Las instituciones financieras han dejado atrás la fase experimental de la inteligencia artificial y ahora se enfocan en su integración operativa. En 2026, el objetivo es industrializar las capacidades de IA, donde los agentes no solo asisten a los operadores humanos, sino que gestionan procesos completos dentro de marcos de gobernanza estrictos.
Este cambio presenta desafíos arquitectónicos y culturales significativos. Se requiere pasar de herramientas dispares a sistemas integrados que manejen simultáneamente señales de datos, lógica de decisiones y capas de ejecución. Según Saachin Bhatt, Co-Fundador y COO de Brdge, la diferencia entre las herramientas actuales y las futuras radica en que “un asistente ayuda a escribir más rápido. Un copiloto ayuda a los equipos a moverse más rápido. Los agentes gestionan procesos”.
Para los arquitectos empresariales, esto implica construir lo que Bhatt llama un ‘Motor de Momentos’. Este modelo operativo consta de cinco etapas distintas: Señales: detección de eventos en tiempo real en el viaje del cliente. Decisiones: determinación de la respuesta algorítmica adecuada. Mensaje: generación de comunicación alineada con los parámetros de la marca. Enrutamiento: triaje automatizado para determinar si se requiere aprobación humana. Acción y aprendizaje: implementación e integración de bucles de retroalimentación.
La mayoría de las organizaciones poseen componentes de esta arquitectura, pero carecen de la integración necesaria para que funcione como un sistema unificado. El objetivo técnico es reducir la fricción que ralentiza las interacciones con los clientes, creando flujos de datos que van desde la detección de señales hasta la ejecución, minimizando la latencia y manteniendo la seguridad.
En entornos críticos como la banca y los seguros, la velocidad no puede comprometer el control. La confianza sigue siendo el principal activo comercial. Por ello, la gobernanza debe considerarse una característica técnica, no un obstáculo burocrático. La integración de la IA en la toma de decisiones financieras exige “guardrails” que estén codificados en el sistema, garantizando que los agentes de IA puedan ejecutar tareas de manera autónoma, pero dentro de parámetros de riesgo predefinidos.
Farhad Divecha, CEO del grupo Accuracast, sugiere que la optimización creativa debe convertirse en un bucle continuo donde los conocimientos basados en datos alimenten la innovación. Sin embargo, este ciclo necesita flujos de trabajo de aseguramiento de calidad rigurosos para asegurar que los resultados nunca comprometan la integridad de la marca. Para los equipos técnicos, esto implica un cambio en la forma en que se maneja el cumplimiento. En lugar de ser un control final, los requisitos regulatorios deben integrarse en las etapas de ingeniería de prompts y ajuste de modelos.
“El interés legítimo es interesante, pero también es donde muchas empresas podrían tropezar”, observa Jonathan Bowyer, ex Director de Marketing de Lloyds Banking Group. Argumenta que regulaciones como el Deber del Consumidor ayudan al forzar un enfoque basado en resultados. Los líderes técnicos deben trabajar con equipos de riesgo para garantizar que la actividad impulsada por IA respete los valores de la marca, lo que incluye protocolos de transparencia. Los clientes deben saber cuándo interactúan con una IA y los sistemas deben proporcionar un camino claro de escalación hacia operadores humanos.
Un modo común de falla en los motores de personalización es el exceso de compromiso. La capacidad técnica para enviar mensajes a un cliente existe, pero a menudo falta la lógica para determinar la moderación. La personalización efectiva depende de la anticipación; saber cuándo permanecer en silencio es tan importante como saber cuándo hablar. Bowyer señala que la personalización ha evolucionado hacia la anticipación. “Los clientes ahora esperan que las marcas sepan cuándo no hablarles, además de cuándo hacerlo”. Esto requiere una arquitectura de datos capaz de cruzar el contexto del cliente a través de múltiples canales en tiempo real.
Si un cliente enfrenta dificultades financieras, un algoritmo de marketing que promueve un producto de préstamo crea una desconexión que erosiona la confianza. El sistema debe poder detectar señales negativas y suprimir flujos de trabajo promocionales estándar. “Lo que mata la confianza es cuando vas a un canal y luego te mueves a otro y tienes que responder las mismas preguntas una y otra vez”, dice Bowyer. Resolver esto requiere unificar los almacenes de datos para que la “memoria” de la institución esté accesible para cada agente, ya sea digital o humano, en el punto de interacción.
La capa de descubrimiento para productos financieros está cambiando en la era de la IA. La optimización de motores de búsqueda (SEO) tradicional se centraba en dirigir tráfico a propiedades propias. La aparición de respuestas generadas por IA significa que la visibilidad de la marca ahora ocurre fuera del sitio, dentro de la interfaz de un modelo de lenguaje o herramienta de búsqueda de IA. “Las relaciones públicas digitales y el SEO fuera del sitio están volviendo a enfocarse porque las respuestas generadas por IA no se limitan al contenido extraído directamente del sitio web de una empresa”, señala Divecha.
Para los CIO y CDO, esto cambia la forma en que se estructura y publica la información. El SEO técnico debe evolucionar para asegurar que los datos alimentados a los modelos de lenguaje grande sean precisos y cumplan con las normativas. Las organizaciones que puedan distribuir información de alta calidad a lo largo del ecosistema ganan alcance sin sacrificar el control. Esta área, a menudo denominada ‘Optimización de Motores Generativos’ (GEO), requiere una estrategia técnica para asegurar que la marca sea recomendada y citada correctamente por agentes de IA de terceros.
Existe una idea errónea de que la agilidad equivale a la falta de estructura. En industrias reguladas, lo contrario es cierto. Las metodologías ágiles requieren marcos estrictos para funcionar de manera segura. Ingrid Sierra, Directora de Marca y Marketing en Zego, explica: “A menudo hay confusión entre agilidad y caos. Llamar a algo ‘ágil’ no significa que esté bien que todo sea improvisado y desestructurado”. Para el liderazgo técnico, esto implica sistematizar el trabajo predecible para crear capacidad para la experimentación, creando espacios seguros donde los equipos puedan innovar.
