Un nuevo informe de la consultora global señala que la IA en la banca está dejando de ser una herramienta de apoyo para ejecutar procesos complejos de principio a fin. Para 2030, el factor determinante no será el tamaño del presupuesto, sino la velocidad de aprendizaje organizacional.
SANTIAGO / NUEVA YORK — La Inteligencia Artificial en la industria financiera ha cruzado su punto de inflexión. Durante los últimos años, las instituciones bancarias adoptaron la IA generativa como un “copiloto” de productividad: una solución capaz de redactar correos, resumir extensos documentos legales o responder consultas internas. Sin embargo, este paradigma está quedando obsoleto.
De acuerdo con el más reciente análisis de la consultora estratégica McKinsey & Company (titulado “Banking and AI: When the tech starts doing the work, not just assisting it”), el sector bancario global se encamina hacia la era de la IA agéntica (Agentic AI). Los sistemas ya no solo sugieren respuestas, sino que toman decisiones, ejecutan flujos de trabajo de múltiples pasos de forma autónoma e interactúan directamente con los sistemas centrales del banco.
El salto cualitativo: De la recomendación a la ejecución autónoma
Los expertos de McKinsey —entre los que destacan los socios Andrea Del Miglio, Saptarshi Ganguly y Klemens Hjartar— subrayan que mientras las tecnologías de banca móvil e internet cambiaron los canales de distribución y la nube transformó la infraestructura, la IA agéntica está rediseñando el corazón operativo de la banca.
“Para la mayoría de los bancos, la IA comenzó como una herramienta de productividad. Pero el cambio en marcha es de un orden completamente distinto. Los sistemas de IA agéntica no solo asisten a los banqueros; actúan con autonomía, ejecutan procesos complejos y heredan los mismos derechos de acceso que los humanos con los que trabajan”, señalan los especialistas en el informe.
Esta evolución permite que tareas que antes requerían días de revisión manual y múltiples aprobaciones se completen en minutos con una mínima supervisión humana.
Procesos críticos en el punto de mira: KYC y Prevención del Fraude
Uno de los mayores impactos de este cambio de paradigma se observa en el área de cumplimiento (compliance), tradicionalmente costosa y lenta para la banca.
Procesos intensivos en documentación como Know Your Customer (KYC) y el Anti-Money Laundering (AML) son los principales objetivos de la automatización agéntica. Un agente de IA no solo analiza la documentación de identidad de un cliente, sino que verifica bases de datos internacionales, evalúa perfiles de riesgo, cruza referencias transaccionales y aprueba o rechaza el onboarding o la alerta de fraude en tiempo real.
Otros frentes con despliegues acelerados incluyen:
- Atención y centros de contacto: Resolución de reclamos y solicitudes complejas sin escalamiento a ejecutivos humanos.
- Evaluación crediticia: Flujos end-to-end de análisis de riesgo corporativo y personal.
- Gestión de patrimonio (Wealth Management): Rebalanceo automático de portafolios según mandatos predefinidos.
El desafío invisible: Gobernanza, ciberseguridad y modelo operativo
El salto a la autonomía agéntica plantea desafíos estructurales que trascienden el software. Al asumir roles operativos, cada agente de IA se convierte en una identidad sintética con credenciales de acceso privilegiado dentro del banco.
Esto obliga a las gerencias de Riesgo y Ciberseguridad (CISOs) a redefinir sus marcos de control, migrando hacia arquitecturas de Cero Confianza (Zero Trust) para monitorear el comportamiento de las máquinas del mismo modo en que se supervisa al personal humano.
Asimismo, McKinsey enfatiza que el principal obstáculo para la adopción no es la tecnología, sino el modelo operativo y la cultura organizacional. Los bancos tradicionales corren el riesgo de quedar atascados en decenas de “proyectos piloto” aislados (pilotitis) sin lograr un escalamiento real que impacte la cuenta de resultados.
2030: La velocidad de aprendizaje como ventaja competitiva
Hacia el final de la década, la brecha entre los bancos líderes y los rezagados no estará determinada por la cantidad de dinero invertida en tecnología ni por el número de pilotos anunciados, sino por la velocidad de adopción y aprendizaje (learning speed).
En una tecnología exponencial, quienes despliegan agentes autónomos en etapas tempranas acumulan datos, refinan algoritmos e integran la IA en su ADN operativo a un ritmo que los competidores lentos difícilmente podrán alcanzar.
Claves estratégicas para el liderazgo bancario en Latinoamérica:
- Pasar de la productividad a la reingeniería de flujos: Evaluar procesos donde la IA pueda asumir la ejecución completa, no solo la redacción de resúmenes.
- Actualizar el marco de gestión de riesgos e identidades: Tratar a los agentes de IA como colaboradores con accesos restringidos y supervisión continua.
- Fomentar la agilidad cultural: Priorizar la escalabilidad operativa por encima de las pruebas de concepto sin retorno claro.
Fuente: McKinsey