Muchas instituciones financieras ya han experimentado con agentes de IA, pero convertir un prototipo en producción exige más que una política general de uso. Es necesario definir los datos a los que el agente puede acceder, los límites de sus acciones, los responsables de la supervisión y el procedimiento de contingencia. Sin esas definiciones, la organización corre dos riesgos: mantener las iniciativas indefinidamente en experimentación o empezar por decisiones de alto impacto, en las que los errores pueden afectar a los clientes y generar exposición regulatoria.
El primer caso de uso no tiene por qué ser el más ambicioso. Debe ofrecer valor verificable, contar con datos preparados, encajar en el trabajo de los equipos y permitir supervisión y reversión. Empezar con una tarea de apoyo al analista crea la oportunidad de probar el desempeño, registrar las fallas y madurar los controles antes de ampliar la autonomía a decisiones más sensibles.
Elija un proceso frecuente, con varias etapas, resultado medible y riesgo controlable, que esté ligado a una prioridad del negocio.
Índice
Dónde el agente rinde más que la automatización
Una automatización resuelve bien el camino fijo. El agente tiende a rendir más que la automatización tradicional cuando necesita interpretar información no estructurada, reunir contexto de varias fuentes y decidir cómo tratar las excepciones. Para su primer lanzamiento en unos tres meses, yo priorizaría un flujo de análisis o de preparación de recomendaciones con aprobación humana, en lugar de empezar por decisiones financieras autónomas.
En muchos flujos el diseño correcto combina ambos, con la automatización en el camino estándar y el agente en las excepciones.
Microsoft, por ejemplo, recomienda usar el menor nivel de complejidad que cumpla el requisito, porque cada nivel suma coordinación, latencia y costo. Por su parte, AWS observa que es común partir de lo que hace el modelo e inventar el caso después, y pide definir antes el resultado del que responde el agente y dónde termina su autonomía. Google Cloud, en cambio, sugiere un proyecto acotado, para una persona y una tarea específicas.
Cómo evaluar los candidatos
Para poner un primer agente en producción, compare los candidatos por el riesgo del flujo de trabajo y por la evidencia de confiabilidad, no solo por la calidad de las respuestas. Un buen candidato es aquel cuyo alcance, uso de datos y herramientas, necesidad de aprobación humana y criterios de éxito pueden evaluarse antes de la implantación.
Una lista inicial de candidatos puede incluir el triaje de alertas de prevención de lavado de dinero, el apoyo al análisis de registro y verificación de clientes (KYC) o la elaboración de memorandos de inversión. Son ejemplos de flujos financieros tratados en las fuentes, no recomendaciones de que alguno de ellos esté listo para autonomía plena.
Para comparar sus candidatos, asigne una nota a cada uno en los criterios siguientes y documente el motivo. Use los pesos que tengan sentido para su institución:
| Criterio | Qué verificar |
|---|---|
| Valor | ¿Hay una métrica de negocio clara, como la reducción del trabajo manual o la mejora de la calidad, contra una línea base? |
| Adecuación al agente | ¿El trabajo involucra información no estructurada o excepciones, o una regla fija sería más confiable? |
| Datos e integración | ¿Hay datos de calidad y acceso viable a los sistemas y herramientas necesarios? |
| Riesgo y supervisión | ¿Es posible limitar las acciones, derivar casos a personas e impedir acciones irreversibles sin aprobación? |
| Capacidad de prueba | ¿Existen casos y resultados de referencia para medir aciertos, errores y situaciones adversas? |
Para el primer lanzamiento, prefiera un flujo en el que el agente recomiende, clasifique o prepare material para revisión, con reglas claras de escalamiento. Eso limita la autonomía inicial y deja espacio para evaluar el comportamiento antes de ampliar los permisos.
Diferencia entre implantar y sostener un agente de IA
En el proceso tradicional de prevención de lavado de dinero (AML), por ejemplo, el volumen de alertas es elevado y la mayor parte son falsos positivos que no resultan en un caso relevante. Aun así, cada alerta debe ser analizada.
El analista recibe la cola y debe reunir, desde sistemas distintos, las evidencias que justifican archivar o escalar. Las verificaciones se repiten de forma consistente alerta tras alerta. Según nuestra lectura, el tiempo consumido se concentra en ese armado de contexto, y la decisión final representa una parte menor del esfuerzo.
El riesgo de que una alerta relevante pase desapercibida en medio del volumen es concreto, tanto desde el punto de vista operativo como regulatorio.

Implantar el agente en ese flujo es la parte más visible: el agente prepara el expediente y el analista lo revisa.
Sostener es lo que viene después, y da más trabajo. Exige identidad propia, límite de lo que el agente puede consultar, registro de lo que leyó y de lo que propuso, revisión periódica de los accesos, evaluación de la calidad de las propuestas y alguien responsable cuando una propuesta llegue equivocada. Sin eso, la ganancia de tiempo se pierde en el retrabajo o en la discusión de riesgo.
Mostramos el laboratorio SherlockAML, de TreeID Labs, en la charla de Roberto Monteiro, TreeID, en APICON. Usa datos sintéticos de AML: perfil de cliente, transacciones, alertas, casos, datos de verificación en listas y vínculos entre clientes.
Un agente supervisor coordina agentes de apoyo, uno para los detalles del caso y otro para medios adversos, y entrega al analista el caso armado, con la evidencia citada. El analista revisa y decide. Un pipeline versionado aprovisiona los agentes, de modo que el acceso de cada uno queda descrito en código, y cada paso queda registrado.

En el diseño completo, el agente es la parte menor del flujo.
- Implantar es llevar el agente del piloto a producción con integración, pruebas, permisos, registros, resguardos y responsabilidades definidos. En finanzas, la capacidad del modelo, por sí sola, no basta: el sistema debe poder monitorearse, versionarse y auditarse.
- Sostener es mantener el agente útil y seguro después de que entra en operación: seguir los resultados e incidentes, revisar los accesos, actualizar integraciones y modelos y controlar los costos. Los cambios en las APIs también generan trabajo continuo. Por eso, las dependencias estables y versionadas facilitan el mantenimiento.
En una empresa regulada, un agente solo puede implantarse si puede ser monitoreado, versionado y protegido por salvaguardas, y si sus decisiones pueden explicarse, independientemente de la capacidad de su razonamiento.
Elija un primer agente solo cuando sea posible asignar la responsabilidad tanto de la implantación como de la operación continua. Empiece con un flujo de trabajo acotado y revisable. Mida el valor de negocio y la calidad de las entregas. Dele solo las herramientas necesarias y aumente su autonomía únicamente a medida que los controles y las evidencias lo justifiquen.
Explicamos mejor el tema en el artículo Cuánta autonomía dar a agentes de IA.
Preguntas frecuentes
Si la empresa todavía no tiene ningún agente, lo más seguro es un solo flujo de preparación. Si ya tiene varios candidatos, tráigalos todos: el orden sale del filtro anterior, y cuántos conducir al mismo tiempo depende de la estructura de trabajo de la empresa.
No. Debe estar lo bastante clara para probar, supervisar y evaluar. Lo que falta puede escribirse durante el descubrimiento.
Una persona o un equipo con nombre definido, que responde cuando una propuesta llegue equivocada, revisa los accesos y sigue los resultados. Si nadie asume ese papel, el caso todavía no está listo para salir del piloto.
En 3 meses desde el inicio del proyecto, entregamos un Working Agent, con criterios de aceptación. Entra en producción si los datos, la identidad y la integración están listos. Si no lo están, la entrega termina en un escenario de prueba. El tiempo de escribir la regla, cuando falta, no está en esa cuenta y depende de la empresa.
Fuentes
