La banca afronta una nueva fase en la adopción de inteligencia artificial. El desafío ya no consiste solo en incorporar modelos o automatizar procesos, sino en garantizar que operen en entornos críticos con control y trazabilidad y supervisión.

Según el primer informe elaborado por Babel, multinacional tecnológica de origen español especializada en transformación digital y Digit Institute, muchas entidades financieras siguen evaluando cómo llevar la IA agéntica a producción mientras los atacantes ya utilizan automatización avanzada para sofisticar campañas de fraude, generar identidades sintéticas y acelerar capacidades de evasión.

El estudio sostiene que el modelo tradicional basado en reglas, revisión humana masiva y arquitecturas fragmentadas muestra limitaciones ante sistemas ofensivos en rápida evolución. El problema no reside solo en la sofisticación de los modelos, sino en operar IA fiable sobre infraestructuras donde el dato sigue disperso o poco consistente. La diferencia ya no está en acceder a la tecnología, sino en operarla de forma segura y gobernada en entornos de alta exigencia regulatoria y presión operativa.

La misma tecnología que automatiza la detección del fraude se usa para sofisticar ataques y acelerar operaciones maliciosas. El desequilibrio es evidente: quienes atacan ya automatizan procesos completos, mientras buena parte del sector financiero continúa entre pruebas de concepto y despliegues limitados.

En este contexto, Babel y Digit Institute advierten de que el cuello de botella ya no es exclusivamente tecnológico, sino desplegar agentes con supervisión humana, trazabilidad y gobierno operativo. Análisis internacionales recogidos en el informe apuntan a que el 63% de las entidades financieras opera con modelos limitados o inexistentes de gobernanza para IA generativa, mientras solo el 11% ha desplegado estos sistemas en producción.

La investigación pone también el foco en la visibilidad sobre cómo interactúan estos sistemas entre sí y cómo responden ante incidentes o comportamientos inesperados. El informe recoge análisis de Cloud Security Alliance que señalan que el 95%  de las organizaciones duda actualmente de su capacidad para detectar o contener un agente comprometido, mientras solo el 17% monitoriza de forma continua las interacciones entre agentes IA.

El documento identifica además un riesgo estructural: la fragmentación del dato. Los silos heredados, la baja consistencia entre sistemas y la complejidad de integración dificultan el despliegue de agentes fiables en procesos críticos. En muchos casos, el problema no es la ausencia de IA, sino no poder garantizar que los modelos operen sobre información homogénea, contextualizada y gobernada. La conclusión es clara: sin dato coherente no hay IA fiable. Un agente no corrige automáticamente un problema de datos; puede amplificarlo si la información no está bien gobernada.

La investigación analiza asimismo cómo cambia el equilibrio operativo dentro de las organizaciones financieras. Frente a modelos centrados en revisar grandes volúmenes de alertas de bajo valor, la IA agéntica se perfila como herramienta para priorizar casos, investigar operaciones con más contexto y reducir parte del ruido que generan los sistemas tradicionales de prevención del fraude y blanqueo de capitales.

El estudio sostiene que el reto ya no pasa por automatizar más procesos, sino por decidir dónde la autonomía aporta valor y dónde sigue siendo imprescindible mantener supervisión humana. La evolución de los modelos ofensivos obliga a revisar arquitecturas de datos, integración y monitorización tecnológica. En este escenario, la calidad y trazabilidad del dato son críticas para escalar IA agéntica sin incrementar el riesgo operativo.

Aunque la banca española figura entre las entidades europeas más activas en adopción de IA, todavía no aparecen casos públicos de referencia en despliegues agénticos aplicados específicamente a Financial Crime. Para Babel y Digit Institute, esto abre una oportunidad para pasar de modelos experimentales a despliegues reales, gobernados y auditables.

Marga García, managing director del sector Banca en Babel, lo explica así: “El problema ya no es si la banca adoptará IA agéntica, sino cómo desplegarla con garantías reales de control, supervisión y cumplimiento normativo. El sector financiero necesita avanzar hacia modelos capaces de combinar automatización, capacidad analítica y gobierno operativo sin perder trazabilidad sobre las decisiones críticas”.

“Muchas organizaciones están descubriendo que el principal límite para desplegar IA fiable no está en el modelo, sino en la fragmentación del dato y en la dificultad para integrar información coherente entre sistemas críticos”, señala Isabel Fernández, managing director de Tecnologías Exponenciales en Babel. “Un agente puede automatizar decisiones muy complejas, pero también amplificar errores si la información sobre la que opera no está correctamente gobernada”.

El informe concluye que la próxima fase de adopción de IA en banca dependerá de llevar estos sistemas a producción con garantías de integración, seguridad y gobierno operativo. En un contexto de fraude cada vez más automatizado, las entidades que construyan modelos sólidos de gobernanza antes de que el regulador los exija partirán con ventaja en el próximo ciclo tecnológico del sector financiero.