Última actualización: enero de 2026

Los líderes tecnológicos de los bancos se encuentran en un dilema conocido: McKinsey estima que la IA podría aportar entre 200 000 y 340 000 millones de dólares en valor anual al sector bancario mundial, lo que equivale a entre el 9 % y el 15 % de los beneficios operativos. La visión de la consultora sobre un Banco del futuro impulsado por IA es atractiva: toma de decisiones en tiempo real, agentes autónomos y un servicio hiperpersonalizado. Sin embargo, según un estudio del MIT de agosto de 2025, el 95 % de los proyectos piloto de IA en empresas no logran ofrecer ningún impacto financiero medible. La mayoría de los bancos están atrapados en lo que el sector denomina "el purgatorio de los pilotos", realizando docenas de experimentos aislados que nunca llegan a escalar.

La opinión generalizada dice que la única salida es una transformación de tipo "romper y reemplazar": desmantelar el sistema central heredado, reconstruir desde cero, aceptar ciclos de contratación de 18 meses y presupuestos de ocho cifras. Pero este enfoque es paralizante y erróneo.

Existe otro camino. Los bancos pueden captar entre el 70 % y el 80 % del valor potencial de la IA centrándose en un número reducido de subdominios de alto impacto y desplegando una infraestructura de IA moderna junto a los sistemas heredados, en lugar de intentar reemplazos del sistema central que duren varios años.

Este artículo analiza ese camino. Se basa en el marco del Banco del futuro impulsado por IA de McKinsey & Company, que posiciona a la IA como una infraestructura horizontal que abarca la captación de clientes, la toma de decisiones, la tecnología central y los modelos operativos. Partiendo de esa base, el enfoque aquí es la ejecución: cómo los bancos pueden poner en práctica esta visión bajo una supervisión regulatoria real, las limitaciones de los sistemas heredados y los requisitos de gestión de riesgos.

Los profesionales con amplia experiencia en la creación de sistemas de datos en tiempo real dentro de grandes instituciones financieras observan sistemáticamente la misma brecha: aunque los bancos invirtieron mucho en agilizar el flujo de datos, no modernizaron la toma de decisiones de riesgo una vez que llegan esos datos. El resultado es una proliferación de herramientas aisladas, canalizaciones inestables y flujos de trabajo humanos lentos, precisamente en el momento en que los defraudadores coordinan ataques a lo largo de todo el recorrido del cliente.

Resumen ejecutivo

• Los bancos están atrapados en el "purgatorio de los pilotos". La adopción de la IA se estanca porque la toma de decisiones de riesgo sigue estando aislada, la contratación es lenta y los modelos de gobernanza se crearon para sistemas deterministas (no autónomos o basados en agentes).

• No es necesario reemplazar el sistema central. Los bancos pueden captar entre el 70 % y el 80 % del valor de la IA implementando una plataforma de toma de decisiones unificada y en tiempo real sobre los sistemas heredados.

• El retorno de inversión (ROI) más rápido está en la capa de decisión. Los casos de uso de fraude, prevención de blanqueo de capitales (AML), crédito y cumplimiento, especialmente el modo espejo (shadow mode), los agentes de asistencia al analista y los filtros de AML, ofrecen beneficios rápidos y de bajo riesgo.

• El progreso proviene de "estrategias de entrada viables". Despliegues pequeños y acotados que funcionan junto a los sistemas existentes permiten a los bancos demostrar el valor, cumplir con la gestión de riesgos de modelos y escalar de forma segura.

• La gobernanza acelera la adopción. La explicabilidad, los controles con intervención humana, las pistas de auditoría y las torres de control de IA permiten un despliegue más rápido al tiempo que se mantiene el cumplimiento normativo.

  
  

Parte I: El contexto estratégico

Por qué los sistemas heredados no pueden mantener el ritmo

El típico banco de primer nivel funciona con una infraestructura diseñada para otra época. Los datos de los clientes se encuentran en silos fragmentados: bases de datos independientes para tarjetas de crédito, hipotecas, ahorros y gestión de patrimonio. Crear una visión unificada y en tiempo real de cualquier cliente requiere conectar sistemas que nunca fueron diseñados para comunicarse entre sí. La lógica de toma de decisiones a menudo está programada en sistemas centrales o bloqueada dentro de "cajas negras" de proveedores, lo que convierte incluso los cambios sencillos de reglas en un proceso de ingeniería de varias semanas. En la práctica, esto suele significar que un cliente puede fallar la verificación de identidad durante el registro y, aun así, ser aprobado para un crédito o pagos instantáneos minutos después, simplemente porque esos sistemas nunca comparten señales.

Esta arquitectura se optimizó para la estabilidad en un mundo donde el fraude se movía a velocidad humana. Hoy en día, los atacantes evalúan los flujos de registro, prueban los canales de pago y explotan los sistemas de crédito en secuencias coordinadas, a menudo en cuestión de minutos. El Servicio FedNow, que ya cuenta con más de 1400 instituciones financieras participantes, y las redes de criptomonedas estables (stablecoins) exigen una liquidación instantánea. Los defraudadores utilizan la IA generativa para lanzar ataques a velocidad de máquina. Los clientes esperan de su banco la misma rapidez de respuesta que obtienen de su servicio de streaming. Un sistema que se actualiza de un día para otro no puede defenderse de amenazas que evolucionan en minutos.

Cuando los sistemas de riesgo operan de forma independiente, cada uno ve solo un fragmento del ataque. Lo que parece inofensivo de forma aislada se vuelve evidente solo cuando las señales se evalúan en conjunto y en tiempo real.

El plan de McKinsey

El marco del Banco del futuro impulsado por IA de McKinsey propone tratar la IA no como un conjunto de casos de uso aislados, sino como una infraestructura horizontal que abarca cuatro capas de la organización: Captación, Toma de decisiones, Tecnología central y datos, y Modelo operativo.

El marco es acertado en su dirección. El desafío al que se enfrentan los bancos no es entender el destino, sino sortear las limitaciones (aprobación regulatoria, gestión de riesgos de modelos, integración de sistemas heredados y seguridad operativa) necesarias para alcanzarlo.

La capa de captación gestiona las interfaces de atención al cliente: interacciones multidimensionales a través de voz, texto e imagen, respaldadas por "gemelos digitales" que simulan el comportamiento del cliente y permiten un servicio personalizado y proactivo. La capa de toma de decisiones es donde los datos se convierten en acción: los agentes de IA y los copilotos realizan análisis en tiempo real, coordinan flujos de trabajo complejos y logran lo que McKinsey proyecta como un aumento de productividad de entre el 20 % y el 60 %. La capa de tecnología central y datos proporciona la base: arquitecturas de datos unificadas que eliminan los silos, bases de datos vectoriales que permiten búsquedas semánticas en datos no estructurados y canales de LLM para gestionar los ciclos de vida de los modelos. La capa del modelo operativo organiza a las personas: equipos multidisciplinares, "torres de control" de IA para la gobernanza y estructuras de responsabilidad centradas en los resultados más que en la finalización de proyectos.

El marco es coherente. El problema es la ejecución.

Por qué los bancos se paralizan

Los líderes bancarios se enfrentan a tres barreras estructurales cuando intentan pasar de la visión a la implementación. Una encuesta de BCG reveló que solo el 25 % de las instituciones han integrado capacidades de IA en su estrategia de negocio; el otro 75 % sigue atrapado en pilotos y pruebas de concepto aislados.

La primera barrera es la contratación. La frase "infraestructura de IA" suele activar ciclos de solicitud de propuestas (RFP) de 18 meses que implican a los departamentos de compras, legal y cumplimiento. En un panorama tecnológico que evoluciona tan rápido, las soluciones seleccionadas al inicio de dichos procesos pueden quedar obsoletas antes de su despliegue. Muchas instituciones intentan compensarlo creando canales personalizados a nivel interno, reuniendo complejos sistemas de transmisión, reglas y análisis que requieren grandes equipos de ingeniería solo para mantenerse en funcionamiento. Para la mayoría de los bancos, este enfoque es económicamente insostenible.

La segunda es la gobernanza. Los marcos de gestión de riesgos de modelos se diseñaron para modelos estáticos y deterministas. Los sistemas generativos y basados en agentes introducen un comportamiento probabilístico que debe gobernarse de forma continua (mediante la explicabilidad, el análisis de origen y la supervisión del rendimiento en directo) en lugar de mediante aprobaciones puntuales.

La tercera es el control. Los bancos desconfían, con razón, de las propuestas de "transformación" que exigen delegar la lógica de toma de decisiones en terceros. Sus políticas de riesgo y el conocimiento de sus clientes son propiedad intelectual. Ceder el control de esa lógica a los proveedores desvirtúa la propuesta de valor.

Estas barreras explican la brecha entre el entusiasmo y la acción. La solución radica en replantear la tarea: no como una transformación total, sino como una serie de despliegues acotados que demuestren el valor y desarrollen la capacidad institucional.

La magnitud de la transformación que se avecina

Lo que está en juego es cada vez más evidente. Un informe de Citigroup reveló que el 54 % de los puestos de trabajo en el sector bancario tienen un alto potencial de automatización, con un 12 % adicional que podría verse potenciado por la IA. Según Bloomberg Intelligence, los bancos mundiales recortarán hasta 200 000 puestos de trabajo en los próximos tres a cinco años a medida que la IA asuma tareas que actualmente realizan trabajadores humanos. El banco DBS de Singapur ya ha anunciado planes para reducir su plantilla en 4000 puestos durante tres años a medida que la IA asuma funciones, al tiempo que despliega más de 800 modelos de IA en 350 casos de uso.

Sin embargo, la investigación de Accenture sugiere que la oportunidad supera a la disrupción: la productividad podría aumentar entre un 20 % y un 30 % y los ingresos un 6 % para los bancos que realicen una implementación eficaz. La pregunta no es si hay que transformarse, sino cómo hacerlo sin destruir la estabilidad operativa.

Parte II: Cinco estrategias de entrada viables

El marco de McKinsey define cómo es un banco diseñado para la IA. Lo que no prescribe es cómo las instituciones reguladas pueden avanzar hacia ese futuro de forma progresiva, sin exponer a los clientes, los reguladores o los balances a un riesgo inaceptable. Las siguientes "estrategias de entrada viables" reflejan patrones de ejecución observados en despliegues reales donde los bancos demostraron primero el valor y luego escalaron de forma segura.

Las siguientes "estrategias de entrada viables" son patrones de ejecución observados en despliegues reales que permiten a los bancos avanzar hacia el Banco del futuro impulsado por IA de forma progresiva.

Una estrategia de entrada consiste en una implementación específica que introduce una infraestructura de IA moderna junto a los sistemas heredados sin necesidad de un reemplazo total. Las siguientes cinco estrategias ofrecen diferentes perfiles de riesgo y aplicabilidad inmediata para los líderes de riesgo y cumplimiento.

Estrategia 1: Toma de decisiones en modo espejo (shadow mode)

El problema: Los bancos dudan a la hora de desplegar nuevos modelos de IA directamente en producción porque el coste de un error es alto. Un falso positivo bloquea a un cliente legítimo. Un falso negativo permite un fraude. Cualquiera de los dos resultados desencadena el escrutinio regulatorio y la pérdida de clientes.

La solución: El modo espejo ejecuta un nuevo motor de toma de decisiones de IA en paralelo con el sistema heredado. Ambos sistemas reciben los mismos datos de producción en tiempo real. Ambos toman decisiones. Solo se ejecutan las decisiones del sistema heredado. Las decisiones del sistema de IA se registran para su comparación.

Cómo funciona: Los flujos de datos de transacciones y clientes se duplican, a menudo a través de pasarelas de API o plataformas de transmisión de eventos como Kafka. Un flujo alimenta el motor de reglas heredado y el otro alimenta la plataforma de IA. Los analistas de riesgos comparan las decisiones con los resultados reales. Cuando el sistema de IA detecta una red de fraude que el sistema heredado pasó por alto, eso demuestra su valor. Cuando el sistema de IA habría bloqueado a un cliente legítimo, representa una oportunidad de ajuste.

Por qué funciona: El modo espejo consiste básicamente en realizar pruebas retrospectivas y prospectivas con datos reales sin ningún riesgo para la producción. Genera el registro empírico que exigen los comités de gestión de riesgos de modelos. Una vez que el sistema de IA supera sistemáticamente al heredado, el banco puede hacer el cambio o aumentar gradualmente el tráfico mediante un despliegue controlado (canary deployment). De igual importancia, permite una validación continua. Los equipos de riesgo pueden medir los falsos positivos, los falsos negativos y las desviaciones a lo largo del tiempo, alineándose mucho más con las expectativas de los reguladores sobre cómo deben gobernarse los sistemas de IA.

Nivel de riesgo: Bajo. Sin impacto en el cliente hasta que el banco decida actuar en función de los resultados.

Estrategia 2: Agentes de asistencia al analista (clasificación de nivel 1)

El problema: Los equipos de riesgo y cumplimiento dedican la mayor parte de su tiempo a tareas mecánicas: recopilar datos, cambiar de paneles y descartar falsos positivos evidentes en lugar de aplicar su criterio profesional. Los sistemas heredados de supervisión de transacciones generan tasas de falsos positivos que superan el 90 % o 95 %. Los costes globales de cumplimiento de AML superan ya los 274 000 millones de dólares anuales, y gran parte de esta cifra se destina a gestionar alertas de baja calidad en lugar de capturar a delincuentes. Los analistas humanos dedican la mayor parte de su tiempo a la clasificación de nivel 1 (L1): recopilar datos, copiar información entre pantallas y descartar falsas alarmas evidentes.

La solución: Desplegar agentes de IA para realizar la recopilación de datos y el análisis preliminar. El agente no sustituye al analista, sino que prepara el expediente del caso.

Cómo funciona: Cuando se activa una alerta, un "Agente de Investigación" consulta automáticamente las bases de datos internas, las listas de vigilancia externas y las fuentes abiertas pertinentes. Sintetiza los hallazgos en un informe del caso en lenguaje natural que explica por qué se activó la alerta y recomienda una resolución. El analista revisa el trabajo preparado en lugar de empezar desde una pantalla en blanco.

Por qué funciona: Los casos de estudio sugieren que este enfoque reduce el tiempo de revisión manual en un 75 % y permite a los analistas principiantes rendir a niveles de analistas experimentados. La intervención humana se mantiene para la decisión final, lo que preserva la gobernanza al tiempo que mejora la eficiencia. Los despliegues más eficaces tratan a la IA como una capa de asistencia. Los agentes recopilan el contexto, clasifican las alertas y redactan los informes, pero las personas conservan la autoridad de decisión, respaldadas por pistas de auditoría completas y explicaciones claras.

Nivel de riesgo: Bajo a medio. Los humanos conservan la autoridad de decisión; la IA gestiona la agregación de datos.

Estrategia 3: Productos nuevos (criptomonedas estables y criptoactivos)

El problema: Los bancos que se adentran en las criptomonedas estables, los depósitos tokenizados o la custodia de criptoactivos se enfrentan a un desfase temporal. Estos activos operan en redes de cadena de bloques (blockchain) que funcionan las 24 horas del día, los 7 días de la semana, con liquidación instantánea. La Ley GENIUS, aprobada en julio de 2025, estableció el primer marco regulatorio federal para las criptomonedas estables de pago, exigiendo a los organismos bancarios federales que adopten normas exhaustivas antes de julio de 2026. Los sistemas tradicionales de riesgo bancario diseñados para liquidaciones en 48 horas (T+2) no pueden gestionar el riesgo a la velocidad de la cadena de bloques.

La solución: Crear una estructura de riesgo nativa de IA específicamente para las nuevas líneas de productos. Al tratarse de despliegues nuevos, no hay ningún sistema heredado que sustituir.

Cómo funciona: Implementar una plataforma capaz de tomar decisiones en menos de 100 milisegundos para adaptarse a la velocidad de la cadena de bloques. Integrar tanto los datos financieros tradicionales (KYC, transferencias bancarias) como los datos de la cadena de bloques (direcciones de carteras, gráficos de transacciones) para detectar redes de blanqueo que conectan ambos mundos. Utilizar agentes de IA para aplicar las reglas automáticamente, como el bloqueo de transferencias a direcciones de carteras sancionadas en tiempo real.

Por qué funciona: Los nuevos productos ofrecen "seguridad desde el diseño". El éxito de estas iniciativas crea una arquitectura de referencia y una experiencia interna que facilita la posterior migración de las líneas de negocio heredadas a una infraestructura moderna.

Nivel de riesgo: Medio. Riesgo asociado al nuevo producto, pero sin riesgo de migración de sistemas heredados.

Estrategia 4: Generación de reglas a partir de lenguaje natural

El problema: En los bancos tradicionales, cambiar una regla de riesgo requiere que un responsable de riesgos documente la lógica, la entregue al departamento de TI, espere a un ciclo de desarrollo y luego espere a las pruebas. El proceso de traducción entre la intención del negocio y el código tarda días o semanas. Los defraudadores actúan en minutos.

La solución: Las plataformas modernas de IA permiten a los usuarios sin conocimientos técnicos crear y probar reglas utilizando lenguaje natural. Un responsable de riesgos escribe: "Marcar todas las transacciones de más de 5000 $ procedentes de direcciones IP en jurisdicciones de alto riesgo si la cuenta tiene menos de 30 días de antigüedad". La IA traduce esto en una lógica ejecutable.

Cómo funciona: El responsable de riesgos introduce la regla deseada a través de una interfaz de chat. El agente de IA generativa traduce la indicación en código de toma de decisiones. El agente ejecuta inmediatamente una simulación (utilizando el modo espejo) para mostrar el impacto en los datos históricos: "Esta regla habría detectado 50 casos de fraude, pero habría activado 200 falsos positivos la semana pasada". Una vez validada, la regla se despliega en producción sujeta a la aprobación de gobernanza.

Por qué funciona: Al eliminar el cuello de botella de TI, los equipos de riesgo pueden responder a las amenazas en tiempo real. Los equipos de negocio obtienen un control directo sobre sus herramientas al tiempo que se mantienen dentro de los marcos de gobernanza.

Nivel de riesgo: Bajo con una gobernanza adecuada. La simulación evita el despliegue de reglas mal ajustadas.

Estrategia 5: Reducción de falsos positivos en AML

El problema: La prevención del blanqueo de capitales (AML) suele ser la función de cumplimiento más costosa y menos eficiente. Los sistemas de supervisión de transacciones basados en reglas ("marcar cualquier depósito en efectivo superior a 10 000 $") generan enormes colas de alertas con tasas de falsos positivos del 95 % al 98 %.

La solución: Desplegar un filtro de IA que realice una segunda evaluación de las alertas procedentes del sistema heredado. El sistema central de supervisión de transacciones se mantiene intacto.

Cómo funciona: El sistema de supervisión tradicional genera alertas basadas en reglas regulatorias. Estas alertas pasan a un agente de IA que analiza miles de variables adicionales: patrones de comportamiento, conexiones de red, identificadores de dispositivos. La IA identifica las alertas que son claramente falsos positivos y las cierra automáticamente con una justificación documentada para su auditoría. Solo las alertas de alto riesgo llegan a los investigadores humanos. El impacto proviene principalmente del contexto, más que de algoritmos novedosos. Al evaluar conjuntamente las señales de registro, comportamiento, transacción y red, los patrones que antes eran invisibles se vuelven evidentes.

Por qué funciona: Es una mejora pura sin sustitución del sistema central. Los análisis comparativos del sector sugieren una reducción del 40 % al 70 % en la carga de trabajo manual. El cálculo del ROI es lo suficientemente claro como para convencer a la dirección financiera.

Nivel de riesgo: Bajo a medio. Requiere una documentación rigurosa de las razones de la desestimación para el proceso de auditoría.

Parte III: Casos de éxito reales

Durante la última década, las instituciones financieras invirtieron mucho en infraestructuras de datos en tiempo real: transmisión de eventos, API y canales más rápidos. Sin embargo, muchas se toparon con la misma limitación: aunque los datos llegaban cada vez más rápido, las decisiones de riesgo a menudo no lo hacían.

Los equipos acumularon sistemas fragmentados, optimizados de forma aislada. Algunos intentaron crear capas de decisión personalizadas sobre plataformas de datos modernas, solo para descubrir que mantener la precisión, la explicabilidad y el cumplimiento a gran escala requería mucho más esfuerzo de ingeniería del previsto.

Esto no fue exclusivo de los bancos. Las empresas de tecnología financiera (fintechs) se enfrentaron a una fragmentación y a unas tasas de falsos positivos similares. La diferencia radicaba en las limitaciones operativas. Las fintechs se vieron obligadas a iterar rápidamente porque la ineficiencia se traducía de inmediato en pérdidas o fricciones para el cliente. Los bancos operaban bajo requisitos más estrictos de estabilidad, auditabilidad y confianza regulatoria.

Lo que surge es una imagen más clara de dónde aporta la IA un valor fiable hoy en día: en la toma de decisiones internas (detección de fraudes, clasificación de AML y procesamiento de documentos). Esto produce resultados medibles porque los resultados se pueden verificar, revisar y mejorar continuamente. Por el contrario, los sistemas de IA que interactúan directamente con los clientes o toman decisiones financieras irreversibles requieren una mayor precaución y controles más sólidos.

Los siguientes ejemplos reflejan lo que hemos observado a través de la implementación de la plataforma de toma de decisiones de riesgo de IA de Oscilar, ilustrando cómo las instituciones han aplicado estas lecciones en la práctica, adoptando una toma de decisiones unificada y supervisión humana de forma progresiva para aprovechar las ventajas de la agilidad sin asumir riesgos operativos o regulatorios adicionales.

MoneyGram, SoFi y Nuvei: Consolidación de la toma de decisiones bajo gobernanza

MoneyGram, SoFi y Nuvei ilustran una limitación común a gran escala: incluso con una infraestructura de datos moderna, la toma de decisiones de riesgo a menudo va por detrás de la velocidad del movimiento del dinero.

MoneyGram opera una red de pagos global que abarca miles de canales y jurisdicciones. A medida que se expandió hacia la liquidación instantánea y los activos digitales, los sistemas de riesgo orientados a lotes se volvieron cada vez más difíciles de adaptar. 

En lugar de sustituir los sistemas existentes, MoneyGram consolidó las decisiones de fraude, AML y registro en una única capa de decisión. Las nuevas reglas y modelos se evaluaron en modo espejo junto con los controles existentes, lo que permitió a los equipos medir el impacto en datos reales antes de realizar cualquier cambio en producción. Esto facilitó una toma de decisiones en tiempo real adecuada para iniciativas de criptomonedas estables, al tiempo que se preservaba la disciplina operativa. Los equipos informaron de una reducción de hasta el 70 % en el tiempo de migración de datos y de la capacidad de desarrollar la lógica de riesgo de forma continua sin interrumpir los flujos de trabajo de producción.

SoFi experimentó una dinámica similar desde un punto de partida diferente. Al operar en las áreas de préstamos, fraude y cobros, los cambios de políticas a menudo dependían de los tiempos de desarrollo de ingeniería y de herramientas fragmentadas. Al centralizar la lógica de decisión y permitir la experimentación controlada, SoFi redujo el tiempo de comercialización de nuevas estrategias de riesgo en aproximadamente un 50 % y mejoró la velocidad de procesamiento en más del 30 %, manteniendo al mismo tiempo una supervisión coherente en todos los productos.

En entornos de pago como el de Nuvei, la misma arquitectura admite decisiones de riesgo inmediatas bajo estrictas limitaciones de latencia, donde el coste del error es inmediato (ya sea como pérdida por fraude o fricción con el cliente), lo que hace que las pruebas en modo espejo y las rutas de derivación claras sean esenciales.  Como señaló Daniel Hough, director de Riesgos y Suscripción de Nuvei: “Nuestra solución anterior simplemente no ofrecía la funcionalidad avanzada que necesitábamos: IA, automatización o herramientas para realizar recomendaciones complejas más allá de los conjuntos de reglas básicos. Oscilar nos brinda la flexibilidad y la inteligencia para gestionar nuestra cartera de formas completamente nuevas, y eso es muy importante para nosotros”.

La lección: unificar la toma de decisiones, validar la precisión con intervención humana y luego ampliar el alcance.

Flexcar, Dibsy y Fluz: Reducción de falsos positivos mediante un contexto compartido

En las implementaciones con Flexcar, Dibsy y Fluz surgieron problemas similares desde el principio: un elevado número de falsos positivos, retrasos en las revisiones manuales y señales de riesgo desconectadas. Las mejoras se lograron al evaluar las señales de forma conjunta y agilizar los ciclos de retroalimentación, manteniendo al mismo tiempo la responsabilidad humana.

• Flexcar redujo a la mitad las tasas de riesgo y eliminó las pérdidas de activos al coordinar las comprobaciones de identidad, comportamiento y transacciones en un único flujo de decisión, con revisores humanos que supervisan los casos complejos.

• Dibsy logró una reducción del fraude de aproximadamente el 80 % al tiempo que aceleró cinco veces el registro de comercios, al evaluar el riesgo de registro y de transacción de manera integral en lugar de utilizar herramientas independientes.

• Fluz redujo las revisiones manuales en aproximadamente un 90 % y aumentó las tasas de aprobación en cerca de un 20 %, trasladando la clasificación de alertas y la recopilación de contexto a flujos de trabajo automatizados, mientras que las decisiones finales se mantuvieron en manos de revisores humanos.

Estos resultados reflejan los ámbitos donde la IA ofrece un mejor rendimiento: la toma de decisiones internas y el soporte al analista, donde los resultados se pueden medir, auditar y mejorar continuamente.

Clara, Cashco y Parker: Autonomía para los equipos de riesgo sin depender de ingeniería

En las operaciones de suscripción y cumplimiento, los retrasos suelen deberse menos a la calidad del modelo que a los tiempos de espera del departamento de ingeniería. Los cambios en la lógica de decisión pueden tardar semanas, lo que limita la capacidad de respuesta a las condiciones del mercado.

Las implementaciones con Clara, Cashco y Parker muestran cómo se puede abordar esta limitación sin perder el control. Al permitir que los equipos de riesgo configuren, prueben e iteren directamente en la lógica de decisión (dentro de límites establecidos y con pistas de auditoría completas), las organizaciones redujeron considerablemente los ciclos de iteración.

Clara informó de un registro tres veces más rápido, un rendimiento entre tres y cuatro veces mayor sin personal adicional y un rendimiento constante de los niveles de servicio (SLA) durante el crecimiento. Cashco y Parker observaron efectos similares: despliegues de suscripción en días en lugar de semanas, reducciones del volumen de trabajo acumulado de aproximadamente el 70 % y tiempos de procesamiento un 40 % más rápidos.

Para los bancos, este patrón reduce la dependencia de los escasos recursos de ingeniería al tiempo que preserva la explicabilidad y el control.

TransPecos Banks: Modernización progresiva bajo supervisión regulatoria

TransPecos Banks, un banco comunitario centenario que colabora con múltiples socios de banca como servicio (BaaS), se enfrentaba a una creciente complejidad en materia de AML sin la posibilidad de ampliar la plantilla ni la exposición regulatoria. 

En lugar de sustituir los sistemas centrales, TransPecos centralizó la toma de decisiones de AML y la gestión de casos manteniendo los controles existentes. La clasificación de alertas, las investigaciones y la preparación de informes de actividad sospechosa (SAR) se unificaron, y los profesionales humanos conservaron la autoridad final sobre cada decisión de presentación.

El impacto operativo incluyó:

• Reducción del 40 % en los costes de operaciones de AML

• Reducción del 70 % en el tiempo de revisión de alertas

• Reducción del 80 % en el tiempo de gestión de SAR

• Más de 3 millones de dólares en ahorros anuales proyectados

Igual de importante fue el impacto durante las inspecciones regulatorias. Los equipos demostraron un seguimiento completo de los procesos y su origen (desde la alerta hasta la presentación de informes) dentro de un único sistema, eliminando la conciliación retroactiva entre múltiples herramientas.

Un inspector señaló: "Esta es la supervisión de gestión de riesgos más clara que hemos visto en un banco de su tamaño". Cuando la IA realiza el trabajo mecánico con una documentación completa y los humanos aplican su criterio en las decisiones críticas, el cumplimiento normativo se vuelve más sólido, no más complejo.

Qué demuestran estos despliegues

En redes globales, fintechs y bancos comunitarios se observan patrones consistentes:

• La IA ofrece un valor inmediato en la detección de fraudes, la clasificación de AML y el procesamiento de documentos, donde los resultados se pueden verificar y revisar.

• Los mayores beneficios se obtienen en la capa de decisión, no en la automatización de la atención al cliente.

• El progreso seguro se basa en el modo espejo, resultados medibles y controles con intervención humana.

• La toma de decisiones unificada reduce los falsos positivos y la carga operativa sin aumentar el riesgo.

La línea divisoria no está entre bancos y fintechs, ni entre velocidad y seguridad. Está entre las organizaciones que tratan la IA como un sistema de aprendizaje controlado integrado en la infraestructura de decisión y aquellas que la despliegan como una colección de herramientas inconexas.

Los bancos pueden adoptar los mismos principios de arquitectura (toma de decisiones unificada, ciclos de retroalimentación rápidos y responsabilidad humana clara) implementándolos de forma progresiva bajo una supervisión regulatoria completa. 

En las operaciones de riesgo reguladas, la iteración disciplinada con explicabilidad y auditabilidad supera sistemáticamente a la experimentación sin límites de control.

Parte IV: La gobernanza como motor

In regulated domains, governance is not a constraint on AI adoption — it is the mechanism that makes adoption possible. AI systems that influence credit, fraud, or compliance outcomes must be explainable, auditable, and continuously monitored. Institutions that treat governance as living infrastructure, rather than static documentation, consistently move faster than peers.

Haciéndose eco del énfasis de McKinsey en los modelos operativos de plataformas y la gobernanza centralizada, los bancos deberían establecer una Torre de Control de IA. Para que los agentes de IA operen en producción, especialmente en ámbitos regulados como el crédito y la prevención del blanqueo de capitales (AML), deben ser explicables. Cada decisión requiere una justificación clara y comprensible para las personas. La Ley de IA de la UE, que entró en vigor en agosto de 2024 y cuya aplicación completa está prevista para agosto de 2026, clasifica los sistemas de IA utilizados para la evaluación crediticia como de "alto riesgo" e introduce salvaguardias adicionales. La Autoridad Bancaria Europea no ha encontrado contradicciones significativas entre la Ley de IA y la legislación bancaria existente, lo que sugiere que los marcos actuales pueden adaptarse a la IA con cierto esfuerzo de integración.

La Torre de Control actúa como un control de tráfico aéreo para la IA del banco: supervisa el rendimiento, los sesgos y las desviaciones en tiempo real; aplica el nivel de riesgo aceptable y los requisitos regulatorios; y garantiza que las innovaciones exitosas se escalen en toda la empresa.

Una supervisión eficaz requiere algo más que comités de aprobación. Exige un control en tiempo real de la precisión, las desviaciones y las tasas de intervención humana, de modo que los problemas se detecten de inmediato y no meses después, durante las auditorías.

La fase de ejecución ha comenzado

La parálisis que afecta a muchos líderes de tecnología y riesgos bancarios proviene de una idea errónea: que la modernización requiere un peligroso proceso de "romper y reemplazar" el sistema central. La realidad apunta a un camino diferente.

El marco del Banco del futuro impulsado por IA de McKinsey identifica correctamente el estado final de la arquitectura; las estrategias presentadas aquí muestran cómo los bancos pueden alcanzar ese estado de manera pragmática, sin detener las operaciones ni ceder el control de la lógica de toma de decisiones. Los bancos pueden implementar hoy mismo una infraestructura inteligente basada en agentes sobre los sistemas heredados. Empiece con el modo espejo para demostrar la seguridad. Despliegue agentes de asistencia al analista para aliviar la presión operativa inmediata. Aproveche las nuevas oportunidades como las criptomonedas estables para crear estructuras de riesgo nativas de la nube desde cero.

La estrategia para los líderes de riesgo: ser propietarios de la infraestructura en lugar de delegar la lógica de decisión en soluciones puntuales de terceros. Comience con la capa de decisión, donde se encuentran aumentos de productividad del 20 % al 60 % y reducciones inmediatas del riesgo. Rediseñe dominios completos de extremo a extremo en lugar de realizar pruebas piloto de herramientas de forma aislada. Exija capacidad de acción a su IA: sistemas que planifiquen, dirijan y ejecuten, no solo chatbots que recuperen información. Utilice el modo espejo y herramientas de lenguaje natural para acelerar la innovación manteniendo la supervisión regulatoria.

Según una investigación de BCG, los agentes de IA ya representan el 17 % del valor total de la IA en 2025 en todos los sectores, y se prevé que alcancen el 29 % en 2028. Los bancos que ejecuten esto no serán simplemente más rápidos. Serán instituciones fundamentalmente diferentes: capaces de analizar en tiempo real, adaptarse instantáneamente a nuevas amenazas y atender a los clientes con un nivel de personalización y seguridad que los sistemas de procesamiento por lotes no pueden igualar.

Durante los próximos cinco años, la línea divisoria no estará entre los bancos que "usan IA" y los que no. Estará entre las instituciones que tratan la toma de decisiones impulsada por IA como infraestructura central y aquellas que continúan añadiéndola de forma superficial en áreas secundarias.

El plan de acción ya existe. Las herramientas están disponibles. La pregunta ya no es si la IA transformará la banca, sino qué instituciones se transformarán primero. Los bancos que no puedan analizar y actuar en tiempo real a lo largo de todo el recorrido del cliente no solo se quedarán atrás, sino que corren el riesgo de perder su relevancia operativa.

Apéndice: Guía de selección de estrategias