Agentes de IA para anticipar necesidades

La banca ya automatiza pagos, atención y análisis con agentes de IA, pero todavía enfrenta un límite: qué decisiones sobre el dinero pueden quedar en manos de una máquina

En la edición conjunta de Fintech Summit Americas & Token Americas, especialistas de Scotiabank México, Banorte, Banco Azteca, Actinver y Coinscrap Finance coincidieron en que la IA podrá recomendar y ejecutar cada vez más tareas, mientras las decisiones financieras de mayor impacto seguirán bajo control de las personas.

El debate no es teórico. Según el último informe de N5, el 77% de las instituciones financieras de América Latina ya invierte en algoritmos de IA y análisis avanzado de datos, y un 75% planea incorporar agentes de IA durante 2026.

La región, además, ya tiene casos en producción: en marzo, Mastercard ejecutó sus primeras transacciones agénticas comerciales en América Latina, y semanas después Santander y Visa completaron un piloto simultáneo en Argentina, Brasil, Chile, México y Uruguay en el que agentes de IA resolvieron compras de punta a punta sin intervención humana.

El siguiente paso será definir hasta dónde puede llegar esa autonomía: ¿veremos agentes capaces de anticipar un crédito, una inversión o una necesidad financiera sin terminar decidiendo por las personas?

La inteligencia artificia ya no solo responde preguntas o analiza información: también ejecuta operaciones que antes requerían intervención humana. El límite aparece cuando pasa de ejecutar a decidir sobre el dinero de las personas. Hoy es posible interpretar necesidades y automatizar procesos, pero las decisiones de mayor impacto patrimonial todavía requieren supervisión humana, según coincidieron especialistas del sector durante los paneles La era de la hiperpersonalización: IA, datos y decisiones en tiempo real y El auge de los agentes de IA: del asistente al decisor financiero.

De ofrecer productos a anticipar necesidades

Hasta ahora, buena parte del impacto de la IA en el sector se concentró en aumentar la productividad, agilizar procesos y reducir costos. El siguiente paso será convertir esas capacidades en ingresos mediante servicios hiperpersonalizados.

«La oportunidad está en aprovechar la información disponible para entender mejor las necesidades financieras de una persona y disminuir la distancia entre lo que necesita y lo que la institución le ofrece», señaló Diego Romero Tuccio, de Coinscrap Finance.

Por su parte, Guillermo García Vivanco, de Actinver, explicó que «la expectativa es llegar a una personalización capaz de ofrecer a cada persona lo que necesita y en el momento en que lo necesite, sin que él mismo sepa que lo necesita». Esta capacidad podría dejar de ser un diferenciador para convertirse gradualmente en una expectativa básica de los usuarios, en línea con el dato de Accenture: siete de cada diez consumidores de la región ya dan por hecho que su banco les ofrecerá ese nivel de anticipación.

Pero la promesa no depende solo de incorporar modelos más avanzados. Uno de los principales obstáculos está dentro de las propias instituciones: convertir grandes volúmenes de información dispersa en datos estructurados que puedan utilizarse de forma segura. Es, de hecho, la misma fricción que identifica EY en su reporte The State of AI in 2025: cerca de dos tercios de las instituciones financieras de la región permanecen en fase de experimentación o piloto, sin lograr escalar sus proyectos de IA agéntica a nivel de toda la organización.

Durante el panel, los especialistas señalaron que parte de la información financiera permanece distribuida entre diferentes áreas y sistemas, lo que dificulta utilizarla de manera integrada. Para que los agentes puedan operar sobre ella, será necesario ordenar los datos y establecer cómo se relacionan con los procesos y sistemas internos.

Ese mayor conocimiento también eleva otra discusión: qué información puede utilizar una institución, para qué y bajo qué condiciones. Matías Núñez, de Scotiabank México, planteó que la personalización debe distinguirse de una invasión a la privacidad y que el uso de la información debe mantener al usuario en control sobre cómo se aprovechan sus datos.

La última palabra no se automatiza

El problema surge cuando los agentes dejan de limitarse a recomendar y adquieren capacidad para actuar. Edgar Torres —moderador del panel y Venture Capital Program Manager en  Google—, explicó que esta nueva generación de sistemas puede interpretar intenciones, analizar múltiples fuentes de información y ejecutar acciones, lo que marca una diferencia frente al chatbot tradicional que se limita a responder preguntas. Pero automatizar una operación no equivale a delegar una decisión financiera.

Los pagos y otros procesos cotidianos pueden avanzar hacia esquemas con poca o ninguna intervención humana una vez que existan reglas y modelos suficientemente probados. En cambio, las decisiones patrimoniales que una persona toma pocas veces en su vida requieren un grado distinto de acompañamiento.

Para Jorge Alfonso Pérez Cuervo, de Banorte, la confianza deberá construirse gradualmente y acompañarse de controles y revisión humana: a medida que los sistemas demuestren su capacidad, podrán recibir más responsabilidades, pero las decisiones relevantes seguirán requiriendo supervisión.

En la misma línea, Alexander Guerra Perales, de Banco Azteca, coincidió en que la IA puede ofrecer opciones y recomendaciones a partir del comportamiento y el contexto financiero de cada persona, pero sostuvo que la decisión final debe mantenerse en manos del cliente. «En el momento en que el cliente sienta que no tiene el control, se pone en riesgo la confianza en la herramienta», concluyó.

El marco regulatorio ya empieza a moverse en esa dirección: la Ley de IA de la Unión Europea, vigente desde 2026, clasifica a las herramientas de IA en servicios financieros como «de alto riesgo» y exige explicabilidad, controles humanos y auditorías externas, un estándar que distintos reguladores de la región observan de cerca a medida que la banca agéntica avanza de la promesa a la implementación.