Cómo integrar agentes de IA en su sistema de gestión de riesgos

Última actualización: septiembre de 2026

Usted tiene una pila de herramientas de riesgo. Le llevó años construirla, está bajo contrato y funciona lo suficientemente bien como para que nadie quiera hablar de reemplazarla. Al mismo tiempo, es probable que alguien de la junta directiva le esté preguntando cuál es su plan para los agentes de IA.

Ambos hechos no son incompatibles, aunque la mayor parte de lo que se escribe sobre agentes de IA asuma que sí lo son. La pregunta útil no es a cuál de sus sistemas reemplazará un agente, sino qué necesita ese agente de los sistemas que ya tiene en funcionamiento y si su pila actual puede proporcionárselo.

Resulta que esto es un problema de integración y propiedad mucho antes de ser un problema del modelo de IA. Las instituciones que están obteniendo valor de los agentes no son las que reemplazaron más software, sino las que lograron dar al agente suficiente contexto para decidir, un espacio delimitado para actuar y una persona responsable del resultado.

Resumen rápido

• Implementar agentes es, ante todo, un problema de integración. El modelo de IA rara vez es el límite.

• Un agente necesita cinco cosas de su pila de herramientas: contexto, límites claros, un lugar donde actuar, una forma de ser evaluado y un responsable humano con nombre y apellido.

• Los agentes añadidos uno a uno generan automatizaciones aisladas. El contexto compartido es una propiedad de la capa que está debajo de ellos, no de cada agente individual.

• No es necesario reemplazar su plataforma. Los agentes pueden funcionar como una capa independiente sobre su infraestructura actual o como parte de una plataforma unificada.

• Para ganarse su paso a producción, un agente debe trabajar primero en paralelo con sus analistas. Este periodo de prueba no es un trámite formal: es la única forma de demostrar con pruebas que el agente funciona con su cartera real.

• Lo que decide esto es la confianza, no la capacidad técnica. Si una decisión no puede reconstruirse más tarde y ser aprobada por una persona, la integración no está terminada.

• "Todo está en Excel" es un punto de partida muy común y no es un motivo de descalificación.

Qué significa realmente la integración de agentes de IA para un equipo de riesgo

La integración de un agente de IA consiste en conectarlo con los datos, el flujo de trabajo y la supervisión de los sistemas que la institución ya utiliza, de modo que tenga suficiente visibilidad para decidir, actúe donde realmente se realiza el trabajo y rinda cuentas de lo que ha decidido.

Esta definición es más acotada y exigente que la que encontrará en otros lugares. La mayoría de los artículos sobre integración de agentes se limitan a los conectores: enlazar un agente a aplicaciones de negocio mediante API para que pueda leer registros e iniciar acciones. Eso es ingeniería real, pero no es la parte difícil.

Para un equipo de riesgo, lo difícil es que una decisión debe ser explicable, no solo generada. Un agente que puede acceder a sus datos pero no puede registrar información en su gestor de casos es solo una demostración técnica. Un agente que puede actuar pero no puede mostrar qué información analizó es un riesgo legal. Integrar, en este contexto, significa resolver ambos problemas a la vez.

Por qué fallan los agentes cuando se añaden uno a uno

El fallo más común que vemos no se debe a un modelo débil, sino a un conjunto de agentes que no pueden ver el trabajo de los demás.

Las instituciones que construyen sus propios agentes tienden a diseñarlos caso por caso: un agente para clasificar alertas aquí, otro para extraer datos de documentos allá, cada uno con sus propios accesos y su propia visión del cliente. Cada uno trabaja de forma aislada. Juntos, terminan reproduciendo exactamente el problema que la institución quería resolver: que ninguna parte de la organización tiene el panorama completo.

Un oficial de cumplimiento (BSA) resumió la consecuencia en una sola frase: "El área de préstamos no lo sabía y nos quedamos con la deuda". Eso no es un problema de IA; es el problema que la IA debía ayudar a resolver, y un agente añadido de forma aislada lo hereda en lugar de solucionarlo.

Hay un segundo error que vale la pena mencionar. Un director de riesgos (CRO) cuyo equipo había construido agentes sobre un modelo de uso general nos comentó que la IA "se confunde y tiene alucinaciones". La tendencia natural es pensar que es un problema de calidad del modelo. Sin embargo, la mayoría de las veces es un problema de contexto: un modelo muy capaz que analiza datos fragmentados de cuatro proveedores distintos, sin una visión unificada del cliente, generará respuestas erróneas con total seguridad.

El contexto compartido no es algo que se pueda añadir a un agente individual. Es una propiedad de la capa inferior: una estructura de datos en tiempo real, inteligencia de comportamiento y dispositivos, reglas y una gestión de casos que ya estén sincronizados. Para eso sirve una capa de decisión de riesgo con IA, y por eso la pregunta sobre la plataforma y la pregunta sobre el agente son la misma.

Las cinco cosas que un agente necesita de su infraestructura actual

Esta es la versión práctica. Analice su propio entorno con esta lista antes de evaluar el agente de cualquier proveedor.

La mayoría de las instituciones tienen tres de estos elementos y les faltan los mismos dos: un lugar donde actuar y una forma de ser evaluado. Curiosamente, estos dos son los más económicos de solucionar, ya que requieren trabajo de integración y no de reestructuración de datos.

Cómo entra realmente un agente en producción

El cumplimiento normativo no funciona con un botón mágico. Un agente no pasa de ser una demostración atractiva a tomar decisiones de la noche a la mañana, y cualquier proceso que se salte los pasos intermedios no es algo que quiera tener que explicar más adelante.

En su lugar, lo que se hace es trabajar en paralelo. Tanto el agente como sus analistas gestionan la misma fila de tareas. El analista toma su decisión como de costumbre y luego dedica un par de minutos adicionales a ver qué concluyó el agente y si está de acuerdo. Ese esfuerzo extra puede parecer una carga al principio, pero es clave para el proceso.

Esa comparación constante es su prueba de validez. No un resultado de referencia del proveedor, ni una cifra de precisión teórica del modelo, sino sus propios analistas, con sus tipologías y su cartera real, coincidiendo o discrepando con una decisión específica por razones que usted puede auditar. Solo cuando este nivel de acuerdo es constante y las discrepancias se comprenden del todo, se empieza a delegar el trabajo de forma automática al agente.

Este proceso lleva semanas, no meses, y ofrece resultados reales. MoneyGram utiliza agentes en producción bajo este esquema: las revisiones de alertas de prevención de blanqueo de capitales (L1) que antes tardaban más de 30 minutos ahora se cierran en menos de dos, con el mismo equipo y recibiendo aproximadamente un 45 % menos de falsos positivos.

Es importante entender que la asistencia de la IA no es una concesión para calmar a los directivos más precavidos. Es el único mecanismo que genera las pruebas que exige una decisión en un sector regulado. Usted no pondría en producción un nuevo modelo predictivo sin validarlo antes con sus propios datos. Con un agente ocurre lo mismo, con la diferencia de que el conjunto de validación es el criterio de sus analistas en lugar de un archivo de datos etiquetados.

Qué debe cumplirse antes de dejar que un agente tome una decisión

La barrera aquí es la confianza, no la capacidad técnica. En las conversaciones con los líderes de riesgo, la pregunta que siempre surge de forma espontánea no es "¿puede hacer esto?", sino "¿por qué debería confiar en él?".

Deben cumplirse tres condiciones, que son requisitos prácticos de integración más que debates filosóficos:

Muestra su trabajo. Cada decisión incluye las pruebas que utilizó y el razonamiento que aplicó, guardados junto con la propia decisión en lugar de tener que reconstruirlos después.

La decisión se puede reconstruir en el futuro. No solo resumir, sino reconstruir. Si un auditor pregunta dentro de nueve meses por qué se cerró una alerta específica, usted necesita ver los datos exactamente como estaban en ese momento.

Aprobación humana. Alguien con un nombre y un cargo aprueba la decisión, y esa firma queda registrada.

Como dijo un responsable de cumplimiento: "Tiene que ser defendible ante un auditor". Si su función de gestión de riesgos de modelos evalúa bajo la norma SR 11-7, se aplican los mismos principios para un agente, y las pruebas que le pedirán serán exactamente las anteriores.

Vale la pena saber que esto es ahora una cuestión de criterio y no una regla fija. Cuando la OCC, la Reserva Federal y la FDIC actualizaron la guía de gestión de riesgos de modelos en abril de 2026, dejaron a la IA generativa y basada en agentes explícitamente fuera de su alcance por considerar que estos modelos son "novedosos y evolucionan rápidamente", prometiendo una solicitud conjunta de información sobre el uso de la IA en los bancos. Esa solicitud aún no se ha publicado.

Por lo tanto, no existe un formato estándar todavía. Lo que hay es un auditor que de todas formas le preguntará cómo prueba el agente, cómo lo supervisa y dónde se sitúa el control humano, sin un marco publicado al que usted pueda remitirse. Definir estas tres cosas antes de la implementación es la forma de responder con solidez en lugar de improvisar. La gobernanza de los agentes es un tema más profundo de lo que este artículo puede abarcar y merece un análisis exclusivo.

Capa independiente o plataforma unificada

Ambas opciones de diseño son viables en la práctica, y vale la pena analizar las ventajas y desventajas reales de cada una.

Los agentes de Oscilar pueden funcionar como una capa independiente sobre la infraestructura que ya tiene. Esto es lo que hace posible su adopción a mitad de un contrato vigente: no hay que desmontar nada y los agentes se conectan directamente a sus reglas, flujos de trabajo y gestor de casos actuales.

Utilizarlos en la plataforma unificada cambia una sola cosa, que es justamente el tema central de este artículo. En una pila única, el contexto compartido es automático en lugar de algo que deba diseñar para cada agente. Los agentes ven alertas, casos, decisiones previas e historial como una sola imagen integrada, porque solo existe una única fuente de información.

Empiece con una solución independiente si es lo que sus contratos actuales permiten. Solo tenga claro cuál de los dos problemas está resolviendo en cada momento.

Por dónde empezar si su infraestructura no está lista

La mayoría de los sistemas no están listos al principio, y eso es una condición de partida normal, no un impedimento. Escuchamos el "todo está en Excel" de equipos muy competentes en instituciones financieras de primer nivel.

Siga estos cuatro pasos, en orden:

1. Elija una tarea con límites claros y una referencia humana medible para comparar. La clasificación de alertas suele ser el primer candidato ideal porque las decisiones son frecuentes y ya quedan registradas.

2. Confirme que puede reconstruir una decisión antes de permitir que cualquier otra herramienta tome una. Si hoy no puede hacerlo con una decisión humana, un agente no resolverá ese problema.

3. Póngalo a funcionar en paralelo antes de delegarle cualquier tarea de forma automática.

4. Defina al responsable humano antes de la puesta en marcha, no después de la primera discrepancia.

Ninguno de estos pasos requiere realizar una compra y vale la pena implementarlos sin importar qué agentes decida utilizar en el futuro. Si quiere ver qué hacen los agentes una vez resuelta la conexión técnica, puede consultar la demostración de Agent Hub.

Preguntas frecuentes

¿Qué es la integración de agentes de IA?

La integración de un agente de IA consiste en conectarlo con los datos, el flujo de trabajo y la supervisión de los sistemas que la institución ya utiliza, de modo que tenga suficiente visibilidad para decidir, actúe donde se realiza el trabajo y rinda cuentas de los resultados. En el ámbito del riesgo, se diferencia de la simple conexión de APIs a aplicaciones comerciales porque las decisiones de riesgo deben ser explicables y reconstruibles, no solo generadas de forma automática.

¿Se pueden integrar los agentes de IA con los sistemas de riesgo existentes de una institución?

Sí. Los agentes pueden funcionar como una capa independiente sobre la infraestructura existente, conectándose a las reglas, flujos de trabajo y herramientas de gestión de casos que ya se utilizan. El requisito no es adquirir software nuevo, sino proporcionar accesos suficientes: el agente necesita contexto para decidir, límites claros, un lugar donde registrar sus resultados, una forma de compararse con las decisiones humanas y un responsable asignado.

¿Cómo integran los bancos los agentes de IA con sus plataformas bancarias principales (core) heredadas?

Por lo general, sin alterar el núcleo del sistema. El agente lee los datos de la capa que ya centraliza la información del sistema principal y escribe de vuelta en el gestor de casos o sistema de flujos de trabajo que utilizan los analistas. De este modo, el núcleo del sistema sigue siendo una fuente de consulta y no un objetivo de integración compleja. Esto reduce al mínimo el impacto del cambio, lo que suele facilitar la aprobación del proyecto.

¿Es necesario reemplazar su plataforma de riesgo para utilizar agentes de IA?

No. Los agentes se pueden implementar sobre los sistemas que ya tiene en funcionamiento, lo que hace viable el proyecto incluso con contratos vigentes. Utilizarlos en una plataforma unificada les otorga un contexto compartido de manera automática en lugar de hacerlo agente por agente, pero esto es una optimización, no un requisito indispensable.

¿Cómo se gestionan la revisión humana, la auditabilidad y el rendimiento de los agentes?

A través de tres mecanismos: un historial de auditoría que guarda las pruebas y el razonamiento de cada decisión, un paso de aprobación humana que forma parte del registro y la comparación continua de las decisiones del agente con las de los expertos humanos. Las instituciones financieras bajo supervisión regulatoria de riesgo de modelos deben tratar a los agentes como a cualquier otro modelo en producción: validándolos antes de su despliegue y supervisándolos de forma continua.