Última actualización: enero de 2026

Los líderes tecnológicos del sector bancario se encuentran en un dilema familiar: McKinsey estima que la IA podría agregar entre 200 mil millones y 340 mil millones de dólares de valor anual al sector bancario global, equivalente al 9 al 15 por ciento de las ganancias operativas. La visión de la consultora de un Banco de IA del futuro es atractiva: decisiones en tiempo real, agentes autónomos, servicio hiperpersonalizado. Sin embargo, según un estudio del MIT de agosto de 2025, el 95% de los pilotos de IA empresarial no logran entregar un impacto financiero medible. La mayoría de los bancos están atrapados en lo que la industria ha llegado a llamar "purgatorio de pilotos," realizando docenas de experimentos aislados que nunca escalan.

La sabiduría convencional dice que la única salida es la transformación "arrancar y reemplazar": arrancar el núcleo heredado, reconstruir desde cero, aceptar ciclos de adquisición de 18 meses y presupuestos de ocho cifras. Pero esta narrativa es tanto paralizante como incorrecta.

Existe un camino diferente. Los bancos pueden capturar el 70-80 por ciento del valor potencial de la IA concentrándose en un pequeño número de subdominios de alto impacto y desplegando infraestructura moderna de IA junto a sistemas heredados, en lugar de intentar reemplazos centrales de varios años.

Este artículo examina ese camino. Se basa en el marco Banco de IA del futuro de McKinsey & Company, que posiciona a la IA como infraestructura horizontal abarcando el compromiso con el cliente, la toma de decisiones, la tecnología central y los modelos operativos. Tomando ese plano como dado, el enfoque aquí es la ejecución: cómo los bancos pueden operacionalizar esta visión bajo un escrutinio regulatorio real, restricciones de sistemas heredados y requisitos de gestión de riesgos.

Los practicantes con experiencia profunda en la construcción de sistemas de datos en tiempo real dentro de grandes instituciones financieras observan consistentemente la misma brecha: mientras los bancos invirtieron fuertemente en mover datos más rápido, no modernizaron cómo se toman las decisiones de riesgo una vez que esos datos llegan. El resultado es una proliferación de herramientas aisladas, tuberías frágiles y flujos de trabajo humanos lentos, precisamente en el momento en que los defraudadores están coordinando ataques a lo largo de todo el recorrido del cliente.

Resumen

• Los bancos están atrapados en el “purgatorio de pilotos.” La adopción de IA se detiene porque la toma de decisiones de riesgo permanece aislada, la adquisición es lenta y los modelos de gobernanza fueron construidos para sistemas deterministas (no agénticos).

• El reemplazo del núcleo no es necesario. Los bancos pueden capturar el 70–80% del valor de la IA al superponer una plataforma unificada de toma de decisiones en tiempo real sobre sistemas heredados.

• El ROI más rápido está en la capa de decisiones. Los casos de uso de fraude, lavado de dinero, crédito y cumplimiento—especialmente el modo sombra, agentes de asistencia al analista y superposiciones de AML—ofrecen ganancias rápidas y de bajo riesgo.

• El progreso proviene de “cuñas manejables.” Los despliegues pequeños y contenidos que corren junto a los sistemas existentes permiten a los bancos demostrar valor, satisfacer la gestión de riesgos del modelo y escalar de manera segura.

• La gobernanza acelera la adopción. La explicabilidad, los controles de humano en el bucle, las auditorías y las torres de control de IA permiten un despliegue más rápido mientras se mantiene el cumplimiento.

  
  

Parte I: El Contexto Estratégico

Por qué los sistemas heredados no pueden mantenerse al ritmo

El típico banco de Nivel 1 opera en una infraestructura diseñada para una era diferente. Los datos de clientes se encuentran en silos fragmentados: bases de datos separadas para tarjetas de crédito, hipotecas, ahorros y gestión de patrimonio. Construir una vista en tiempo real y de 360 grados de cualquier cliente requiere unir sistemas que nunca se pensaron para comunicarse. La lógica de decisión a menudo está codificada directamente en mainframes o encerrada dentro de "cajas negras” de proveedores, haciendo que incluso los cambios de reglas simples requieran semanas de trabajo ingenieril. En la práctica, esto a menudo significa que un cliente puede fallar en la verificación de identidad durante el proceso de incorporación y aún ser aprobado para crédito o pagos instantáneos minutos después, simplemente porque esos sistemas nunca comparten señales.

Esta arquitectura estaba optimizada para la estabilidad en un mundo donde el fraude se movía a velocidad humana. Hoy en día, los atacantes sondean los flujos de incorporación, prueban los rieles de pago y explotan sistemas de crédito en secuencias coordinadas, a menudo en cuestión de minutos. El Servicio de FedNow, que ahora tiene más de 1.400 instituciones financieras participantes, y los rieles de stablecoin exigen un asentamiento instantáneo. Los defraudadores usan IA generativa para lanzar ataques a velocidad de máquina. Los clientes esperan la misma capacidad de respuesta de su banco que obtienen de su servicio de streaming. Un sistema que se actualiza de la noche a la mañana no puede defenderse de amenazas que evolucionan en minutos.

Cuando los sistemas de riesgo operan de manera independiente, cada uno solo ve un fragmento del ataque. Lo que parece benigno en aislamiento se vuelve obvio solo cuando las señales se evalúan juntos y en tiempo real.

El plan de McKinsey

El marco Banco de IA del Futuro 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: Compromiso, Toma de decisiones, Tecnología Central y Datos, y Modelo Operativo.

El marco es direccionalmente correcto. El desafío que enfrentan los bancos no es entender el destino, sino navegar las restricciones —aprobación regulatoria, gestión de riesgos del modelo, integración heredada y seguridad operativa— necesarias para llegar allí.

La Capa de Compromiso maneja las interfaces frente a los clientes: interacciones multimodales a través de voz, texto e imagen, apoyadas por