Goldman Sachs acelera la adopción de agentes de IA y cambia el trabajo de sus desarrolladores

Goldman Sachs ya no se limita a bots de IA internos para tareas concretas. Según el CIO Marco Argenti, el banco está rediseñando su enfoque de adopción de la IA ante el rápido auge de las plataformas de agentes y las nuevas herramientas de desarrollo.

De los pilotos al sistema

Hace año y medio, la conversación sobre IA en Goldman Sachs giraba sobre todo en torno a herramientas internas y casos aislados de automatización. Ahora el enfoque es más amplio: el banco ve la IA como una capa de infraestructura que debe integrarse en el trabajo diario de los equipos, en lugar de existir como un conjunto de servicios experimentales.

La llegada de plataformas de agentes como Claude Code ha elevado el listón de las expectativas. Al negocio no le bastan las respuestas de un modelo: necesita sistemas capaces de ejecutar cadenas de acciones, trabajar con código y acelerar procesos reales.

Para un gran banco, eso implica requisitos de arquitectura más estrictos. No basta con abrir el acceso a un nuevo modelo y esperar resultados. Hay que definir dónde puede actuar un agente por su cuenta, a qué datos tiene acceso, cómo se registran sus acciones y quién responde por el resultado.

Por eso la adopción de IA en el banco se parece menos al lanzamiento rápido de una función de moda y más al montaje gradual de una plataforma controlada, con reglas, registros y restricciones internas.

Cómo cambia el desarrollo

Otro tema es el AI coding. Las herramientas que ayudan a escribir, revisar y reescribir código ya están cambiando de forma visible el trabajo de desarrolladores e ingenieros. No se trata solo de acelerar tareas rutinarias, sino de repartir el tiempo de otra manera: se dedica menos esfuerzo al código repetitivo, a los primeros borradores y a la búsqueda de soluciones típicas, y más a la revisión, la definición de tareas, la arquitectura y la comprobación de lo que ha generado el agente.

Para un banco con una gran plantilla de ingeniería, esto no es una optimización cosmética, sino un cambio del circuito de producción.

• Los prototipos de herramientas internas aparecen más rápido
• Los ingenieros trabajan cada vez más como revisores y definidores de tareas para agentes
• Aumenta el valor de una buena documentación, de las pruebas y de los estándares de código
• Los errores se desplazan de la escritura de código a la verificación, la seguridad y el control de acceso

Pero la ganancia no llega de forma automática. Si un equipo tiene pruebas débiles, código enrevesado o reglas de desarrollo sin formalizar, el AI coding empieza a replicar el caos tan rápido como las soluciones útiles. Por eso las grandes empresas revisan a la vez sus procesos: dónde es obligatorio el human-in-the-loop, qué cambios pueden proponerse de forma automática, cómo comprobar la seguridad del código y cómo medir la productividad real, y no el número de líneas generadas.

Precisamente por eso la adopción de estas herramientas choca rápidamente con la disciplina del equipo.

Datos y regulación

La parte más difícil de escalar la IA en un banco no es la interfaz ni la elección del modelo, sino los datos. Para que un agente o asistente sea útil, necesita acceso al contexto interno: documentos, sistemas, políticas, código fuente, historial de operaciones. Pero es justo aquí donde el sector financiero tiene las restricciones más duras.

Cada nuevo caso de uso choca con la clasificación de datos, la separación de permisos, los requisitos de conservación, la auditoría y la explicabilidad de las decisiones. Cuanto más potente es el agente, mayor es el coste de un error y más estricto debe ser el perímetro.

De ahí la cuestión regulatoria. A un banco no le basta con demostrar que un modelo es rápido y cómodo. Tiene que demostrar que su uso es reproducible, controlado y conforme a los requisitos internos y externos. En la operación real, esto significa registros de acciones, límites al uso de datos sensibles, evaluación de los proveedores de modelos y rutas de escalado claras para cuando la IA se equivoca o se sale de lo permitido.

Para Goldman Sachs, adoptar IA es a la vez un proyecto de ingeniería, un proyecto de gestión de riesgos y un trabajo largo con el cumplimiento normativo.

Qué significa

La principal conclusión de la postura de Goldman Sachs es sencilla: la era del «chatbot para experimentar» llega a su fin. La siguiente etapa es la IA como infraestructura corporativa gestionada, donde el valor no lo aportan las demos aisladas, sino la combinación de agentes, datos, procesos de control y un nuevo papel del ingeniero.