Las financieras descubren que la IA agéntica exige datos preparados

Los servicios financieros preparan IA agéntica para automatizar operaciones: análisis de solicitudes de crédito, detección de fraude, gestión de carteras. Pero se topan con un problema inesperado: el éxito no depende de la sofisticación del algoritmo, sino de que los datos estén listos.

IA agéntica en finanzas

La IA agéntica son sistemas que toman decisiones y actúan de forma autónoma. En el sector financiero, esto significa que el agente examina una solicitud entrante, analiza los datos disponibles y decide rápido si aprueba un crédito, marca una transacción sospechosa o reequilibra una cartera. Todo esto debe ocurrir en tiempo real, porque los mercados financieros cambian cada segundo.

Además, los servicios financieros operan en uno de los sectores más regulados de la economía. El regulador puede impugnar cualquier decisión del agente, y la empresa debe explicar por qué se tomó precisamente esa decisión.

Los datos importan más que el algoritmo

Aquí está la gran paradoja: las empresas invierten en GPT-5, en transformadores potentes, en sistemas complejos, y aun así el agente funciona mal. La razón es que recibe datos obsoletos, incompletos o contradictorios.

Un ejemplo: un gestor de riesgos entrena a un agente para decidir a partir del historial crediticio de los clientes. Pero si el historial no se actualiza en tiempo real, el agente recomendará créditos a personas que ya han incumplido pagos en otro banco. Otro caso: un agente analiza operaciones para detectar fraude, pero recibe la información con dos horas de retraso. En esas dos horas, el estafador ya ha sacado el dinero.

Retos que bloquean incluso a la IA más lista:

• Actualidad en tiempo real — los datos deben actualizarse al segundo, no una vez al día
• Coherencia entre sistemas — el CRM ve una cosa, el back office otra y el data lake una tercera
• Integridad regulatoria — todos los datos de KYC, AML y PCI-DSS deben estar documentados y disponibles para auditoría
• Calidad del historial — los datos malos del pasado enseñan a los agentes a tomar malas decisiones
• Integración en el proceso real — el agente recomienda, pero los sistemas operativos no le hacen caso

La regulación como arquitectura

En aseguradoras y bancos, un agente no puede limitarse a decir «apruebo». Debe documentar cada paso: qué datos usó, qué reglas aplicó, qué resultado obtuvo. El regulador exige que sea explicable.

Eso implica que los datos no solo deben estar actualizados, sino ser auditables. Cada valor, con marca temporal, fuente y versión del esquema. Cuando el banco central inicie una inspección, la empresa tendrá que demostrar que el agente cumplió todos los requisitos. Por tanto, la arquitectura de datos debe diseñarse desde el principio para la regulación, no añadirse después.

De los experimentos a producción

Muchas empresas financieras empiezan con pilotos: toman un conjunto pequeño de datos, entrenan al agente con datos históricos y lo prueban en un entorno aislado (sandbox). Pero cuando llega el momento de llevarlo a producción, resulta que la infraestructura de datos sencillamente no existe. No hay un sistema que unifique los datos en tiempo real. No hay una capa de gobernanza que vigile la calidad. No hay forma de revertir una decisión si los datos resultan estar dañados.

Las empresas que lo lograron construyeron primero la infraestructura de datos y después lanzaron los agentes. Es un camino largo, más caro y lento que comprar GPT-5 y confiar en que salga bien.

Qué significa esto

Las empresas financieras tendrán que invertir más en infraestructura de datos que en la propia IA. Los data lakes, los pipelines en tiempo real y los marcos de gobernanza serán una ventaja competitiva. Una empresa con buenos datos lanzará un agente rápido y lo mejorará rápido. La que creyó que necesitaba el «mejor algoritmo» se quedará atrás.