El Bueno, el Feo y el Malo de la I.A. en Banca
En mi reciente masterclass con ADEN Business School, exploré cómo la inteligencia artificial está transformando el sector financiero. Desde la analítica predictiva hasta la IA generativa y ahora los sistemas basados en agentes, los bancos navegan un panorama complejo lleno de oportunidades y riesgos.
Mira la sesión completa (en español):
Lo malo: Panorama de chatbots bancarios — Agosto 2025
La siguiente tabla resume una muestra representativa de asistentes bancarios en todo el mundo. No es exhaustiva y puede contener algunas inexactitudes, pero ilustra el panorama: la capacidad transaccional es común; la capacidad generativa está emergiendo; la combinación de ambas sigue ausente.
| Institución | Región | Nombre del bot | ¿Puede operar en cuentas? | ¿Usa IA generativa? | Tecnología / notas |
|---|---|---|---|---|---|
| Bank of America | US | Erica | Sí (Zelle, pago de facturas) | No | ML/NLP propietario |
| Wells Fargo | US | Fargo | Sí (facturas, transferencias) | Probable | Asistente propietario |
| JPMorgan Chase | US | Digital Assistant | Sí (saldos, transferencias, bloqueo de tarjeta) | Desconocido | Propietario |
| Capital One | US | Eno | Sí (facturas, tarjetas virtuales) | No | Propietario |
| U.S. Bank | US | Smart Assistant | Sí (saldos, transferencias, pago de facturas) | Probable | Propietario (EN/ES) |
| USAA | US | Nina | Mayormente informativo, escala | No | Nuance Nina |
| NatWest | EU/UK | Cora | Sí (cambio de dirección, detener cheque) | Probable | Propietario |
| KBC (Bélgica) | EU | Kate | Sí (transferencias, bloquear tarjetas, abrir productos) | Probable | Propietario |
| CaixaBank (España) | EU | NOA | Sí (bloquear tarjetas, banca por voz) | Desconocido | Propietario |
| BBVA (España) | EU | Blue | Sí (info de cuenta, operaciones) | Desconocido | Propietario |
| ABN AMRO (NL) | EU | Anna | Mixto (FAQs + escala) | No | Propietario |
| Swedbank (SE) | EU | Nina | Frontline informativo | No | Nuance Nina |
| N26 (DE) | EU | Neon | Informativo (24/7) | Desconocido | Propietario |
| Revolut | EU/UK | Rita / AI Assistant | Mixto (insights, FAQs) | Sí | IA interna |
| HSBC (UK) | EU/UK | Virtual Assistant | Informativo/triaje | No | LivePerson + Creative Virtual |
| Barclays (UK) | EU/UK | Digital Assistant | Informativo/triaje | Desconocido | Propietario |
| BBVA México | LATAM | Blue | Sí (saldos, bloquear tarjetas, operaciones) | Sí | Propietario (genAI en uso) |
| Banco do Brasil | LATAM | WhatsApp VA | Transacciones seleccionadas vía WhatsApp | Desconocido | Canal: WhatsApp |
| Bradesco (BR) | LATAM | BIA | Mixto (Q&A, servicio) | Desconocido | Basado en IBM Watson |
| BCP (Perú) | LATAM | Arturito | Sí (saldos, algunas operaciones) | Desconocido | Basado en IBM Watson |
| DBS Bank (SG) | Asia | digibot | Sí (PayNow, ayuda con tarjetas, transacciones) | Desconocido (bot cliente); Sí internamente | Propietario; genAI para asistente de personal |
| ICICI Bank (IN) | Asia | iPal | Sí (transferencias de fondos, pago de facturas) | Desconocido | Propietario |
| HDFC Bank (IN) | Asia | EVA | Mixto (consultas, info de préstamos/tarjetas) | No | Senseforth NLP bot |
| State Bank of India | Asia | SIA | Principalmente informativo | No | Payjo (Interface) |
| Hang Seng (HK) | Asia | HARO | Sí (tras iniciar sesión: transferencias, pago de facturas) | Desconocido | Propietario |
| Bank BRI (ID) | Asia | Sabrina | Informativo (multicanal) | Sí | Azure OpenAI LLM |
| CIMB (MY) | Asia | EVA | Mixto (SME & retail) | Desconocido | Propietario |
| BPI (PH) | Asia | BEA | Informativo (24/7) | Desconocido | Propietario |
| E.SUN (TW) | Asia | Chatbot | Mixto (consultas de tarjeta de crédito, otros) | Desconocido | Propietario |
Muchos bancos están probando IA generativa. Hasta ahora, 0% combinan IA generativa con capacidades transaccionales en vivo en un solo chatbot orientado al consumidor.
Por qué persiste la brecha del “0%”
- Explicabilidad: Los bancos deben justificar decisiones y respuestas; los LLM siguen siendo probabilísticos y opacos.
- Fiabilidad y alucinaciones: Incluso los errores poco frecuentes son inaceptables en interfaces financieras.
- Transparencia y gobernanza: Los requisitos de documentación, trazabilidad y linaje de datos son estrictos.
- Riesgo de terceros y TIC: Muchos modelos GPAI son provistos por proveedores externos; la integración plantea preocupaciones de resiliencia y privacidad.
- Controles de modelo y datos: La calidad de los datos de entrenamiento, retención y restricciones de IP/privacidad complican el despliegue.
Lo bueno: Por qué la IA de Propósito General (GPAI) importa más que nunca
GPAI se refiere a sistemas de IA y modelos fundacionales que pueden servir para muchos propósitos en un banco, desde soporte al cliente hasta soporte de programación. Los supervisores ahora se enfocan fuertemente en GPAI:
- Autoridad Bancaria Europea (EBA): monitorea pruebas de GPAI y adopción temprana en bancos de la UE, especialmente en soporte al cliente y optimización de procesos internos; recomienda cautela en protección al consumidor, explicabilidad y fiabilidad.
- Código de Conducta de la UE para GPAI: enfatiza transparencia, documentación de capacidades y limitaciones, manejo de datos y controles de calidad a lo largo del tiempo.
- Guía de IA de la OMB de EE. UU. (M-24-10): establece expectativas de IA responsable para el sector público y proveedores, reforzando principios de transparencia, gestión de riesgos y evaluación que influyen en las mejores prácticas de servicios financieros.
En la práctica, los bancos experimentan con GPAI para:
- Atención al cliente: redactar respuestas, mejorar la resolución, potenciar Q&A de empleados sobre políticas y procedimientos.
- Centros de llamadas: transcripción confiable, resumen y evaluación de calidad.
- Ingeniería: generación de código, detección de errores, migración de legado (por ejemplo, de COBOL a stacks modernos).
- Legal y cumplimiento: monitoreo de cambios, resumen de fallos y análisis de impactos contractuales.
IA agentica: de bots estáticos a ejecutores
Las arquitecturas basadas en agentes combinan el razonamiento de LLM con herramientas y permisos. Un agente bancario puede seguir un objetivo, llamar APIs internas, buscar documentos, completar formularios y delegar a subagentes especializados. Este es el camino probable hacia “genAI + transacciones” confiables, pero solo con controles sólidos, auditabilidad y límites de riesgo.
Lo feo: la IA predictiva sigue siendo el núcleo
Los modelos predictivos tradicionales siguen siendo esenciales. Herramientas como el gradient boosting y los ensamblajes de árboles siguen siendo los caballos de batalla para la predicción de abandono, modelado de riesgo y marketing. Son explicables, auditables y robustos—siempre que se reentrenen a medida que el mercado cambia.
¿Qué deben hacer los bancos ahora?
- Separar preocupaciones: mantener el asesoramiento generativo y la ejecución transaccional separados hasta que los límites estén probados; usar confirmación humana explícita para pasos sensibles.
- Invertir en gobernanza: tarjetas de modelo, pruebas de red-team, evaluaciones, manuales de incidentes y políticas de retención de datos (multi-anuales).
- Preferir generación aumentada por recuperación (RAG): fundamentar respuestas en contenido interno aprobado; registrar citas para auditoría.
- Optar por “on-prem” o VPC donde sea necesario: para cargas de alto riesgo, mantener modelos y datos en entornos controlados por el banco.
- Comenzar con agentes para empleados: los casos de uso agenticos orientados a empleados (operaciones, cumplimiento, soporte IT) son de menor riesgo y alto retorno.
En resumen: Ningún banco ha lanzado aún un chatbot que fusione el razonamiento generativo con transacciones en vivo para consumidores. Pero la experimentación con GPAI se está acelerando, los reguladores están aclarando expectativas y las arquitecturas agenticas están madurando. Los primeros en moverse marcarán el patrón—tal como lo hizo la banca en línea hace dos décadas.
