Hoy es un test de estrés organizacional y crediticio
Durante años, la inteligencia artificial fue tratada en banca como un tema de innovación, laboratorio o marketing. Probablemente en tu organización también. Hoy dejó de ser eso.
La IA entró en el único terreno donde un banco no puede improvisar: productividad estructural, resiliencia operativa y riesgo sistémico. Ahí ya no alcanza con probar, mostrar o experimentar. Ahí se ejecuta, o se expone.
Y cuando la inteligencia artificial toca ese núcleo, cambia el árbitro.
Ya no evalúa el CIO ni el Chief Innovation Officer.
Evalúa el mercado.
Evalúan las agencias de rating.
Lo que empieza a abrirse no es una moda ni una nueva ola tecnológica. Es una brecha estructural entre bancos capaces de absorber inteligencia sin romper sus propias estructuras y bancos atrapados en organizaciones diseñadas para otro mundo, que siguen acumulando pilotos como prueba de actividad, no de impacto.
La pregunta ya no es si tu banco está usando inteligencia artificial.
La pregunta incómoda es otra: ¿la está usando para volverse más resiliente o para volverse más frágil?
Porque esa brecha ya no es narrativa ni reputacional.
Empieza a impactar algo mucho más sensible para vos, para tu directorio y para el mercado: la calidad crediticia.
Y ahí es donde muchos bancos, sin darse cuenta, empiezan a volverse invisibles justo cuando creen que están innovando.
El error original: confundir adopción con ventaja
El sector financiero aparece, en casi todos los estudios, como uno de los más activos en adopción de inteligencia artificial. Probablemente tu banco también figure bien posicionado en ese ranking.
Ese dato tranquiliza conciencias, pero oculta el problema real.
Adoptar no es competir.
Experimentar no es transformar.
Tener casos no es tener ventaja.
Los propios modelos que analizan el fenómeno asumen que casi el 48% del gasto en IA se abandona antes de generar valor. No se posterga, no se redefine: se abandona.
Y más incómodo aún, solo alrededor del 5% de los pilotos logra escalar e integrarse de forma estable al negocio.
Ese número no habla de modelos deficientes.
Habla de organizaciones que no pueden rediseñar procesos, no pueden redefinir responsabilidades y no pueden sostener decisiones cuando la IA deja de ser experimento y empieza a tocar el core.
La mayoría de los bancos no fracasa en IA por falta de tecnología.
Fracasa porque intenta incrustar inteligencia nueva en estructuras diseñadas para otro contexto, donde el control es fragmentado, el ownership es difuso y el cambio real siempre queda para el próximo comité.
Ese desfase entre expectativa y ejecución es el verdadero AI divide.
No separa a los que tienen IA de los que no.
Separa a las organizaciones capaces de absorber inteligencia sin romperse de las que siguen acumulando actividad como sustituto del impacto.
Donde la brecha se vuelve visible: productividad, no storytelling
La brecha entre bancos líderes y rezagados no se ve en anuncios, comunicados ni presentaciones. Se ve donde siempre miran el mercado y las agencias: en productividad, resultados y control del riesgo.
Ahí no hay relato que alcance.
1) Cost to income ratio
Los bancos que logran escalar inteligencia artificial empiezan a capturar eficiencias estructurales, no cosméticas. Rediseñan procesos, eliminan fricción y convierten automatización en productividad real.
Los que no lo logran hacen lo contrario: suman costos nuevos, talento caro y proveedores sofisticados sobre arquitecturas viejas que nunca se transformaron.
La diferencia no está en la IA.
Está en la capacidad de ejecución organizacional.
2) Generación de ingresos
La IA que no toca pricing, cross-sell, underwriting o prevención de churn es irrelevante desde el punto de vista del negocio.
Y, sin embargo, la mayoría de las organizaciones todavía mantiene la IA lejos de esas decisiones.
No por límites técnicos, sino por miedo organizacional a exponer procesos, asumir errores y redefinir responsabilidades.
Mientras la inteligencia artificial no impacte ingresos, la promesa de valor queda incompleta.
3) Riesgo operativo y de modelo
IA mal gobernada no reduce riesgo, lo amplifica.
Especialmente cuando entra en decisiones sensibles como crédito, asesoramiento o fraude.
Sin trazabilidad, sin explicabilidad y sin accountability clara, la inteligencia artificial se convierte en una nueva fuente de riesgo operativo. No invisible para el mercado, sino cada vez más evidente.
En ese punto, la conversación deja de ser tecnológica.
Pasa a ser crediticia.
Porque lo que está en juego ya no es cuánta IA usa un banco, sino si su estructura es capaz de convertir inteligencia en productividad sin deteriorar su perfil de riesgo.
El verdadero cuello de botella no es el modelo, es la organización
El mito más persistente en la discusión sobre inteligencia artificial es creer que el problema central es qué modelo usar.
No lo es.
Cuando los proyectos de IA no escalan, el obstáculo casi nunca está en la tecnología. Está en la organización que intenta absorberla.
Los bloqueos reales aparecen siempre en los mismos lugares:
- datos, fragmentados, sin trazabilidad ni gobierno efectivo,
- workflows que nunca fueron rediseñados para operar con inteligencia distribuida,
- memoria organizacional, donde la IA no aprende porque la empresa tampoco sistematiza decisiones ni conocimiento,
- gobernanza, con reglas que llegan tarde, llegan incompletas o directamente no llegan.
Un dato lo expone sin vueltas: una porción significativa del esfuerzo en IA, del orden de un tercio o más (llegando en algunos casos hasta la mitad) se consume en preparar datos, no en generar valor
Eso no es una ineficiencia técnica puntual. Es la factura acumulada de años de desorden organizacional, silos funcionales y decisiones postergadas.
La mayoría de los bancos no falla en IA por falta de talento o de presupuesto.
Falla porque intenta insertar inteligencia nueva en estructuras diseñadas para controlar estabilidad, no para aprender ni adaptarse.
Por eso el patrón se repite:
- sin arquitectura de datos sólida, la IA no escala,
- sin rediseño real de procesos, la IA no impacta,
- sin gobernanza clara, la IA no reduce riesgo, lo multiplica.
La inteligencia artificial no expone un problema tecnológico.
Expone que muchas organizaciones siguen presas de estructuras que ya no soportan la complejidad que el negocio exige.
Pilotos que no escalan: el impuesto invisible
La mayoría de los pilotos de inteligencia artificial muere antes de integrarse al negocio.
No porque la tecnología falle, sino porque la organización no está diseñada para absorber inteligencia cuando deja de ser experimento y empieza a exigir cambio real.
Los propios análisis del fenómeno asumen niveles de abandono cercanos a la mitad de las iniciativas antes de que generen valor. Y solo una fracción mínima logra escalar e incorporarse de forma estable a procesos críticos.
Ese patrón no es neutro.
Cada piloto que no escala deja un impuesto invisible que se acumula con el tiempo.
Tres secuelas aparecen siempre:
- costo hundido, en tecnología, talento y proveedores que nunca llega a P&L,
- desgaste político, entre áreas, sponsors y comités que aprenden a desconfiar,
- cinismo interno, donde la organización empieza a asumir que “la IA no funciona”, cuando en realidad lo que no funciona es su estructura.
Ese cinismo es letal porque no se queda adentro.
Desde afuera, empieza a leerse como incapacidad de ejecución, una señal que el mercado y las agencias saben interpretar muy bien.
No como un problema puntual de innovación, sino como una limitación estructural para transformar inversión en resultados sostenibles.
Mucha IA interna, poca valentía externa
Hay un contraste que el documento deja en evidencia y que explica mucho más de lo que parece:
- cerca del 43% de las implementaciones de inteligencia artificial se concentran puertas adentro,
- solo alrededor del 9% llega a sistemas de cara al cliente.
Eso no es una elección tecnológica.
Es una decisión organizacional.
No responde a límites del modelo ni a restricciones de infraestructura. Responde al miedo a exponerse, a equivocarse en público, a que la inteligencia artificial deje de ser un experimento controlado y empiece a tocar la experiencia real del cliente.
La IA avanza donde no incomoda estructuras de poder ni obliga a redefinir responsabilidades.
Por eso se queda en el back office.
Mientras los bancos optimizan eficiencia interna, los challengers capturan lo que realmente construye relevancia: experiencia, velocidad y personalización.
Optimizar sin transformar no es prudencia.
Es una forma elegante de volverse invisible justo cuando el cliente empieza a mirar para otro lado.
IA agéntica: el próximo acelerador o el próximo accidente
La IA agéntica promete algo distinto a todo lo anterior: automatizar decisiones completas, no solo ejecutar tareas.
Eso entusiasma a los equipos, acelera promesas de eficiencia y seduce a los comités. Pero también eleva el riesgo de forma no lineal.
Un agente no ejecuta instrucciones.
Un agente decide, actúa en secuencia y optimiza objetivos sin pedir permiso en cada paso.
Y cuando decide, pasan tres cosas que muchas organizaciones subestiman:
- amplifica errores: un sesgo menor o una mala señal ya no se replica una vez, se propaga de forma continua,
- genera comportamientos correlacionados: agentes similares, entrenados con datos parecidos y operando sobre infraestructuras comunes, tienden a tomar decisiones alineadas, incluso cuando no deberían,
- puede cruzar límites regulatorios sin intención explícita: no porque “quiera” hacerlo, sino porque optimiza un objetivo sin comprender el contexto normativo completo.
El problema no es la autonomía en sí.
El problema es delegar autonomía en organizaciones que todavía no resolvieron permisos, responsabilidades ni trazabilidad.
Sin reglas claras de actuación, sin auditoría continua y sin capacidad real de override humano, la IA agéntica no acelera la organización.
La vuelve opaca.
Y cuando la opacidad entra en decisiones de crédito, asesoramiento, pricing o prevención de fraude, el riesgo deja de ser operativo.
Pasa a ser sistémico.
La IA agéntica no expone una debilidad tecnológica.
Expone si la organización sabe diseñar poder, control y responsabilidad en entornos donde la decisión ya no es exclusivamente humana.
Ahí es donde se define si esta tecnología será un acelerador de ventaja…
o el próximo accidente anunciado.
Dependencia de terceros y fragilidad silenciosa
Hoy, cerca del 73% de la inferencia de IA corre sobre nubes públicas y solo alrededor del 18% de los bancos desarrolla modelos propios.
El dato es claro. La lectura suele ser ingenua.
Esa dependencia acelera adopción, reduce time to market y baja barreras de entrada. Pero también traslada decisiones críticas fuera del control directo de la organización.
Mientras la IA se usa como experimento o soporte marginal, esa dependencia parece aceptable.
El problema aparece cuando la inteligencia artificial empieza a tocar el core del negocio.
En ese punto, la pregunta deja de ser tecnológica:
- ¿qué pasa si el proveedor cambia pesos del modelo?,
- ¿si modifica condiciones de uso?,
- ¿si limita disponibilidad, latencia o acceso?,
- ¿si un incidente externo afecta múltiples bancos al mismo tiempo?
La mayoría de las organizaciones no tiene esas respuestas testeadas.
No porque no entienda el riesgo, sino porque organizacionalmente delegó control antes de definir responsabilidad.
Cuando la IA se vuelve estructural, la dependencia tecnológica deja de ser un tema de IT o procurement.
Pasa a ser resiliencia operativa.
Y la resiliencia operativa, tarde o temprano, impacta percepción de riesgo y calidad crediticia.
La fragilidad no se ve cuando todo funciona.
Se revela cuando el sistema falla y la organización descubre que ya no controla una parte crítica de sus decisiones.
Resiliencia algorítmica: el nuevo punto ciego
Históricamente, la banca midió resiliencia en términos financieros: capital, liquidez, stress tests.
Ese marco fue suficiente mientras las decisiones críticas eran humanas, lentas y relativamente independientes.
La inteligencia artificial introduce una nueva capa de riesgo: resiliencia algorítmica.
Cuando múltiples bancos utilizan modelos similares, entrenados con datos parecidos y desplegados sobre proveedores comunes, las decisiones dejan de ser independientes. Empiezan a correlacionarse.
El resultado es paradójico:
el sistema se vuelve más eficiente a nivel individual, pero más frágil a nivel colectivo.
Pequeños errores, sesgos o cambios en los modelos ya no se manifiestan como incidentes aislados. Se propagan. Se amplifican. Se sincronizan.
Ese riesgo no es teórico ni futurista.
Es sistémico.
Y lo más delicado es que todavía no entra plenamente en los marcos tradicionales de gestión de riesgo. No aparece en los tableros clásicos ni en los stress tests financieros.
La resiliencia algorítmica no se construye comprando mejor tecnología.
Se construye diseñando diversidad, control y capacidad de intervención en sistemas que, por diseño, tienden a comportarse de forma cada vez más parecida.
Por qué esto ya afecta la calidad crediticia
Las agencias no miran modelos.
Miran consecuencias.
Evalúan señales que van mucho más allá del discurso tecnológico:
- consistencia de resultados,
- capacidad de absorber shocks,
- robustez de controles,
- previsibilidad del desempeño futuro.
En ese marco, la inteligencia artificial deja de ser una promesa y se convierte en una prueba de ejecución.
Un banco que no logra convertir IA en productividad real:
- presiona márgenes sin compensación,
- acumula costos tecnológicos sin retorno claro,
- expone fallas de gobernanza,
- y queda rezagado frente a competidores más eficientes.
Eso no es una opinión.
Es riesgo estructural.
Por eso, cuando los analistas miran la adopción de IA, no preguntan si el modelo es propio o de terceros.
Preguntan algo más incómodo: ¿quién controla realmente el sistema cuando algo sale mal?
Un banco puede operar con modelos externos y ser resiliente, si:
- entiende cómo decide el modelo,
- puede explicarlo,
- puede auditarlo,
- y puede intervenirlo o desacoplarlo bajo estrés.
Y puede tener modelos propios y aun así ser frágil, si carece de disciplina operativa y gobernanza real.
La diferencia no está en la propiedad del modelo.
Está en la capacidad organizacional de sostener decisiones algorítmicas sin perder control.
Eso es lo que el mercado empieza a leer.
Y eso es lo que, cada vez más, empieza a reflejarse en la calidad crediticia.
La pregunta incómoda para el directorio
La pregunta ya no es:
“¿Estamos usando inteligencia artificial?”
Esa es una pregunta operativa.
Hoy es insuficiente.
La pregunta correcta es otra:
¿nuestra organización es capaz de absorber inteligencia sin perder control y sin deteriorar su perfil de riesgo?
Porque ahí no se evalúa tecnología.
Se evalúan estructuras, decisiones, gobernanza y capacidad real de ejecución.
En ese punto se define quién logra convertir la inteligencia artificial en resiliencia y ventaja sostenible.
Y quién, sin darse cuenta, queda atrapado en organizaciones activas pero frágiles, modernas en apariencia, rígidas en el fondo.
Ahí se define quién pasa de invisible a imprescindible.
Y quién queda preso de su propia estructura justo cuando el entorno exige lo contrario.
Mi Cierre: la IA no baja ratings, la mala ejecución sí
La inteligencia artificial no es una amenaza para la banca.
La amenaza es creer que alcanza con adoptarla sin cambiar la forma en que la organización decide, gobierna y ejecuta.
La improvisación organizacional no se nota cuando la IA está en pilotos.
Se vuelve evidente cuando la inteligencia empieza a tocar productividad, riesgo y decisiones críticas.
Los bancos que entiendan que la IA no es una colección de casos, sino arquitectura, gobernanza y ejecución sostenida, van a convertir complejidad en ventaja.
Los que no, van a acumular tecnología sobre estructuras que ya no soportan el peso del negocio.
La brecha no es futura.
Ya existe.
Y no separa a los bancos que usan inteligencia artificial de los que no.
Separa a los que pueden absorber inteligencia sin perder control de los que siguen confundiendo actividad con transformación.
La diferencia no es menor:
es si tu banco está cerrando esa brecha…
o si todavía cree que no es con él, justo cuando el mercado ya empezó a mirarlo distinto.
Diego San Esteban