Los bancos reducen el trabajo manual con agentes de IA

Los bancos avanzan hacia el uso de compañeros de trabajo basados en inteligencia artificial capaces de planificar tareas, usar herramientas y coordinar acciones entre sistemas. El cambio eleva los riesgos operativos: un error puede afectar sistemas de producción, exponer datos de clientes o provocar incumplimientos regulatorios, según un reporte de McKinsey.

Estos sistemas van más allá de los asistentes que resumen documentos, redactan mensajes o sugieren código. Pueden abrir tickets, ejecutar pruebas, usar interfaces de programación y completar cadenas de trabajo dentro de la infraestructura tecnológica de una entidad.

La diferencia está en el grado de autonomía. Mientras un agente ejecuta una instrucción concreta, un compañero digital conserva el contexto de un caso, organiza varios pasos y transfiere tareas entre plataformas para alcanzar un resultado definido.

Un banco de Estados Unidos aplicó este modelo en la contabilidad de fondos, las conciliaciones, las operaciones de middle office y las revisiones de arquitectura. En una de esas evaluaciones, logró reducir entre el 40% y el 50% el trabajo manual. El proyecto también busca aumentar el 60% el volumen anual de revisiones de permisos y acortar el 25% los ciclos de aprobación, aunque los arquitectos mantienen la autorización final.

El informe fue elaborado por James Kaplan, Rich Isenberg, Vik Sohoni, Vishnu Kamalnath y Shilpa Khatana, especialistas del área de Tecnología e IA de McKinsey. Para la consultora, el reto de los directores de tecnología pasa por administrar una fuerza laboral digital que opere junto a las personas.

Los permisos y controles deben responder al nivel de riesgo

Los modelos de lenguaje pueden interpretar de forma errónea una norma, crear resultados de pruebas inexistentes o intentar acciones incorrectas en sistemas productivos. Por eso, los bancos deben limitar las herramientas, los entornos y los permisos disponibles para cada sistema autónomo.

Las acciones deben contar con validaciones contra fuentes oficiales, revisiones de políticas y mecanismos que permitan revertir cambios. El control no puede ser igual para todos los casos: un sistema que resume información pública supone un riesgo menor que otro que procesa estados financieros de un prestatario o modifica registros en una plataforma de pagos.

Las reglas bancarias se aplican aunque la tarea la realice un sistema autónomo. Un agente que intervenga en créditos debe respetar las normas de préstamos justos; uno vinculado con pagos, las exigencias de secreto bancario y prevención de lavado de dinero; y otro que prepare comunicaciones comerciales, las normas de protección al consumidor.

La responsabilidad final recae en la institución financiera y en la persona que supervisa la implementación. Ante una consulta de un regulador o un cliente, el banco debe poder reconstruir los datos utilizados, las políticas aplicadas, la acción tomada y la autorización correspondiente.

Cada sistema necesita una identidad propia, con los permisos mínimos necesarios para su versión, entorno y propósito. Esa credencial debe definir qué información puede consultar, si está habilitado para modificar registros y cómo se revocará su acceso cuando deje de utilizarse.

También hace falta un responsable humano para cada implementación. Debe responder por la finalidad, los permisos, el riesgo, los incidentes, el ciclo de vida y el resultado esperado. McKinsey recomienda, además, un registro centralizado de agentes con sus accesos, propietarios y estado operativo para evitar una proliferación que se convierta en deuda tecnológica o genere reparos regulatorios.

La intervención humana cambia según el impacto de la decisión

Las decisiones de crédito, la resolución de fraudes y la asignación de accesos privilegiados requieren que una persona autorice la ejecución. En tareas de riesgo intermedio, la revisión puede concentrarse en muestras definidas mediante criterios documentados. Las automatizaciones de bajo riesgo pueden funcionar con control por excepción y monitoreo continuo.

El margen de autonomía debe ampliarse de forma gradual. En una etapa inicial, las acciones pueden quedar sujetas a aprobación humana. Luego, la intensidad de la supervisión puede ajustarse tras validar el desempeño y los casos extremos. Los límites de autoridad, los umbrales de confianza y las reglas de escalamiento deben estar definidos en la política de riesgo de IA de cada entidad.

Cuando el sistema no pueda resolver un caso con certeza suficiente o exceda los parámetros fijados, debe derivarlo a un revisor. A la vez, los empleados necesitarán capacitación para pasar de la revisión de tareas aisladas a la supervisión de excepciones, resultados y sistemas autónomos.

La experiencia analizada por McKinsey indica que los beneficios no dependen solo de acelerar una actividad. El rediseño de los procesos definió qué podían investigar, decidir, coordinar y ejecutar los agentes, mientras las personas conservaron las decisiones finales y la facultad de firma.

El contexto interno define hasta dónde puede llegar la automatización

La velocidad sin conocimiento institucional puede multiplicar los errores. Un agente que modifique código de pagos sin conocer las reglas de arquitectura o clasifique alertas de lavado de dinero sin comprender el apetito de riesgo puede actuar con rapidez en una dirección equivocada.

Ese contexto incluye las reglas comerciales, los contratos de interfaces, la trazabilidad de datos y las obligaciones regulatorias. Las políticas crediticias, los parámetros de riesgo y las tipologías internas de lavado de dinero forman parte de un conocimiento que una herramienta externa no puede aportar de manera genérica.

Las entidades pueden adoptar productos estandarizados para coordinar agentes, gestionar identidades y conectar sistemas. Sin embargo, deben conservar el control de sus datos, definiciones y procedimientos. La recomendación es ordenar ese conocimiento para vincular conceptos de negocio con activos de información, en lugar de dejar a los sistemas frente a documentos aislados.

Las correcciones de los equipos humanos deben incorporarse a esa base para que los agentes recuperen antecedentes, métodos y vocabulario interno. La información compartida tiene que respetar las restricciones correspondientes al dato más sensible que contenga y dejar registro de las herramientas utilizadas y de la identidad que activó cada proceso.

Una infraestructura común debe proteger los datos y registrar cada acción

La infraestructura centralizada debe aplicar políticas, validar identidades, proteger la información y conservar los registros de actividad. Una capa de conexión entre agentes, modelos, herramientas y plataformas internas permite concentrar controles que, de otro modo, quedarían dispersos.

Esa capa puede ocultar nombres de clientes, números de cuenta y datos de conocimiento del cliente antes de enviar una consulta a un modelo externo. También debe registrar instrucciones, respuestas y llamadas a herramientas, para determinar qué información respaldó una decisión y bajo qué autorización se ejecutó.

El costo de estos sistemas, finalmente, debería medirse por el resultado integral de cada flujo de trabajo —por ejemplo, la resolución de un caso dentro de los estándares regulatorios— y no solo por el consumo técnico de inteligencia artificial.