herramientas de gestión de tarjetas, banca central, pagos, KYC, CRM o prevención del fraude, la pasarela comprueba si la acción está permitida, si la solicitud tiene el formato correcto, si se necesita autorización y si la acción se registrará.
En la práctica, la pasarela controla seis aspectos:
Un chatbot suele trabajar con contenidos de bajo riesgo, como páginas de productos, respuestas a preguntas frecuentes, guiones aprobados y contenidos del centro de ayuda. Si ofrece una respuesta poco satisfactoria, el banco puede corregirla.
Un agente está más cerca de la acción real. Puede solicitar un documento, actualizar un expediente, iniciar un bloqueo de tarjeta, activar una comprobación de pago o enviar una alerta AML para su revisión. Antes de que eso ocurra, el banco necesita una capa de seguridad que compruebe la solicitud, los datos y el siguiente paso.
Un agente bancario, al igual que cualquier especialista en operaciones cualificado, necesita disponer del registro adecuado del sistema adecuado justo en el momento en que el equipo está trabajando en un caso.
Si un cliente quiere saber por qué no ha llegado un pago internacional, la respuesta podría encontrarse en varios sitios. El sistema de pagos muestra el estado de la transferencia. El sistema bancario central contiene los datos de la cuenta, y el sistema de control de fraudes revela si el pago ha activado alguna regla. El CRM contiene la nota del cliente, y el historial del caso muestra lo que el equipo ya ha comprobado. Si el agente solo ve la nota del CRM, puede parecer útil, pero sigue sin conocer el motivo real.
Las conexiones API proporcionan al agente un acceso limitado a esos sistemas. Puede consultar el estado de los pagos, los datos de los clientes, la información de KYC, las señales de fraude, los documentos y el historial de casos sin tener acceso a todo. El banco decide qué puede consultar el agente, qué puede actualizar y qué información permanece restringida. Pero los datos también deben estar actualizados. El estado de un pago, una señal de fraude o una puntuación de riesgo de ayer pueden llevar al agente por el camino equivocado.
IA agentiva para la atención al cliente en el sector bancario se convierte en un riesgo en cuanto empieza a actuar. Una respuesta deficiente de un chatbot puede molestar a un cliente. Una acción deficiente de un agente puede causar un daño operativo real: bloquear la tarjeta equivocada, retrasar un préstamo, exponer datos personales o desviar un caso sospechoso por el camino equivocado. Cuanto antes se detecte dónde puede fallar el agente, más fácil será controlar esa parte del flujo de trabajo antes de que los casos reales se vean afectados.
La IA agentiva en el sector bancario No se debe confiar en la memoria para dar respuestas que afecten a préstamos, pagos, reclamaciones, comisiones, límites o restricciones de la cuenta. Cada respuesta de estos procesos debe remitir al registro que la acredite. Si falta dicho registro, el caso debe someterse a revisión antes de que el cliente reciba una respuesta.
Asegúrate de que el agente trabaje con el registro más reciente antes de dar un paso adelante en el caso. Un estado de KYC obsoleto, una actualización de la transacción retrasada, un saldo desactualizado o un perfil de cliente incompleto pueden hacer que el caso pase a una fase incorrecta. En lo que respecta al crédito, el fraude, la prevención del blanqueo de capitales, los pagos y las restricciones de cuenta, el agente debe detenerse si el registro de origen actual no está disponible o está desactualizado.
Un agente de atención al cliente trabaja con mensajes que el banco no controla. Es posible que alguien le pida que ignore las normas, muestre datos restringidos, se salte el proceso de aprobación o recurra a una herramienta que no entra dentro de su ámbito de actuación. El agente necesita límites estrictos sobre lo que puede leer, lo que puede hacer y qué acciones deben remitirse primero a un revisor humano.
Un agente puede trasladar patrones antiguos a un nuevo proceso. Por ejemplo, en el ámbito de los préstamos, las aprobaciones anteriores podrían hacer que el sistema favoreciera a un tipo concreto de prestatario. En la detección de fraudes, las reglas más antiguas podrían provocar que el sistema marcara como sospechosos a determinados grupos de clientes con mayor frecuencia. Tu equipo debería comprobar las tasas de aprobación, los motivos de rechazo, los falsos positivos y las escalaciones para todos los grupos de clientes.
Un agente bancario puede acceder a saldos de cuentas, documentos de identidad, datos de tarjetas, historial de transacciones, archivos de ingresos, mensajes de asistencia y notas de riesgo. El riesgo surge cuando el flujo de trabajo expone más datos de los que requiere el caso. Un permiso erróneo o un traspaso incorrecto pueden hacer que la información del cliente acabe en manos equivocadas. Limita el acceso a los datos necesarios para el caso en cuestión. Si no puedes explicar claramente a qué datos ha accedido el agente y por qué, el proceso no está preparado para gestionar datos bancarios.
Cada acción del agente debe quedar registrada. Si el agente bloquea una transferencia, actualiza el estado del KYC, da curso a un expediente de préstamo o envía un caso de lucha contra el blanqueo de capitales para su revisión, es necesario poder consultar la norma, los datos y la aprobación que hay detrás de cada paso.
La IA agencial no puede formar parte de un equipo de IA indefinido. La responsabilidad debe recaer en los equipos que ya gestionan el proceso, ya se trate de operaciones con tarjetas para bloqueos y reclamaciones, de préstamos para solicitudes de crédito o de cumplimiento normativo para comprobaciones de KYC y AML. Cada responsable debe saber qué está autorizado a hacer el agente, cuándo debe aprobar un especialista cada paso y qué ocurre si algo sale mal.
Cada implementación de IA agentiva en el sector bancario será diferente, ya que cada flujo de trabajo cuenta con sus propios sistemas, datos, riesgos y normas de aprobación. No obstante, resulta útil comprender los pasos principales y lo que requiere cada uno de ellos antes de empezar a desarrollarla.
Empieza por algo más pequeño de lo que te gustaría. Ese es mi consejo sincero. Elige un proceso que ya cuente con normas, límites y un equipo que se encargue de él. Las comprobaciones de direcciones en el marco del KYC en el sector minorista son un buen punto de partida. Los resúmenes de alertas de fraude para los analistas también pueden funcionar bien.
La atención al cliente general suele abarcar demasiado para la primera versión. Abarca demasiadas intenciones, sistemas, casos extremos y procesos de aprobación. Antes de escribir el código, el equipo debe definir el flujo de trabajo respondiendo a unas cuantas preguntas básicas:
Una vez elegido el caso de uso, analiza los datos que el flujo de trabajo realmente necesita. El agente necesita suficiente contexto para realizar su trabajo, pero el acceso debe ser limitado.
En el caso de un proceso de KYC, estos datos pueden ser el perfil del cliente, los documentos cargados, los resultados de sanciones, las normas de política y el historial de casos. La clasificación de casos de fraude requiere un conjunto diferente de datos de entrada, como los detalles de las transacciones, las alertas anteriores, el estado de la tarjeta y las señales de comportamiento. Cada fuente debe tener un responsable, normas de acceso, normas de conservación y registros.
El proyecto piloto debería evitar el acceso directo a los sistemas centrales. Las API, el middleware o las herramientas de flujo de trabajo proporcionan al equipo una vía controlada de acceso a los sistemas bancarios y facilitan la gestión de los permisos, los límites, las aprobaciones, la reversión de cambios y la supervisión.
Es fácil subestimar este paso. Una demostración puede parecer correcta, pero los casos reales ponen de manifiesto campos que faltan, registros duplicados, lagunas en el acceso y datos de los que nadie se hace responsable.
Añade el agente solo después de haber asignado el flujo de trabajo, el acceso a los datos y los puntos de parada. Antes de la primera prueba, asigna un nombre a la tarea, indica las herramientas que puede utilizar, los puntos de traspaso y el responsable de cada decisión.
Para la revisión de la documentación de un préstamo, la primera versión debe ser breve. El agente también debe seguir un orden fijo. En primer lugar, compara los documentos subidos con la lista de comprobación del banco y señala los campos que faltan. A continuación, redacta una breve nota para el evaluador de riesgos y envía los archivos que no están claros para su revisión. No aprueba el préstamo, ni modifica las condiciones de crédito, ni envía mensajes al cliente, ni accede a cuentas, ni interviene en los pagos.
Antes del lanzamiento, realiza pruebas en modo simulado. El agente puede preparar notas, elegir rutas y marcar dónde se detendría, pero no debe modificar registros ni enviar mensajes. A continuación, compara su trabajo con la forma en que los empleados gestionaron los mismos archivos. Si la nota es útil, la ruta se ajusta a la política y el punto de parada tiene sentido, el flujo estará más cerca de la producción. Si el equipo no puede explicar por qué el agente eligió un paso, corrige el flujo de trabajo antes de realizar ninguna acción real.
Cuando el piloto se aplique a casos reales, ve incorporando el siguiente flujo de trabajo poco a poco. Un buen primer flujo de trabajo puede generar impaciencia en los equipos, pero cada nuevo flujo sigue necesitando un responsable, normas de acceso, puntos de revisión, registros y una ruta alternativa.
La responsabilidad se reparte entre tres funciones. El equipo comercial es responsable del resultado; el equipo de ingeniería se encarga del proceso técnico, desde las integraciones hasta los planes de contingencia; y el equipo de riesgos y cumplimiento se ocupa de los controles de acceso, los registros de auditoría y la conformidad con las políticas. Esta estructura facilita la gestión de los incidentes, ya que cada equipo conoce sus responsabilidades.
Realiza un seguimiento del tiempo de tramitación de los casos, las intervenciones manuales, los errores, las escalaciones, el tiempo de respuesta al cliente y los resultados de las revisiones en el proceso real. Si las cifras mejoran y tu equipo puede explicar cada acción, este flujo de trabajo puede convertirse en la base para el siguiente.
Un proyecto reciente de neobanca nos ha enseñado algunas lecciones que las demostraciones rara vez muestran. El cliente necesitaba flujos de trabajo autónomos para las operaciones de pago y de comerciantes. El desarrollo duró unos tres meses y costó aproximadamente $144K. En producción, las partes más complicadas fueron la velocidad, el enrutamiento, los controles y la reutilización. Así pues, estas son las principales conclusiones del proyecto.
“Con los chatbots, cada nueva funcionalidad suele convertirse en una tarea de ingeniería independiente. Con los agentes, las habilidades reutilizables pueden aplicarse a varios flujos de trabajo bancarios, por lo que el siguiente flujo de trabajo requiere menos esfuerzo que el primero”.”
Director del Área de Inteligencia Artificial
Veamos ahora qué pueden esperar de forma realista los bancos de la IA agentiva en un futuro próximo. Conocer estos cambios ahora puede ayudarte a planificar los agentes teniendo en cuenta los flujos de trabajo futuros, en lugar de tener que revisar toda la configuración más adelante.
No creo que los bancos vayan a dar el salto directamente a los sistemas multiagente. En mi opinión, la opción a corto plazo es más práctica: un agente controlado que trabaje con varias herramientas especializadas a su alrededor.
En el proceso de incorporación, por ejemplo, la configuración más segura a corto plazo es la de un único agente controlado que utilice varias herramientas. Este agente puede recopilar documentos, verificar documentos de identidad, consultar listas de sanciones y preparar el expediente para su revisión. Solo tiene permisos limitados y mantiene un registro de lo que ha hecho. Ahí es hacia donde creo que se dirige en primer lugar la IA de tipo «agente» en la banca. Los verdaderos sistemas multiagente pueden llegar más adelante, cuando agentes independientes compartan información y coordinen sus decisiones.
Es probable que la banca centrada en la IA comience por procesos habituales, aunque tediosos, como el «conozca a su cliente» (KYC), los controles antifraude, la preselección de préstamos, la resolución de reclamaciones y la elaboración de informes internos. Estas áreas ya cuentan con normas, documentos, controles y excepciones, por lo que resulta más sencillo dividirlas en pasos adaptados a los agentes.
El personal se centrará cada vez más en tareas que requieran una mayor capacidad de juicio. El agente preparará el expediente, recopilará datos, comparará registros y señalará aquellos aspectos que requieran un análisis más detallado. Los empleados, por su parte, se ocuparán de cuestiones más complejas, como casos controvertidos, reclamaciones, transacciones de gran envergadura, sospechas de fraude y excepciones a las pólizas.
Actualmente, los bancos suelen establecer normas claras sobre lo que un agente puede y no puede hacer. En el futuro, estos permisos podrían volverse más flexibles y depender del caso concreto que esté gestionando el agente. Por ejemplo, una solicitud de bajo valor podría tramitarse con mayor facilidad, mientras que una transacción de gran cuantía, un comportamiento inusual del cliente o una señal confusa relacionada con la prevención del blanqueo de capitales harían que el proceso fuera más estricto o que el caso se remitiera a una persona.
Los bancos también pueden modificar el grado de libertad de los agentes en función del rendimiento de cada flujo de trabajo. Si los casos sencillos se gestionan sin problemas y con pocos errores, es posible que se conceda más margen a los agentes en ese proceso. Sin embargo, si aumentan las quejas, las correcciones manuales o las alertas de riesgo, el proceso volvería a ser más estricto.
La IA agentiva tiene sentido en el sector bancario cuando se integra en un proceso real con límites claros. Puede ayudar a agilizar las actualizaciones de KYC, las alertas de fraude, las comprobaciones de pagos, los expedientes de préstamos y los casos de atención al cliente, pero el banco debe establecer primero las reglas.
La parte que yo trataría con cuidado es el proceso relacionado con el agente. La falta de claridad sobre quién es el responsable, los registros deficientes, los datos duplicados, las normas de aprobación imprecisas y los traspasos mal gestionados no van a desaparecer. Si a eso le sumamos un agente, el caos puede agravarse aún más.
Si no estás seguro de si tu banco necesita un agente de IA, o en qué ámbitos tendría sentido utilizarlo, nuestros consultores podemos ayudarte a resolverlo. Analizaremos tu proceso actual, identificaremos los cuellos de botella y separaremos lo útil Casos de uso de la IA «agentic» en el sector bancario alejarnos de las modas pasajeras y ayudar con la implementación allí donde realmente tenga sentido.
En el sector bancario, un chatbot suele responder a preguntas y seguir un guion de conversación fijo. La IA agentiva aplicada a la banca y los servicios financieros es capaz de interpretar la solicitud, elegir el siguiente paso, acceder al sistema adecuado y completar una tarea sin tener que delegar cada pequeña acción a una persona.
En algunos casos, sí. Los agentes pueden sustituir los flujos del chatbot cuando la tarea cuenta con normas aprobadas, acceso al sistema y un plan de contingencia seguro que recurre a un especialista humano. Por ejemplo, un agente puede ayudar a tramitar una alerta de fraude comprobando el contexto de la cuenta, siguiendo los pasos aprobados por el banco y dando continuidad al caso.
La IA agentiva en el sector bancario requiere una coordinación y una capa de pasarela entre el modelo y los sistemas bancarios. Estas capas comprueban las solicitudes, gestionan los permisos y bloquean las acciones de riesgo antes de que lleguen a los sistemas bancarios centrales.
La IA agentiva en la banca y los servicios financieros facilita el cumplimiento normativo mediante comprobaciones que se realizan antes de que el agente actúe. Estas comprobaciones pueden abarcar la prevención del blanqueo de capitales, las normas relacionadas con el RGPD, los derechos de acceso y los registros de auditoría. En pocas palabras, el agente solo debe actuar dentro de los límites de las normas bancarias aprobadas.
En esta arquitectura, la pasarela MCP es la capa que se interpone entre los agentes de IA y los sistemas internos, las bases de datos y las API del banco. Comprueba, formatea y aprueba las solicitudes de los agentes, de modo que el banco controla lo que el agente puede ver y hacer.
Entre los ejemplos más habituales se incluyen la clasificación de alertas de fraude, las actualizaciones de los datos de identificación de clientes (KYC), las revisiones de casos relacionados con la prevención del blanqueo de capitales (AML), las comprobaciones de expedientes de préstamos, las investigaciones sobre pagos y los casos de atención al cliente, como los pagos fallidos o la pérdida de tarjetas.
El coste depende del flujo de trabajo, los sistemas conectados, los controles de seguridad, los requisitos de cumplimiento normativo y el número de competencias que debe tener el agente. Un agente de IA para un solo flujo de trabajo suele costar menos que un agente que abarque varios sistemas y esté conectado a los sistemas bancarios centrales, de pagos, de KYC, de prevención del fraude y de CRM.
Experto en Blockchain y analista de DeFi
Andrew traduce conceptos descentralizados en herramientas financieras seguras y funcionales. Navega por el volátil panorama DeFi para construir infraestructuras de blockchain escalables que aborden la utilidad del mundo real, pasando de las palabras de moda para ofrecer valor técnico.
