Banca agéntica en 2026: de pilotos a operación gobernada
En 2026 la pregunta de la banca dejó de ser si usar agentes de IA. Ahora es cómo gobernarlos para llevarlos a producción. Según la encuesta de KPMG de junio de 2026, 51% de los bancos está piloteando agentes, pero solo una minoría los escala entre varias áreas (KPMG). Gartner ubica a la IA agéntica en el pico de expectativas: solo 17% de las organizaciones ya desplegó agentes, aunque más de 60% espera hacerlo en los próximos dos años (Gartner).
Qué es la banca agéntica
La banca agéntica es el uso de agentes de IA que no solo responden preguntas: consultan sistemas, preparan casos y ejecutan tareas dentro de las reglas de la institución. A diferencia de un chatbot o de la automatización tradicional (RPA), un agente decide qué herramienta usar en cada paso según lo que va encontrando.
En la práctica, un agente puede reunir el expediente de un crédito desde el core, el buró y los documentos, evaluarlo y dejarlo listo para el comité. La institución define qué hace el agente solo, qué prepara para que decida una persona y qué nunca ejecuta sin confirmación.
1. Adopción masiva, escala limitada
La IA agéntica ya está en adopción activa en 52% de las firmas financieras, pero solo 23% la usa en etapas maduras. Así lo muestra el 2026 Global AI in Financial Services Report de Cambridge (CCAF), elaborado con el BIS, el FMI, el Foro Económico Mundial y el BID, sobre 628 organizaciones.
Las instituciones tradicionales van detrás de las fintech: 45% frente a 57% en adopción agéntica.
Solo 14% ve la IA como transformadora para su estrategia.
55% de la industria dice que le cuesta medir el valor de la IA; en las grandes instituciones sube a 76%.
Las firmas de mercados emergentes reportan más despliegue a escala que las de economías avanzadas. Para América Latina es una ventana, no una desventaja.
La misma fuente ubica como barreras principales la calidad de datos, el talento y los sistemas heredados. El 46% de los proveedores cita sistemas legados y entornos aislados como problema al trabajar con sus clientes.
Cómo lo resuelve Bankingly: Bankingly Agentic Platform opera sobre Bankingly Platform, que ya está integrada con el core de la institución. El primer flujo se construye sobre integraciones en producción, sin cambiar el core. Eso ataca directamente la barrera del sistema heredado que frena a la mayoría.
2. La gobernanza es el cuello de botella
El freno para escalar no es la tecnología: es el control. En su primer Hype Cycle dedicado a la IA agéntica (abril de 2026), Gartner destaca como señal central la aparición de la gobernanza, la seguridad y la gestión de costos de agentes como disciplinas propias. Advierte además que la necesidad de supervisión aparece temprano, no después del despliegue masivo.
Las principales barreras para desplegar agentes en bancos son la preparación y el acceso a los datos (63%), la complejidad de los sistemas agénticos (49%) y la falta de habilidades de supervisión humana (41%) (KPMG, junio 2026).
La responsabilidad sobre las decisiones tomadas con IA está repartida: en 49% de los bancos recae en el CEO o el comité ejecutivo (misma fuente).
Los reguladores ubican la responsabilidad principal en la institución regulada con más frecuencia que la propia industria: 38% frente a 18% (CCAF).
Las instituciones tradicionales temen más que los reguladores perder la supervisión humana: 60% frente a 42% (misma fuente).
La conclusión es directa. Si la responsabilidad es de la institución, la institución tiene que poder decidir, ver y reconstruir cada acción de un agente.
Cómo lo resuelve Bankingly: La división de responsabilidades está definida desde el diseño. Bankingly provee y opera la infraestructura, los conectores, la seguridad y la evaluación de modelos. La institución decide qué procesos se automatizan, las reglas y umbrales, quién aprueba en cada paso y qué cambios de agentes o modelos entran a producción. Cada acción queda en un registro auditable de solo escritura (append-only), y cada modelo tiene su ficha técnica (AI-BOM) con proveedor, versión y uso de datos.
3. Los agentes entran primero por el back-office
Cuatro de los cinco principales usos de IA en servicios financieros son internos, según CCAF. La IA se usa sobre todo para ejecutar mejor, no para reinventar el modelo de negocio.
Gartner observa el mismo patrón: las organizaciones usan agentes sobre todo para automatizar tareas acotadas en ingeniería de software, atención al cliente y operaciones, y la mayoría de los despliegues sigue teniendo un alcance limitado (Gartner).
Cómo lo resuelve Bankingly. La plataforma aplica un criterio simple: sirve para procesos que combinan consultar información, evaluar y aprobar. Los ejemplos van por área:
Crédito PYME: el agente arma el expediente con documentos y buró, y recomienda; decide el comité.
Cumplimiento LA/FT: el agente prepara el pre-análisis de alertas; decide el Oficial de Cumplimiento.
Operaciones y tesorería: conciliaciones, desembolsos preparados y posición de liquidez.
Atención y cobranza: clasificación de reclamos y cobranza preventiva.
Lo rutinario y verificable lo ejecuta el agente dentro de las reglas. Lo que mueve fondos o es irreversible lo decide la persona que designa la institución.
4. Reglas en código, agentes para evaluar, personas en lo irreversible
La mejor práctica de 2026 no es darle todo el proceso al modelo. Es combinar código determinístico, agentes y aprobación humana, cada uno donde corresponde.
Gartner concluye en 2026 que los agentes totalmente autónomos no están listos para la mayoría de los casos de uso empresariales, y recomienda fijar expectativas realistas de autonomía.
En los bancos encuestados por KPMG, entre los motivos para anular una recomendación de la IA figuran superar umbrales de riesgo predefinidos y entrar en conflicto con requisitos regulatorios o legales. Es decir: reglas explícitas que deciden cuándo interviene una persona.
El error acumulado es aritmética simple. Si cada paso acierta 95% de las veces, cinco pasos encadenados aciertan cerca de 77% de punta a punta (0,95 elevado a 5). Un modelo mejor reduce el error de cada paso, pero no elimina el efecto. Lo que lo controla es el diseño del flujo.
Cómo lo resuelve Bankingly. Cada flujo sigue una estructura base con pasos específicos, que la institución adapta a su proceso:
Lo rutinario pasa directo a ejecución; lo que la regla marca va a una persona antes de ejecutarse, y todo queda registrado.
Umbrales, políticas y montos van en reglas de código. El agente consulta, prepara el expediente y recomienda. Las operaciones con movimiento de fondos o irreversibles pasan por una persona. La ejecución es código fijo detrás de cada herramienta: el modelo propone, la plataforma decide.
5. Estándares abiertos y no depender de un solo modelo
En 2026 el Model Context Protocol (MCP) se consolidó como infraestructura para conectar agentes con sistemas. Lo gobierna una fundación neutral, la Agentic AI Foundation de la Linux Foundation, alcanzó unas 97 millones de descargas mensuales de su SDK y lo soportan de forma nativa Claude, ChatGPT y Gemini, entre otros. Su hoja de ruta de marzo de 2026 puso como prioridad la preparación empresarial: registros de auditoría, inicio de sesión único y gateways (SerpApi, estado de MCP en el primer semestre de 2026).
Al mismo tiempo crece la preocupación por la concentración. Según CCAF, 63% de la industria construye sobre modelos fundacionales externos. Los reguladores se preocupan más que la industria por la concentración (43% frente a 28%) y por el riesgo de terceros críticos.
Cómo lo resuelve Bankingly: Los agentes se conectan a las operaciones solo a través de conectores MCP (Banca, Admin y conectores a medida). Cada conector expone herramientas acotadas y aplica los permisos reales del usuario. Cada agente es una versión fija de instrucciones, modelo y herramientas: se ajusta sin reescribir el flujo. Bankingly evalúa cada modelo nuevo con los casos de prueba de cada agente y, si mejora calidad, latencia o costo, lo propone con la evidencia. El cambio entra solo con aprobación de la institución, y los datos del banco no se usan para entrenar modelos.
6. Seguridad pensada para agentes, no solo para modelos
Un agente que actúa sobre sistemas abre riesgos que un chatbot no tiene. CCAF advierte que el despliegue rápido de IA agéntica agrava las vulnerabilidades y vuelve menos efectiva la supervisión manual. La privacidad y protección de datos es el riesgo número uno para 73% de los encuestados, y 48% señala la IA adversarial como preocupación principal.
La adopción avanza más rápido que la seguridad. Según la Cloud Security Alliance (junio de 2026), 62% de las instituciones financieras ya despliega agentes de IA. La fuga de datos sensibles es su principal preocupación de seguridad, y la gobernanza de identidades no humanas surge como prioridad.
Los primeros incidentes ya muestran por dónde llega el riesgo. Entre enero y febrero de 2026 se registraron más de 30 vulnerabilidades ligadas a MCP, y el "envenenamiento de herramientas" se volvió una preocupación general: instrucciones ocultas en el texto que devuelve una herramienta, que el modelo puede tomar como órdenes. Las defensas que se impusieron son tratar esas respuestas como datos, aislar las herramientas de alto privilegio y no permitir ejecuciones sin confirmación (SerpApi).
Cómo lo resuelve Bankingly: Los controles están por capa:
Aislamiento: instancia dedicada por institución. La institución se toma del token firmado, nunca del pedido.
Identidad: el usuario se autentica en el canal y cada solicitud lleva un token firmado de corta duración.
Agentes: cada versión tiene su lista cerrada de herramientas y límites de tokens e iteraciones por ejecución. El contenido que devuelven los sistemas se trata como datos, no como instrucciones, para mitigar la inyección de prompts.
Operaciones: las que mueven fondos o son irreversibles requieren una confirmación que el modelo no puede disparar, más el segundo factor que exija la institución.
Datos y registro: los modelos no se entrenan con datos del banco, y el registro es append-only, con los accesos del personal de Bankingly auditados.
Bankingly cuenta además con certificación ISO/IEC 27001 de seguridad de la información.
7. Medir valor antes de escalar
Solo 40% de las firmas reporta mayor rentabilidad gracias a la IA, y 43% no ve cambios (CCAF). Muchas veces el problema es que no se mide: a 55% de la industria le cuesta medir el valor de la IA. En los bancos, solo un tercio tiene visibilidad completa de lo que cuesta operar la IA, mientras 87% siente presión del directorio o los inversores para demostrar valor (KPMG). Gartner suma la gestión de costos de agentes (FinOps) como disciplina emergente (Gartner).
La práctica que se impone es el piloto con línea de base: medir el proceso actual, correr el agente en paralelo y comparar antes de ampliar la autonomía.
Cómo lo resuelve Bankingly: El plan de trabajo tiene tres etapas:
Taller técnico: con las áreas que la institución defina, se elige el flujo, el alcance y su métrica.
Piloto: corre en paralelo a la operación, sin tocar producción. Empieza con datos sintéticos y sigue con casos reales bajo acuerdo de tratamiento de datos.
Escalar: más flujos y más autonomía, acción por acción, con la evidencia del piloto.
Qué deberían hacer las instituciones financieras ahora
Las instituciones que lleguen a escala serán las que traten la IA agéntica como una capacidad gobernada, no como un experimento. Cinco decisiones marcan la diferencia:
Elegir un proceso con carga operativa real, que combine consultar, evaluar y aprobar, y medir su línea de base hoy.
Separar lo que tiene que ser exacto de lo que requiere criterio: reglas en código para umbrales y montos, agentes para evaluar, personas para lo irreversible.
Exigir gobernanza desde el día uno: quién aprueba, qué queda registrado y quién puede apagar o limitar un agente.
Construir sobre integraciones que ya funcionan y estándares abiertos como MCP, en lugar de empezar de cero con cada proveedor.
Escalar con evidencia: ampliar la autonomía acción por acción, solo cuando el piloto demuestre el resultado.
Para las instituciones de América Latina y el Caribe la ventana está abierta. Los mercados emergentes ya muestran más despliegue a escala que las economías avanzadas, según CCAF. La diferencia la hará quién combine velocidad con control.
→ Diseñemos su primer flujo agéntico
La diferencia entre un experimento y una capacidad real está en cómo se empieza: un proceso concreto, una métrica clara y gobernanza desde el primer día. Bankingly Agentic Platform opera sobre los canales que su institución ya tiene con Bankingly, sin cambiar el core.
Empecemos por un taller técnico. Con sus equipos elegimos el proceso con más carga operativa, definimos el alcance y acordamos la métrica con la que se va a medir el piloto. Usted decide qué se automatiza y quién aprueba en cada paso.
→ Solicite su taller técnico en aquí
Fuentes
Todas las fuentes externas son de 2026.
2026 Global AI in Financial Services Report: Cambridge Centre for Alternative Finance con BIS, FMI, WEF, BID, CGAP y AMF. Abril de 2026.
What the 2026 Hype Cycle for Agentic AI Reveals: Gartner. Abril de 2026.
AI Quarterly Pulse Survey: Banking, Q2 2026: KPMG. Junio de 2026.
The State of Cloud and AI for Financial Services 2026: Cloud Security Alliance. Junio de 2026.
The State of MCP: Everything That Changed in H1 2026: SerpApi. Junio de 2026.
Bankingly Agentic Platform: presentación de arquitectura y modelo de gobierno de Bankingly.
