Stripe explica cómo los agentes de IA le ayudan a escalar el cumplimiento normativo financiero

Stripe ha publicado en el blog de AWS un análisis detallado de cómo construyó un sistema de agentes de IA en producción para el cumplimiento normativo financiero. Es un caso público poco frecuente: una gran empresa fintech no presenta un concepto, sino una arquitectura real, con lecciones sobre descomposición de tareas, coste de las consultas y el lugar de las personas en el ciclo de toma de decisiones.

Arquitectura: ReAct y un servicio dedicado

En el núcleo del sistema está el framework ReAct (Reasoning + Acting): el agente formula por turnos el siguiente paso y lo ejecuta, y repite el ciclo hasta alcanzar el objetivo. El enfoque es conocido desde hace tiempo, pero Stripe ha invertido un esfuerzo de ingeniería considerable para llevarlo a producción.

La decisión clave de infraestructura es un servicio de agentes dedicado, aislado del resto de la plataforma. Este aislamiento resuelve varios problemas a la vez:

• escalado independiente de los agentes sin afectar a los servicios centrales
• registro separado de cada paso de razonamiento para las auditorías
• gestión flexible de permisos de acceso a nivel de servicio
• actualización y sustitución de modelos sin riesgo para el procesamiento de pagos
• aislamiento de errores: el fallo de un agente no se propaga a otros componentes

La arquitectura dedicada también simplifica la incorporación de nuevos escenarios de cumplimiento: añadir un nuevo tipo de tarea no exige modificar el núcleo del sistema.

Descomposición de tareas y orquestación

Los casos complejos de cumplimiento se dividen en subtareas atómicas: revisión de documentos, conciliación de datos, clasificación de riesgo y generación de informes. El agente no resuelve una tarea con una sola llamada. Cada paso está aislado, lo que reduce la probabilidad de error y facilita la depuración de un eslabón concreto de la cadena.

Los patrones de orquestación se diseñaron con énfasis en la reproducibilidad. La arquitectura no está atada a un solo tipo de tarea: los mismos principios de descomposición se trasladan a la verificación KYC, la monitorización AML, la comprobación de contrapartes y la preparación de informes regulatorios. Stripe lo describe como una decisión deliberada: crear una herramienta de aplicación horizontal, y no una solución puntual para una sola normativa.

El prompt caching reduce los costes

En las operaciones de cumplimiento, buena parte del contexto es estable y se repite: guías regulatorias, políticas corporativas, plantillas de evaluación de riesgos. Stripe usa prompt caching a través de la API de Claude: estos bloques se guardan en caché y no se cobran completos en cada llamada posterior. El resultado es una reducción del coste de inferencia de varias veces para el mismo volumen de tareas. Con miles de verificaciones de cumplimiento al día, la diferencia entre prompts en caché y sin caché se convierte en una partida operativa significativa. El equipo considera el prompt caching una de sus principales herramientas de optimización, sin pérdida de calidad.

Humanos en el circuito: auditabilidad antes que velocidad

El cumplimiento financiero es un ámbito donde el error sale caro en sentido literal: multas, pérdida de la licencia, daño reputacional. Stripe mantuvo deliberadamente la supervisión humana en los puntos críticos. El agente formula una conclusión y propone una acción, y una persona la confirma o la rechaza. El objetivo no es sacar a los especialistas del proceso, sino desviar su atención del procesamiento rutinario hacia la toma de decisiones relevantes.

Este enfoque garantiza la auditabilidad al escalar: cada decisión puede rastrearse hasta un paso concreto del razonamiento del agente. Para una empresa regulada, es a la vez una buena práctica y un requisito legal.

Qué significa

El análisis de Stripe es uno de los pocos ejemplos públicos de agentes en producción en el sector financiero regulado. Las decisiones de arquitectura, los datos de costes y los principios de auditabilidad son material que, de otro modo, solo se obtendría con una experiencia propia y costosa. Para los equipos que desarrollan agentes de IA en finanzas, derecho o medicina, es una referencia poco común y valiosa.