IA agéntica en banca: las 5 capacidades que separan el despliegue real de la promesa

La IA agéntica ya no es una tendencia emergente. Es una realidad operativa en los mercados financieros más avanzados del mundo. La pregunta para la banca no es si adoptarla — es si tiene las condiciones para que funcione. 

No hablamos de chatbots más sofisticados ni de modelos que resumen contratos. Hablamos de sistemas que reciben un objetivo — detectar fraude, gestionar una cartera, revisar el cumplimiento de cientos de operaciones — y deciden por sí mismos cómo alcanzarlo. Sin que nadie les indique cada paso. Sin esperar instrucciones. 

En abril de 2026, la presentación de Claude Mythos ante los CEOs de la banca americana, el Tesoro y la Reserva Federal dejó una imagen clara de hasta dónde ha llegado esa autonomía: un modelo que identificó cerca de 300 vulnerabilidades en Firefox sin instrucciones paso a paso. Esa reunión marcó un antes y un después en cómo el sector financiero entiende la IA agéntica: no como una tecnología que se evalúa, sino como una realidad que se gestiona. 

Este artículo analiza las cinco capacidades que toda institución financiera debería tener construidas antes de desplegar un agente en producción. Pero para entender por qué son imprescindibles, conviene empezar por una distinción que el sector todavía no tiene del todo clara: qué diferencia a la IA agéntica de todo lo anterior. 

Qué distingue la IA agéntica de modelos anteriores 

La mayoría de los bancos llevan dos o tres años incorporando inteligencia artificial generativa a sus operaciones:  

• Asistentes conversacionales para atención al cliente 
• Resúmenes automáticos de contratos 
• Motores de recomendación de productos 

Herramientas valiosas, pero reactivas por naturaleza. Responden cuando se les consulta. Generan cuando se les pide. 

La IA agéntica introduce una diferencia fundamental: la iniciativa. 

Un agente recibe un objetivo — detectar patrones de fraude, evaluar el riesgo de una cartera, revisar el cumplimiento de cientos de contratos — y determina de forma autónoma cómo alcanzarlo.  

• Selecciona las fuentes de datos relevantes 
• Ejecuta consultas 
• Interpreta resultados 
• Toma decisiones intermedias  

Actúa en consecuencia, sin que un operador humano intervenga en cada paso del proceso. 

Según McKinsey, los sistemas de IA agéntica tienen el potencial de asumir una parte creciente de actividades operativas que hoy requieren intervención humana. No porque desplacen a las personas en todo, sino porque absorben la carga de las tareas estructuradas, repetitivas y de alta escala que consumen recursos sin generar valor relacional. 

Esta transición ya está en marcha. OpenAI, Google y Anthropic han publicado en los últimos doce meses saltos cualitativos en razonamiento complejo sin precedente en velocidad. Los costes de inferencia han caído un 99% en dos años, según Andreessen Horowitz. Y el Open Finance obligatorio en Colombia, junto con los marcos avanzados de Brasil, Chile y México, están generando el ecosistema de datos estructurados sobre el que los agentes necesitan operar. La tecnología, la economía y la regulación confluyen al mismo tiempo. Eso no había ocurrido antes. 

Pero la convergencia de estas condiciones externas no garantiza el éxito de la adopción interna. Tener acceso al mejor modelo del mercado no es suficiente si la institución no ha resuelto lo que hace posible que ese modelo opere con seguridad y a escala.  

A continuación, identificamos las cinco capacidades que, en nuestra experiencia, determinan si la banca agéntica funciona — o simplemente se anuncia. 

Las 5 capacidades que harán viable la banca agéntica 

La carrera por la IA agéntica en banca no la ganarán quienes tengan el modelo más sofisticado. La ganarán quienes construyan las capacidades operativas que hacen posible que ese modelo funcione en el mundo real. Son cinco, y ninguna es opcional. 

1. Datos fiables y contexto financiero utilizable

La IA agéntica no se alimenta de prompts. Se alimenta de contexto. Y en banca, la calidad del contexto depende de la calidad del dato. 

Un agente bancario opera sobre eventos transaccionales, comportamiento de cliente, información contractual, señales de riesgo e historial de interacción. Si esos datos son inconsistentes, están desactualizados o no están conectados entre sí, la autonomía del agente no produce inteligencia. Produce ruido. 

La conversación pública sobre IA agéntica se centra casi siempre en los modelos. Pero en banca, la calidad del agente depende de un principio menos visible: la disponibilidad y consistencia del dato financiero. Un agente que opera sobre eventos transaccionales en tiempo real razona de forma fundamentalmente distinta a uno que trabaja sobre datos procesados en batch horas antes.  

La diferencia no está en el modelo — está en la arquitectura que lo alimenta. 

2. Integración profunda con el ecosistema bancario

Los agentes no crean valor aislados. Crean valor cuando pueden actuar sobre sistemas integrados en el banco: el core del mismo del banco, motores de fraude, CRM, canales digitales, plataformas de autenticación, infraestructuras de mensajería, etc. 

El problema es que esos sistemas raramente fueron diseñados para ser intervenidos por procesos autónomos. Son arquitecturas construidas por capas a lo largo de décadas, con lógicas propias y restricciones que no desaparecen por decreto tecnológico. 

Las instituciones que hayan modernizado su arquitectura, o que trabajan con proveedores cuyas soluciones actúan como una capa independiente sobre los sistemas existentes — desacoplando la lógica de comunicación y decisión del core sin requerir su transformación como condición previa — tienen una ventaja real.  

En ese contexto, una arquitectura orientada a eventos deja de ser una opción técnica y se convierte en la base sobre la que la banca agéntica puede operar con garantías. 

3. Comunicación operacional contextualizada

Los agentes bancarios no solo tendrán que decidir. Tendrán que interactuar: solicitar confirmaciones, explicar incidencias, gestionar alertas, coordinar respuestas, adaptar el canal correcto al momento correcto. 

La comunicación deja de ser la salida de un proceso para convertirse en parte integral del workflow agéntico.  

Y eso cambia completamente los requisitos de la capa de engagement: las comunicaciones de la banca agéntica tendrán que ser contextualizadas, multicanal, fiables, auditables y preparadas para operar en escenarios críticos.  

Parte de esa personalización pasa por dar al propio cliente control sobre qué alertas recibir, por qué canal y bajo qué condiciones — reduciendo el ruido y aumentando la relevancia de cada comunicación. 

Cuanta más autonomía tenga el agente, más estratégica se vuelve la infraestructura de comunicación que lo acompaña. Mastercard ya reporta resultados concretos en bancos que han combinado detección agéntica con notificación inmediata: los sistemas que actúan y comunican en tiempo real generan menos fricción y más confianza que los que actúan y notifican en diferido.

4. Gobernanza y control operacional

La autonomía no elimina la necesidad de supervisión. La multiplica. 

Un agente que actúa de forma autónoma sobre decisiones financieras — crediticias, de riesgo, de cumplimiento — no reduce la responsabilidad del banco ante el regulador. La traslada. Y eso exige una respuesta institucional que la mayoría de las entidades latinoamericanas todavía no tienen formalizada:  

Saber qué decidió el agente, por qué, con qué datos, qué acción ejecutó y qué comunicó como consecuencia. 

El marco regulatorio global converge en esa dirección de forma inequívoca.  

El Reglamento europeo de IA clasifica los sistemas agénticos en servicios financieros como de alto riesgo, con requerimientos explícitos de documentación, supervisión humana y trazabilidad antes del despliegue. La Autoridad Bancaria Europea (EBA) ha identificado la explicabilidad y el control humano como los dos vectores críticos de riesgo en la adopción de IA por la banca europea. El Comité de Basilea distingue con precisión entre niveles de autonomía permisibles según el tipo de decisión y su impacto sobre el cliente. Y la Superintendencia Financiera de Colombia ha comenzado a incorporar principios equivalentes sobre el uso responsable de IA, siguiendo el mismo vector que Brasil y México. 

El patrón es el mismo que se observó con la protección de datos y el Open Finance: primero los marcos de referencia voluntarios, después la obligatoriedad. Los bancos que esperen a la norma para construir gobernanza llegarán tarde. 

La confianza operacional — la capacidad de demostrar que el agente actuó dentro de los límites autorizados, que cada decisión es trazable y que cada comunicación crítica fue entregada y registrada — será un factor más determinante para la adopción sostenida que la sofisticación del modelo. 

5. Resiliencia y gestión de fallos

La autonomía de un agente amplifica tanto sus aciertos como sus errores.  

En un proceso manual, un fallo humano tiene un alcance limitado. En un proceso agéntico, un fallo del modelo puede propagarse a decenas de miles de operaciones antes de que alguien lo detecte. 

Los bancos que desplieguen agentes en producción necesitan respuesta clara a una pregunta que pocas instituciones tienen resuelta: ¿qué ocurre cuando el agente falla?  

Eso exige mecanismos concretos:  

• Circuit breakers que detengan la ejecución autónoma cuando el nivel de confianza del modelo cae por debajo de un umbral definido 
• Protocolos de escalado automático a supervisión humana en escenarios excepcionales 
• Capacidad de rollback sobre decisiones ejecutadas incorrectamente  
• Sistemas de alerta que detecten comportamientos anómalos antes de que generen impacto operativo o regulatorio

Y aquí es donde Mythos, el modelo con el que abrimos este artículo, ofrece su segunda lectura. Un sistema capaz de identificar 300 vulnerabilidades de forma autónoma no solo demuestra el potencial de la autonomía — demuestra lo que ocurre cuando esa autonomía opera sin los límites adecuados. Los bancos que desplieguen agentes sin haber resuelto antes qué pasa cuando fallan no están adoptando IA agéntica. Están asumiendo un riesgo que no han cuantificado. 

Cinco capacidades, una infraestructura

La IA agéntica no solo transforma cómo los bancos analizan o deciden. También redefine cómo comunican.  

La IA agéntica multiplica el volumen, la velocidad y la criticidad de las comunicaciones bancarias de forma exponencial.  

Cada decisión autónoma genera nuevas exigencias de alertas, validación, trazabilidad y personalización. Y ahí emerge una realidad incómoda: buena parte de la infraestructura de comunicaciones bancaria actual fue diseñada para un mundo de procesos predecibles y ritmos operativos mucho más lentos. 

La banca agéntica no es una tecnología que se adopta. Es una capacidad que se construye. Y se construye en cinco frentes simultáneos: no hay modelo que compense la falta de datos, ni gobernanza que supla la ausencia de resiliencia. Los bancos que lleguen a este momento con esas cinco capacidades resueltas no estarán adoptando IA agéntica. Ya la estarán operando. 

En Latinia llevamos más de 25 años construyendo soluciones para la banca en Europa y América Latina. El motor de decisión en tiempo real y el motor de alertas críticas están diseñados para garantizar que cada evento generado por un proceso autónomo llegue al destinatario correcto, en el canal correcto, en el momento correcto — con la trazabilidad y resiliencia que exigen tanto el cliente como el regulador. Si quieres saber cómo preparar tu infraestructura para la IA agéntica, hablemos.