Las empresas financieras entendieron: el AI agéntico requiere preparación de los datos

Las empresas de servicios financieros están preparando IA agente para automatizar operaciones: análisis de solicitudes de crédito, detección de fraude, gestión de cartera. Pero encuentran un problema inesperado — el éxito depende no de la complejidad del algoritmo, sino de la preparación de los datos.

IA agente en finanzas

IA agente son sistemas que toman decisiones y actúan de forma autónoma. En el sector financiero, esto significa: un agente recibe una solicitud entrante, analiza los datos disponibles y decide rápidamente — aprobar un crédito, señalar una transacción sospechosa o reequilibrar una cartera. Todo esto debe suceder en tiempo real, porque los mercados financieros cambian cada segundo. Al mismo tiempo, los servicios financieros operan en uno de los sectores más regulados de la economía. Cada decisión del agente puede ser impugnada por reguladores — y la empresa debe explicar por qué exactamente se tomó esta decisión.

Los datos son más importantes que el algoritmo

Aquí radica la principal paradoja: las empresas invierten en GPT-5, en transformadores poderosos, en sistemas complejos — y como resultado el agente comienza a funcionar mal. Porque el agente recibe datos obsoletos, datos incompletos, datos contradictorios. Ejemplo: un gerente de riesgos entrena a un agente para tomar decisiones basadas en historiales crediticios de clientes. Pero si el historial no se actualiza en tiempo real, el agente recomendará créditos a personas que ya han entrado en incumplimiento en otro banco. O: un agente analiza transacciones para detectar fraude, pero recibe información con un retraso de dos horas. En esas dos horas, el estafador ya ha retirado el dinero.

Desafíos que bloquean incluso la IA más inteligente:

• Relevancia en tiempo real — los datos deben actualizarse segundo a segundo, no una vez al día
• Consistencia entre sistemas — el CRM ve una cosa, la oficina de atrás ve otra, el data lake ve una tercera
• Completitud normativa — todos los datos para KYC, AML, PCI-DSS deben estar documentados y disponibles para auditoría
• Calidad del historial — datos malos del pasado entrenan a los agentes para tomar decisiones malas
• Integración en el proceso real — el agente recomienda, pero los sistemas operativos no lo escuchan

La regulación como arquitectura

En compañías de seguros y bancos, un agente no puede simplemente decir "aprobado". Debe documentar cada paso: qué datos utilizó, qué reglas aplicó, qué resultado obtuvo. El regulador requiere que esto sea explicable. Esto significa que los datos deben ser no solo actuales, sino también auditables. Cada valor — con timestamp, fuente, versión de esquema. Cuando el Banco Central comience una inspección, la empresa debe probar que el agente cumplió con todos los requisitos. Esto significa que la arquitectura de datos debe diseñarse para la regulación desde el principio, no añadirse después.

De experimentos a producción

Muchos servicios financieros comienzan con pilotos — toman un pequeño conjunto de datos, entrenan al agente con datos históricos, lo ejecutan en un sandbox. Pero cuando llega el momento de poner el agente en producción, resulta que la infraestructura de datos simplemente no existe. No hay sistema que consolide datos en tiempo real. No hay capa de gobernanza que rastree la calidad. No hay forma de revertir una decisión si los datos resultan estar dañados. Los servicios financieros que alcanzaron éxito primero construyeron infraestructura de datos, luego lanzaron agentes. Este es un camino largo — más caro y más lento que comprar GPT-5 y esperar lo mejor.

Lo que esto significa

Las empresas financieras tendrán que invertir más en infraestructura de datos que en IA en sí. Data lakes, pipelines en tiempo real, frameworks de gobernanza — esto será una ventaja competitiva. Una empresa con buenos datos lanzará un agente rápidamente y lo mejorará rápidamente. Una empresa que pensaba que necesitaba el "mejor algoritmo" se quedará atrás.