En el ámbito de la IA agéntica, uno de los retos más críticos que afronta la banca es el de dar el paso desde la experimentación a la producción a escala. Según el último informe de Babel y Digit Institute, la clave reside en saber superar la fragmentación del dato y establecer marcos de gobernanza robustos que aseguren trazabilidad y supervisión.
El sector bancario se encuentra en una encrucijada tecnológica marcada por la explosión del crimen financiero que, en muy poco tiempo, ha pasado a convertirse en una industria que opera a escala global.
Según el informe Babel Banking Radar —elaborado por la tecnológica española Babel y el Digit Institute— el crimen financiero en Estados Unidos se ha multiplicado por trece en el último año, mientras que los delitos relacionados con el correo electrónico corporativo han crecido veinte veces.
La IA agéntica permite analizar el contexto global del cliente y reducir el ruido operativo
Esta escalada responde a la proliferación de organizaciones criminales especializadas en generar identidades sintéticas y mover capitales en cuestión de minutos, superando la capacidad de respuesta de los sistemas tradicionales basados en reglas.
El informe destaca que los atacantes ya utilizan automatización avanzada para sofisticar sus campañas de fraude y acelerar sus capacidades de evasión. Frente a esto, el modelo tradicional de revisión humana masiva, junto con el uso de arquitecturas fragmentadas, muestra limitaciones evidentes ante sistemas ofensivos en rápida evolución.
La industria se enfrenta a un escenario donde la única respuesta proporcional es el despliegue de inteligencia artificial agéntica a la misma escala que utilizan los actores maliciosos.
IA agéntica como defensa estratégica
La adopción de la inteligencia artificial en banca no es nueva; las entidades llevan décadas utilizando modelos predictivos. Sin embargo, el salto hacia la IA agéntica representa un cambio cualitativo: se pasa de sistemas que asisten al empleado a agentes que pueden tomar información, analizarla y ejecutar acciones concretas. Esta tecnología permite analizar el contexto global del cliente y reducir el ruido operativo en procesos donde la capacidad humana no puede escalar.
.
A este respecto, Marga García, managing director del sector Banca en Babel, apunta que el problema ya no es si la banca adoptará IA agéntica, sino cómo desplegarla con garantías reales de control, supervisión y cumplimiento normativo. “El sector financiero necesita avanzar hacia modelos capaces de combinar automatización, capacidad analítica y gobierno operativo”.
A por la licencia de vuelo
Según defiende el citado informe, se podría decir que los agentes de inteligencia artificial en banca están todavía en el hangar. De hecho, los datos recogidos revelan una brecha significativa en la gobernanza actual: el 63% de las entidades financieras operan con modelos limitados o inexistentes de gobernanza para la IA generativa. Además, solo el 17% monitoriza de forma continua las interacciones entre los diferentes agentes de inteligencia artificial, lo que supone un riesgo operativo considerable si estos sistemas presentan comportamientos inesperados.
Solo el 17% monitoriza de forma continua las interacciones entre los diferentes agentes de inteligencia artificial
Para que un agente de inteligencia artificial pueda operar de forma autónoma en una infraestructura crítica, debe obtener lo que denominan una “licencia de vuelo”. Esta licencia requiere que el agente cumpla con cuatro requisitos fundamentales: ciberseguridad, cumplimiento, evaluación y operación. Básicamente, sus acciones deben ser trazables, los modelos deben ser explicables y ninguna acción debe ser irreversible. Y, a diferencia de los atacantes, que no rinden cuentas ante reguladores, los bancos deben asegurar que sus sistemas sean transparentes y auditables.
El cuello de botella: la fragmentación del dato
La conclusión central de la investigación es que la mayor barrera para una inteligencia artificial eficaz no es la tecnología en sí, sino la calidad del dato sobre el que opera. La fragmentación de la información en silos heredados y la baja consistencia entre sistemas impiden que los agentes tomen decisiones precisas. Si el dato no es coherente, el agente no solo no corrige el problema, sino que puede amplificar el error a gran escala.
Es más, la fragmentación del dato no es únicamente una ineficiencia administrativa; es una vulnerabilidad de seguridad. Según Isabel Fernández, managing director de Tecnologías Exponenciales en Babel, tradicionalmente las instituciones financieras han gestionado la información en “galaxias aisladas”. En este modelo, los datos de un cliente pueden estar repartidos en múltiples bases de datos que no se comunican entre sí, impidiendo que los sistemas de defensa tengan una visión contextual de las operaciones.
.
Para contrarrestar esta fragmentación, surge la necesidad de implementar grafos de conocimiento. En esta arquitectura, la información se representa como una constelación de puntos conectados, donde cada individuo o entidad es un nodo y sus interacciones financieras son arcos. El problema surge cuando esta representación es incompleta.
“Muchas organizaciones están descubriendo que el principal límite para desplegar IA fiable no está en el modelo, sino en la fragmentación del dato y en la dificultad para integrar información coherente entre sistemas críticos”.
Esta visión contextual permite identificar nodos o arcos extraños que podrían indicar actividades fraudulentas que pasarían desapercibidas en sistemas de datos fragmentados.
Colaboración y ecosistemas federados
En este sentido, una tendencia emergente es la creación de ecosistemas donde las entidades financieras comparten datos de forma federada para prevenir el fraude. Un ejemplo reciente es Fraud Defense, un consorcio formado por Santander, BBVA y CaixaBank, diseñado para compartir información de clientes de forma segura y detectar patrones de criminalidad que afectan a varias entidades simultáneamente.
Este tipo de iniciativas colaborativas permite completar el mapa de relaciones financieras, ya que la mayoría de los usuarios operan con varios bancos. Al compartir el contexto, la industria puede identificar de manera proactiva y en tiempo real operaciones maliciosas que serían invisibles para una entidad aislada. Además, este tipo de plataformas también sirven para dotar de capacidades tecnológicas avanzadas a entidades que no disponen de los mismos recursos que los grandes grupos bancarios.
Eficiencia operativa y reducción de falsos positivos
Lograr que los grafos de información estén completos y conectados es un proceso complejo y costoso. Además, mantener el dato limpio dentro de las compañías es caro en términos de almacenamiento, gobierno y procesos de depuración necesarios para reconstruir y mantener activas estas constelaciones de información en entornos vivos.
Pero, a pesar de estos costes, la inversión en datos coherentes es una necesidad estratégica. Según los datos del informe, el 95% de las alertas generadas por los sistemas actuales de prevención son falsos positivos, lo que obliga a los analistas humanos a dedicar el grueso de su tiempo a tareas de bajo valor.
El 95% de las alertas generadas por los sistemas actuales de prevención son falsos positivos
La implementación de agentes que operen sobre grafos de conocimiento completos podría reducir esta carga de revisión hasta en un 30%, permitiendo que el analista humano se centre exclusivamente en operaciones fraudulentas de mayor complejidad y consistencia. En la actualidad, solo se detecta o detiene menos del 1% del dinero asociado al fraude y al blanqueo de capitales, lo que deja un margen de mejora extraordinario para las soluciones tecnológicas avanzadas.
La rentabilidad también está en juego: no incorporar estas capacidades agénticas para la defensa en actividades de crimen financiero puede suponer el sacrificio de hasta cuatro puntos porcentuales de ROE (Rentabilidad sobre Recursos Propios). El banco que logre conectar sus galaxias de datos y desplegar agentes con una “licencia de vuelo” —basada en la trazabilidad y explicabilidad— obtendrá una ventaja competitiva decisiva.
Actualmente, solo uno de cada diez bancos tiene plataformas agénticas operativas en producción, aunque se espera que el resto las implemente en menos de dos años. La presión regulatoria, con calendarios estrictos por parte de las autoridades europeas, actuará como un habilitador y un acelerador para que el sector financiero adopte estos sistemas con garantías de seguridad y transparencia.
El impacto en el talento y la organización
La integración de agentes autónomos no implica la sustitución del factor humano, sino una redefinición de su rol. Los empleados de banca están pasando de una fase de adopción de asistentes a una etapa de convivencia con compañeros de trabajo digitales con los que interactúan en el mismo entorno tecnológico. El rol del analista cambiará de recolector de información a tomador de decisiones estratégicas basadas en expedientes ya depurados por la inteligencia artificial.
A diferencia de las personas, los procesos automáticos son predecibles y, por tanto, corregibles a escala. Si un sistema comete un error, la monitorización de las interacciones permite identificar el fallo y aplicar una corrección inmediata que se despliega automáticamente en toda la organización, evitando la inconsistencia que a veces genera la rotación de personal o el aprendizaje humano.
El dato como activo estratégico
Tomando como base el informe de Babel y Digit Institute, el futuro de la banca está irremediablemente ligado a su capacidad para gestionar el dato como un activo estratégico y coherente; además, deja claro que la IA agéntica es la herramienta necesaria para escalar la defensa ante un crimen organizado cada vez más sofisticado.
Sin embargo, la tecnología por sí sola es insuficiente. La próxima fase de adopción dependerá de la integración real en infraestructuras críticas bajo modelos de gobernanza que aseguren que cada decisión tomada por un agente sea explicable y supervisada.
Las entidades que prioricen la limpieza y consistencia de su arquitectura de datos no solo cumplirán de forma más eficiente con el regulador, sino que transformarán la prevención del fraude en un motor de rentabilidad y confianza para el cliente.
