Accenture afirma que los bancos están en la etapa inicial de adopción de la IA Gen

Un análisis realizado por Accenture en septiembre de 2025 muestra que la mayoría de los bancos está en la etapa inicial de adopción de la IA Generativa. La consultora global identificó tres “horizontes” de adopción: el primero es de usos verticales; el segundo, flujos de trabajo agentivos y el tercero, modelos de lenguaje grandes personalizados.

Actualmente, 80% de los bancos a nivel mundial se encuentra en el primer horizonte, que corresponde a casos de uso verticales, autónomos y con supervisión humana (“human in the loop”).

Eduardo Santos, director ejecutivo de Accenture Colombia explica que “se trata de tareas relativamente simples. Un ejemplo es el resumen posterior a una llamada en los centros de atención: la IA generativa toma notas durante la conversación con el cliente y, al finalizar, produce un resumen rápido del resultado. La mayoría de estos casos de uso se enfoca en transformar procesos internos y no impacta directamente al cliente final. Se trata de que la IA asista a los colaboradores en sus tareas, actuando como un copiloto y ayudando a generar aumentos de productividad.”

El segundo horizonte corresponde a los flujos de trabajo agentivos. Aquí los bancos utilizan un modelo de lenguaje general junto con sus datos para realizar tareas que antes hacía una persona, como un asistente para evaluar créditos hipotecarios o el análisis comparativo en banca de inversión (por ejemplo, cuando un analista junior evalúa qué ocurriría si la empresa A se fusiona con la empresa B en términos de estado de resultados y balances). Otro ejemplo es la IA conversacional diseñada para atender a los clientes de los bancos y resolver necesidades de distinta complejidad. Esta tecnología se apalanca en un modelo agentivo, que combina IA clásica y GenAI para orquestar tareas, tomar decisiones y escalar respuestas de manera eficiente. La solución ha demostrado no solo mejoras significativas en eficiencia operativa, sino también una experiencia de cliente superior, además de convertirse en un habilitador clave para escalar rápidamente los servicios.

Santos detalla que “en este escenario, los bancos pueden tener múltiples agentes interactuando entre sí y realizando el trabajo, con un humano revisando el resultado final. El caso de uso más interesante está en la ingeniería inversa y directa de los sistemas core bancarios. Los bancos pueden tomar un código de 30 o 40 años y reingenierizar ese código hacia lenguajes más modernos. Solo entre un 10% y 15% de los bancos se encuentra en este horizonte.”

De acuerdo con el análisis de Accenture, hoy se ven muchos más “trabajadores digitales” en la banca que verdaderos agentes de IA en esta etapa. Se trata de tareas aisladas con supervisión humana, más que de una serie orquestada de tareas y agentes. La gran pregunta es cómo llegar al punto en que los agentes puedan manejar tareas complejas sin intervención humana. Santos resalta que “la IA puede ejecutar tareas específicas de manera efectiva, pero suele fallar cuando se les otorga mayor autonomía debido a problemas de contexto y complejidad. La clave para aprovecharla bien es descomponer los problemas en partes manejables.”

El tercer horizonte corresponde a modelos de lenguaje grandes personalizados que actúan como un “cerebro digital” del banco. Estos aún están en desarrollo y podrían enfrentar desafíos regulatorios. Muy pocos bancos globales están en la frontera de este horizonte.

Santos explica que “partiendo del ejemplo del call center del horizonte 1, imaginemos que en el horizonte 3 un banco integrara todos los datos e información recopilados en el call center dentro de su propio modelo personalizado: el banco podría crear el equivalente a un agente universal que, en teoría, podría hacer todo lo que hoy realiza un ejecutivo de atención. Menos del 5% de los bancos se encuentra actualmente en este horizonte.”

Cómo avanzar

En términos simples, para llegar al horizonte 2 los bancos deben empezar a tratar a los agentes como empleados. Se trata de asignarles tareas específicas en lugar de usarlos solo como herramientas de apoyo.

Santos detalla que “para tener éxito, los bancos necesitan supervisores que puedan ajustar y perfeccionar continuamente a los agentes. La supervisión es crítica, y ya han existido casos públicos donde la falta de supervisión generó errores. Así también, es esencial ordenar su “casa de datos”. Muchos bancos están sentados sobre enormes volúmenes de datos “atrapados”, con el potencial de alimentar la próxima generación de productos y servicios impulsados por IA. A medida que aceleran la adopción de IA, la capacidad de generar información de alta calidad y precisión desde múltiples fuentes de datos se ha convertido en un imperativo estratégico.”