- La mayoría de las instituciones financieras de América Latina ya experimenta con inteligencia artificial. Muy pocas han logrado escalarla.
- Un reporte identifica los ocho factores que separan a las organizaciones que capturan valor de las que acumulan pruebas de concepto.
La brecha entre entusiasmo e impacto en IA tiene nombre propio en la banca: purgatorio de pilotos. McKinsey, en su reporte The State of AI in 2025 con base en casi 2.000 participantes de 105 países, encontró que el 88% de las organizaciones usa IA en al menos una función de negocio, pero solo el 23% ha logrado escalar sistemas agénticos a producción a nivel empresa, y cerca de dos tercios siguen atrapados en fases de experimentación.
En América Latina, el cuadro no es más alentador. Cerca de dos tercios de las instituciones financieras de la región se mantienen en experimentación o piloto:
| Indicador | % |
|---|---|
| Instituciones en fase de experimentación o piloto | ~66% |
| Reportan curiosidad o pruebas con agentes de IA | 62% |
| Afirman que la IA está habilitando innovación | 64% |
| Reportan impacto real en EBIT a nivel empresa | 39% |
| Fuente: McKinsey / Semana Economía, 2026 | |
Frente a ese diagnóstico, el reporte de EY —elaborado con líderes de banca corporativa, comercial y para pequeñas empresas— identifica ocho factores críticos que determinan si una institución logra o no convertir sus iniciativas de IA en ventaja competitiva real. Lo que sigue es un análisis de esos factores con el foco puesto en la realidad regional.
El problema de fondo: los pilotos no se caen solos, se empantanan
Según un informe patrocinado por EY en colaboración con MIT Technology Review Insights sobre IA agéntica, más de la mitad —el 52%— de los bancos ha puesto a prueba esta tecnología, pero solo el 16% ha implementado plenamente casos de uso. En los casos en que lo han utilizado, el impacto ha sido decepcionante.
La causa no es tecnológica. El problema central queda fuera de los modelos y de la regulación, y se ubica en lo que los investigadores llaman la «brecha de aprendizaje» entre las herramientas y las organizaciones que las despliegan. Abundan las pruebas de concepto, demos internas y experimentos en laboratorios de innovación, pero son pocos los sistemas de IA realmente integrados en las operaciones diarias, con responsables definidos, métricas de negocio claras y ciclos de mejora continua.
Gartner va más allá: proyecta que más del 40% de los proyectos de IA agéntica serán cancelados antes de finales de 2027. Las razones: costos escalados, valor de negocio poco claro y controles de riesgo inadecuados.
IA para bancos: ocho factores CLAVE
1. Virar hacia casos de uso externos
La IA bancaria se ha desplegado, hasta ahora, principalmente hacia adentro: eficiencia operativa, back-office, automatización de procesos internos. Sin embargo, todos los ejecutivos bancarios consultados por EY consideran que la tecnología resulta más ventajosa cuando se utiliza en beneficio del cliente: reducir a la mitad el tiempo que lleva completar un formulario de solicitud de préstamo, ofrecer respuestas inmediatas a consultas relacionadas con cuentas a través de chatbots, o brindar asesoramiento más personalizado al dotar a los gestores de cuentas de información generada por IA.
La cautela tiene sus razones —alucinaciones, responsabilidad regulatoria, distancia entre los equipos de IA y las áreas de atención al cliente— pero también tiene costos crecientes. En un mercado donde el 77% de las instituciones financieras latinoamericanas ya invierte activamente en algoritmos de inteligencia artificial y análisis avanzado de datos, la diferenciación competitiva estará en quien llegue primero al cliente con experiencias coherentes.
2. Empoderar al negocio, no solo a tecnología
En la mayoría de los bancos, los equipos de tecnología dirigen la inversión en inteligencia artificial. Al estar alejados de la parte del negocio orientada al cliente, tienden a implementar IA en aquellas áreas que conocen bien: las operaciones administrativas.
Matthew Parker-Jones, director global de Productos de Banca de Transacciones de Scotiabank, lo expresa con claridad en el reporte: las áreas de negocio deben ser las que conduzcan los resultados mediante IA, ya sea una mejor experiencia del cliente o una reducción de costos, de lo contrario se recurrirá por defecto a un equipo central que se encargará de todo. La transformación digital de la banca latinoamericana ya apunta en esa dirección: la innovación hoy se juega en la cultura organizacional, el diseño de experiencias y el uso responsable de la IA, según un consenso emergente entre líderes de Bradesco, Bancamía, Mibanco e Infocorp.
3. No ignorar el ROI
Evaluar el ROI de la inteligencia artificial es complejo y, a corto plazo, suele ser inferior a lo previsto. Esto ha llevado a algunos bancos a dejar de lado por completo los cálculos del retorno de la inversión. La historia invita a ser cautelosos: en los inicios de la banca por internet, las previsiones iniciales sobre el ahorro de costos resultaron prematuras. Los beneficios económicos reales no se hicieron evidentes hasta años más tarde.
Como mínimo, una evaluación aproximada —tal vez mediante pruebas A/B— puede ayudar a priorizar los casos de uso. «No se debe pasar por alto el ROI, aunque se trate de una estimación aproximada», señala James Sankey, EY EMEIA Corporate, Commercial and SME Banking Leader. «Muchos dan por sentado que el ROI será positivo, pero si se tienen en cuenta todos los costos tecnológicos, podría ser negativo durante los dos primeros años».
4. Construir una plataforma, no un mosaico de casos de uso
Muchos bancos tienen dificultades para ampliar la implementación de la IA porque desarrollan casos de uso desde cero. Aunque este enfoque puede resultar rápido, a menudo genera problemas a largo plazo: los casos de uso acaban dependiendo de un mosaico de tecnologías, herramientas y capacidades complementarias. Una estrategia más sostenible consiste en crear una plataforma de capacidades básicas —OCR, aprendizaje automático, estructuras RAG, bases de datos vectoriales, bibliotecas de indicaciones— que puedan reutilizarse en cualquier caso de uso.
Sin una plataforma unificada, los agentes de IA quedan aislados entre sí, imposibilitando la integración de procesos completos como el de crédito.
5. Resolver los problemas de datos con IA
Los datos incompletos o de baja calidad constituyen el principal obstáculo para la ampliación de la IA. El enfoque habitual consiste en destinar recursos humanos a ello, pero esto tiene sus limitaciones y resulta costoso. La IA necesita datos de calidad, pero también puede ayudar a mejorarlos. EY documenta un caso concreto: al usar IA para validar datos de suscripción crediticia, un banco logró elevar la precisión de sus registros a cerca del 90%, permitiendo que los equipos se concentraran en los casos más complejos.
6. Repensar la ecuación nube vs. infraestructura propia
A medida que los bancos utilizan cada vez más la inteligencia artificial, la potencia de cálculo necesaria aumenta drásticamente. Esto plantea la cuestión de si es mejor operar en la nube o en instalaciones propias. Sin embargo, el elevado costo inicial de construir infraestructura informática a gran escala hace que sea viable solo para los bancos más grandes.
La adopción de plataformas nativas en la nube permitió a bancos y fintechs de la región lanzar productos más rápido, reducir costos y mejorar la experiencia del cliente en 2025. Aun así, el reporte de EY advierte que los modelos de precios de la nube están evolucionando a medida que crecen las cargas de trabajo de IA, y que la dependencia de pocos proveedores plantea riesgos estratégicos no menores.
7. Anticipar la brecha de talento
La falta de conocimientos tecnológicos podría echar por tierra las ambiciones en materia de IA. Al ser preguntados sobre los desafíos para generar valor a partir de la IA autónoma, el 58% de los bancos señaló la falta de conocimientos y capacidades tecnológicas. «Ya se trate de ingenieros de IA y datos, desarrolladores de aplicaciones o especialistas en ciberseguridad, los bancos necesitan entre tres y cinco veces más personal que el que tenían hace cinco años», afirma Sameer Gupta, EY Americas Financial Services AI Leader.
Según proyecciones de IDC publicadas en 2026, más del 90% de las empresas a nivel global enfrentará una escasez crítica de habilidades en IA hacia finales de ese año. Para la banca latinoamericana, que registra niveles de adopción empresarial de IA considerablemente menores a los de la OCDE y mantiene un rezago en gasto en inteligencia artificial como porcentaje del PIB, esta presión sobre el talento es una variable de urgencia inmediata.
8. Renovar los marcos de riesgo
La implementación a escala de la IA, especialmente en aplicaciones orientadas al cliente, conlleva tanto riesgos como beneficios. Una encuesta de EY sobre IA responsable reveló que dos tercios de los líderes del sector bancario consideran que los resultados poco fiables de la IA constituyen una preocupación de grave a moderada, y que el 48% teme que se tome en serio la información falsa generada por la IA.
ING, por ejemplo, cuenta con 140 controles que deben evaluarse en relación con la IA generativa, aunque algunos se están automatizando. «La IA generativa plantea muchas más dimensiones de riesgo relacionadas con la privacidad, la propiedad intelectual, los proveedores, los datos y la toma de decisiones», señala Bahadir Yilmaz, director de Análisis de ING.
La ventana para los primeros que escalen
El reporte de EY no es un documento de optimismo tecnológico. Es, en todo caso, un mapa de las fricciones reales que separan la experimentación del valor. Para los decisores de banca y fintech en la región, la oportunidad no está en iniciar más pilotos: está en transformar los que ya existen en sistemas operativos con métricas, responsables y ciclos de mejora.
Las instituciones financieras deben enfocarse en identificar el valor en riesgo y los puntos de control clave para mantenerse relevantes en un mundo intermediado por agentes de IA, advierte McKinsey. La tecnología está disponible. La ventaja, como siempre, irá a quienes construyan sobre ella primero.
