El 55% de los bancos ya utiliza IA generalista o agéntica en procesos de cliente

La inteligencia artificial agéntica empieza a pasar de los pilotos a los procesos reales de bancos y aseguradoras. Según datos de la European Banking Authority citados por Qaracter, el 55% de los bancos encuestados ya utiliza IA generalista o agéntica en procesos de relación con clientes. La siguiente fase no dependerá únicamente de la capacidad de los modelos, sino de cómo se gobiernan sus permisos, datos, decisiones y acciones.

La primera gran ola de inteligencia artificial generativa dentro de las empresas estuvo dominada por chatbots, asistentes y copilotos.

La siguiente pretende ir considerablemente más lejos.

Los denominados agentes de inteligencia artificial pueden descomponer un objetivo en diferentes pasos, consultar información, interactuar con aplicaciones empresariales y ejecutar determinadas acciones siguiendo reglas previamente establecidas.

Para bancos y aseguradoras, esta evolución puede representar un cambio especialmente relevante.

Estas organizaciones gestionan millones de operaciones, enormes cantidades de documentación y procesos sujetos a estrictos requisitos regulatorios.

La oportunidad consiste en automatizar una mayor parte de ese trabajo. El desafío consiste en hacerlo sin perder control, trazabilidad ni capacidad para explicar qué ha ocurrido.

El 55% de los bancos encuestados ya utiliza IA en procesos de cliente

Según datos de la European Banking Authority (EBA) citados por Qaracter, el 55% de los bancos encuestados utiliza ya inteligencia artificial generalista o agéntica en procesos relacionados con clientes.

Entre las áreas señaladas aparecen:

• Detección y notificación de actividad fraudulenta o sospechosa.
• Apoyo a los equipos de atención al cliente.
• Automatización de información para autoservicio.
• Asistentes digitales.

El dato muestra que la inteligencia artificial empieza a integrarse en operaciones reales y deja de utilizarse únicamente como herramienta experimental.

Conviene, sin embargo, diferenciar la IA generalista de la IA agéntica. El porcentaje de la EBA citado por Qaracter agrupa ambas categorías y, por tanto, no significa que el 55% de los bancos opere ya agentes autónomos dentro de sus procesos.

¿Qué diferencia a un agente de un chatbot?

La diferencia fundamental está en la capacidad de actuar sobre un proceso.

Un chatbot responde a una pregunta.

Un copiloto puede ayudar a resumir documentos, redactar textos o analizar información.

Una automatización convencional ejecuta reglas concretas previamente programadas.

Un agente puede recibir un objetivo más amplio y coordinar diferentes tareas para intentar conseguirlo.

Del asistente digital al agente operativo

La IA agéntica introduce una lógica diferente porque puede intervenir dentro de los propios flujos de trabajo.

Un agente podría consultar varias bases de datos, analizar la documentación disponible, activar una tarea dentro de una aplicación, comprobar determinadas reglas y solicitar validación humana cuando encuentre una excepción.

El objetivo no consiste necesariamente en eliminar a la persona del proceso.

En sectores regulados, una arquitectura mucho más probable es aquella en la que el agente realiza la parte repetitiva y escala decisiones críticas hacia profesionales humanos.

TerritorioFintech ha analizado recientemente cómo Fujitsu está aplicando esta lógica con Aurora dentro del soporte tecnológico, utilizando agentes capaces de coordinar diferentes herramientas para intentar resolver incidencias de principio a fin.

El 23% de las organizaciones estaría ya escalando sistemas agénticos

La nota de Qaracter cita además informes sectoriales sobre el estado de la inteligencia artificial en 2025 según los cuales un 23% de las organizaciones estaría escalando algún sistema de IA agéntica.

Otro 39% estaría experimentando con agentes.

Los porcentajes apuntan hacia un mercado que todavía se encuentra en una etapa temprana.

La mayor parte de las organizaciones no ha desplegado todavía agentes de manera generalizada, pero existe una base considerable realizando pruebas o trasladando determinados casos de uso hacia producción.

El desafío cambia entonces de naturaleza.

Construir una demostración resulta relativamente sencillo. Integrarla con datos, sistemas internos, permisos, procesos empresariales y controles regulatorios es considerablemente más complejo.

Onboarding y KYC son candidatos naturales para los agentes

En banca existen numerosos procesos que combinan documentación, consultas a distintos sistemas y reglas de negocio.

El onboarding y las verificaciones KYC son buenos ejemplos.

Un agente podría ayudar a comprobar qué documentación ha presentado el cliente, identificar qué información falta, contrastar determinados campos y preparar el expediente para su revisión.

Esto no implica necesariamente delegar en el agente la decisión definitiva sobre aceptar o rechazar al cliente.

El valor puede encontrarse simplemente en coordinar todo el trabajo previo y presentar la información de manera estructurada al profesional responsable.

La detección de fraude puede pasar de alerta a coordinación

La prevención del fraude representa otro ámbito de especial interés.

Los sistemas actuales pueden detectar determinadas anomalías y generar alertas.

Un agente podría ir un paso más allá y coordinar la respuesta.

Por ejemplo, consultar información adicional, revisar operaciones relacionadas, priorizar la incidencia y preparar los datos necesarios para que un especialista determine la acción definitiva.

La diferencia está en pasar de un sistema que identifica un posible problema a otro capaz de coordinar varios pasos alrededor de ese problema.

El reporting regulatorio puede reducir parte de su carga manual

Los bancos producen una enorme cantidad de información para reguladores, supervisores y equipos internos de riesgo.

Parte del esfuerzo consiste en recopilar información procedente de sistemas diferentes, comprobar su consistencia y preparar documentación.

La IA agéntica puede ayudar a coordinar estos procesos siempre que disponga de accesos claramente definidos y que cada acción quede registrada.

La trazabilidad adquiere aquí una importancia fundamental.

Un dato incorporado a un informe regulatorio debe poder relacionarse con su origen y con las transformaciones realizadas sobre él.

En seguros, los siniestros ofrecen un caso de uso evidente

La misma arquitectura puede trasladarse al sector asegurador.

Gestionar un siniestro puede implicar documentación, pólizas, fotografías, comunicaciones con el cliente, verificaciones y análisis de fraude.

Qaracter plantea que un agente podría:

• Revisar la documentación recibida.
• Clasificar el siniestro.
• Detectar información pendiente.
• Consultar las coberturas contratadas.
• Identificar posibles señales de riesgo.
• Preparar una propuesta para que sea revisada por una persona.

El beneficio no se limitaría necesariamente a reducir costes.

También podría disminuir el tiempo durante el que un expediente permanece detenido entre diferentes equipos y sistemas.

La IA agéntica puede atacar procesos fragmentados

Este aspecto resulta especialmente importante.

Muchos procesos empresariales no son lentos porque cada tarea individual sea compleja, sino porque la información tiene que desplazarse constantemente entre herramientas y departamentos.

Un documento llega por correo.

Un empleado consulta una aplicación.

Después copia información hacia otro sistema.

Solicita una validación y espera una respuesta.

Los agentes pueden proporcionar valor precisamente coordinando estos pequeños pasos.

El cliente quiere IA, pero no quiere desaparecer de la decisión

La adopción tecnológica deberá convivir además con las preferencias de los propios usuarios.

El I Barómetro Qaracter 2025 sobre Tendencias y Digitalización en Banca y Seguros señala que el 81% de los clientes considera que la inteligencia artificial puede mejorar la gestión financiera.

Sin embargo, cerca del 54% expresa preocupación respecto a su utilización.

La tensión entre utilidad y confianza aparece especialmente cuando aumenta la autonomía del sistema.

El 60% no contrataría un producto bancario sin intervención humana

Según el mismo barómetro, el 60% de los usuarios no contrataría un producto bancario sin intervención humana.

El dato sugiere que automatizar completamente determinadas decisiones puede ir por delante de las preferencias actuales del consumidor.

Esto coincide con otros estudios recientes sobre agentes financieros.

TerritorioFintech ha analizado cómo los consumidores españoles muestran un elevado interés por utilizar inteligencia artificial para comparar productos o detectar fraude, pero prefieren conservar mecanismos de supervisión antes de delegar completamente una decisión económica.

La autonomía puede ser técnicamente posible antes de que exista suficiente confianza para utilizarla.

El 85% sigue prefiriendo una persona cuando aparece un problema

La intervención humana gana todavía más peso cuando existe una incidencia.

El barómetro de Qaracter indica que el 85% prefiere interactuar con un agente humano mediante teléfono o chat antes que con un asistente virtual cuando necesita resolver problemas o dudas.

Esto plantea una arquitectura potencialmente híbrida.

Los agentes pueden gestionar grandes cantidades de tareas, pero la transición hacia una persona debe ser sencilla cuando el usuario lo solicita o cuando la situación supera determinados niveles de riesgo.

La IA agéntica no debería ser una caja negra

Qaracter sitúa este principio en el centro de la adopción financiera.

Un agente que interviene sobre datos, clientes o aplicaciones corporativas necesita operar dentro de límites conocidos.

La organización debe poder responder preguntas como:

• ¿Qué puede hacer este agente?
• ¿A qué datos puede acceder?
• ¿Qué herramientas puede utilizar?
• ¿Qué acciones requieren autorización humana?
• ¿Qué ocurre cuando encuentra una excepción?
• ¿Cómo se registra lo que ha realizado?
• ¿Cómo se mide si está generando valor?

Sin estas respuestas, aumentar la autonomía puede significar aumentar también el riesgo operacional.

Los permisos se convierten en una pieza crítica

Un empleado no suele tener acceso ilimitado a todos los sistemas de una entidad financiera.

Los agentes tampoco deberían tenerlo.

La arquitectura necesita aplicar el principio de mínimo privilegio: cada sistema debe disponer únicamente de los permisos necesarios para ejecutar la función que tiene asignada.

Un agente diseñado para recopilar documentación no necesita necesariamente capacidad para aprobar una operación.

Otro destinado a analizar transacciones puede consultar determinados movimientos sin disponer de permiso para transferir fondos.

La gestión de permisos pasa así de ser una cuestión técnica a convertirse en un elemento central de gobierno de IA.

Gobierno del dato: sin información fiable no existe agente fiable

La calidad del resultado depende también de la calidad de los datos utilizados.

Una organización puede desplegar un modelo extraordinariamente avanzado y obtener resultados deficientes si la información de entrada está incompleta, duplicada o desactualizada.

Los agentes aumentan todavía más esta dependencia porque pueden utilizar esos datos para tomar decisiones operativas.

Qaracter identifica por ello el gobierno del dato como una de las condiciones fundamentales para la adopción.

Los sistemas legacy son una barrera menos visible

Bancos y aseguradoras operan habitualmente con infraestructuras construidas durante décadas.

Algunas aplicaciones pueden utilizar tecnologías modernas, mientras que otras continúan apoyándose en sistemas antiguos pero críticos para el funcionamiento de la organización.

Un agente solo puede coordinar un proceso completo si consigue interactuar de manera segura con esas diferentes capas.

La integración con sistemas legacy puede convertirse así en una dificultad mayor que desarrollar el propio modelo de IA.

La trazabilidad debe registrar cada acción

Cuando un agente ejecuta una tarea, la organización necesita poder reconstruir lo sucedido.

Qué información consultó.

Qué herramienta utilizó.

Qué regla aplicó.

Qué resultado obtuvo.

Qué acción ejecutó posteriormente.

Y, cuando corresponda, quién autorizó esa acción.

Este registro resulta fundamental para auditoría, seguridad y cumplimiento.

Explicabilidad: saber por qué se tomó una decisión

La explicabilidad adquiere especial importancia cuando la inteligencia artificial participa en procesos capaces de afectar a un cliente.

No basta con saber que el sistema produjo una determinada respuesta.

La entidad puede necesitar comprender qué información influyó en ella y cómo se llegó al resultado.

Esto resulta especialmente crítico en decisiones relacionadas con riesgo, crédito o fraude.

Cuanto mayor sea el impacto de una acción, mayor debería ser también la capacidad para justificarla.

El AI Act eleva las exigencias de gobernanza

La adopción se produce además dentro de un marco regulatorio europeo cada vez más definido.

El AI Act establece diferentes obligaciones dependiendo del tipo de sistema, su finalidad y el nivel de riesgo asociado.

Para bancos y aseguradoras, esto obliga a analizar cada caso de uso individualmente en lugar de tratar toda la inteligencia artificial como una única categoría tecnológica.

TerritorioFintech ha analizado en nuestro artículo sobre las nuevas obligaciones europeas de transparencia en IA cómo el despliegue de estos sistemas incorpora progresivamente requisitos relacionados con información al usuario y trazabilidad.

DORA añade una segunda capa: resiliencia tecnológica

El marco regulatorio financiero incorpora además DORA, la normativa europea sobre resiliencia operativa digital.

DORA obliga a las entidades financieras a reforzar ámbitos como gestión del riesgo tecnológico, respuesta a incidentes y supervisión de proveedores externos.

Los agentes introducen nuevas dependencias tecnológicas.

Una entidad puede utilizar modelos proporcionados por terceros, infraestructura cloud, herramientas externas y diferentes integraciones para construir un único flujo agéntico.

La resiliencia de ese proceso depende entonces de toda la cadena.

La ciberseguridad se vuelve más compleja cuando la IA puede actuar

Existe una diferencia importante entre comprometer un chatbot y comprometer un agente con acceso a herramientas.

El primero puede producir información incorrecta.

El segundo puede potencialmente ejecutar una acción.

Esto convierte la seguridad en una condición previa para aumentar la autonomía.

Controles de identidad, autenticación, gestión de secretos, segmentación de permisos y supervisión de las acciones adquieren un peso cada vez mayor.

TerritorioFintech ha analizado también cómo la ciberresiliencia se ha convertido en una prioridad para la banca ante el aumento de los incidentes tecnológicos.

Los agentes pueden introducir nuevos vectores de ataque

Los sistemas agénticos también amplían la superficie que una organización debe proteger.

Un atacante puede intentar manipular las instrucciones recibidas por el agente, conseguir que utilice una herramienta de manera indebida o explotar la información a la que tiene acceso.

El denominado prompt injection representa únicamente uno de los ejemplos.

Cuando el modelo dispone de capacidad para actuar, el impacto potencial de una manipulación aumenta.

La seguridad debe diseñarse por tanto alrededor de todo el flujo y no exclusivamente del modelo.

Supervisión humana no significa revisar manualmente cada acción

Un error habitual sería interpretar la supervisión humana como la necesidad de aprobar absolutamente cada paso.

Ese modelo eliminaría buena parte de las ventajas de la automatización.

La supervisión puede diseñarse en función del riesgo.

Las tareas rutinarias pueden ejecutarse automáticamente.

Las operaciones por encima de determinados umbrales pueden exigir confirmación.

Las excepciones pueden escalarse hacia especialistas.

Y las acciones críticas pueden mantenerse completamente fuera del alcance del agente.

El verdadero diseño está en decidir dónde colocar los límites

Marta Sanz, directora Global de Exponential Technologies de Qaracter, resume la cuestión señalando que el cambio no consiste simplemente en automatizar más tareas.

La prioridad está en integrar agentes dentro de procesos críticos con reglas claras, gobierno del dato, controles de riesgo, ciberseguridad, trazabilidad y supervisión humana.

Desde esta perspectiva, la pregunta no es cuánta autonomía puede concederse técnicamente a un sistema.

La pregunta relevante es qué nivel de autonomía tiene sentido para cada proceso.

La medición del retorno será imprescindible

El entusiasmo tecnológico puede generar proyectos que funcionan correctamente pero no crean suficiente valor económico.

Qaracter sitúa por ello la medición del retorno entre los grandes retos del despliegue.

Un agente debe demostrar mejoras concretas.

Reducción del tiempo de resolución.

Menos errores.

Menores costes.

Mayor capacidad de atención.

Más operaciones completadas sin incidencias.

O una mejor experiencia del cliente.

Sin métricas previas resulta difícil determinar si la nueva arquitectura supera realmente al proceso anterior.

La IA agéntica puede convertirse en infraestructura financiera interna

La evolución puede terminar siendo menos visible para los clientes de lo que inicialmente parece.

Una gran parte de los agentes podría operar en segundo plano.

No necesariamente veremos un avatar digital tomando decisiones.

Podemos encontrar sistemas que preparan expedientes, concilian información, revisan documentación y coordinan aplicaciones antes de que un empleado intervenga.

En estos casos, la principal transformación se producirá dentro de los procesos operativos.

La experiencia del cliente puede mejorar sin eliminar al empleado

Automatizar trabajo interno puede incluso permitir una interacción más humana.

Un agente puede reunir la información necesaria antes de transferir el caso a un profesional.

El empleado recibe entonces el expediente estructurado y puede dedicar más tiempo a resolver la situación del cliente en lugar de recopilar manualmente los datos.

La automatización y la atención humana no tienen por qué ser alternativas excluyentes.

La banca entra en la fase de integración

Durante los últimos años, buena parte de la conversación sobre inteligencia artificial estuvo centrada en identificar casos de uso.

La siguiente etapa será considerablemente más difícil.

Las entidades tendrán que integrar agentes con datos reales, sistemas reales y procesos sometidos a regulación.

Eso obliga a pasar de las demostraciones de laboratorio hacia arquitecturas capaces de funcionar de manera estable, segura y auditable.

La autonomía llegará proceso a proceso

Es improbable que un banco pase de un día para otro a una organización donde los agentes operan libremente sobre todos sus sistemas.

La evolución probablemente será gradual.

Primero aparecerán tareas de bajo riesgo.

Después flujos con autorización humana.

Posteriormente determinadas acciones podrán ejecutarse automáticamente bajo reglas concretas.

El nivel de autonomía dependerá de factores como impacto económico, sensibilidad de los datos y criticidad regulatoria.

Más autonomía exigirá también más control

Existe una aparente contradicción en la IA agéntica.

Cuantas más tareas pueda realizar un sistema sin intervención humana, mayor debe ser la infraestructura que controla su comportamiento.

Autonomía no significa ausencia de gobierno.

Significa trasladar parte del control desde la ejecución manual hacia permisos, políticas, límites, monitorización y auditoría.

Ese será probablemente uno de los grandes cambios organizativos de esta nueva etapa.

La IA agéntica empieza a pasar de promesa a infraestructura

Los datos recopilados por Qaracter muestran un mercado que se encuentra todavía en transición.

La EBA señala que más de la mitad de los bancos encuestados utiliza ya IA generalista o agéntica en procesos vinculados con clientes, mientras que diferentes organizaciones están experimentando con sistemas capaces de ejecutar flujos más complejos.

El potencial para banca y seguros es amplio: onboarding, KYC, fraude, siniestros, reporting, conciliaciones, soporte o gestión documental.

Pero los factores que determinarán el éxito probablemente serán menos llamativos que el propio modelo de inteligencia artificial.

Gobierno del dato, permisos, integración con sistemas legacy, ciberseguridad, trazabilidad, explicabilidad, supervisión humana y retorno económico pueden acabar siendo las verdaderas variables competitivas.

La próxima fase de la IA financiera no consistirá únicamente en construir agentes más inteligentes.

Consistirá en conseguir que puedan trabajar dentro de una entidad regulada de forma útil, segura, auditable y suficientemente controlada como para que clientes, empleados, directivos y supervisores confíen en ellos.

TerritorioFintech es un medio digital dirigido a la Digital Money Generation y especializado en la actualidad de los nuevos modelos bancarios y financieros. Su equipo editorial publica contenidos informativos y divulgativos con el objetivo de contribuir a mejorar la educación financiera de sus lectores.

Todos los contenidos tienen una finalidad exclusivamente informativa y educativa. En ningún caso deben interpretarse como asesoramiento financiero ni como recomendaciones de inversión.