Solo el 11 por ciento de los bancos ha implementado inteligencia artificial generativa completamente en producción, según investigaciones recientes, a pesar de que el 43 por ciento todavía está en proceso de despliegue. La brecha entre experimentos piloto y adopción a gran escala sigue siendo un obstáculo crítico para las instituciones financieras que buscan implementar IA generativa en banca de manera efectiva. Más del 80 por ciento de los ejecutivos bancarios reconocen que las entidades que no adopten esta tecnología quedarán rezagadas frente a sus competidores.
Jason Cao, director ejecutivo de Huawei Digital Finance, presentó recientemente la plataforma FinAgent Booster (FAB) durante la conferencia Huawei Connect 2025 en Shanghái. Según Cao, aunque los bancos desean incorporar IA generativa en banca y los modelos existen, aún carecen de la infraestructura, los flujos de trabajo y la ingeniería necesarios para hacerla funcionar a escala operativa.
Por qué la IA generativa en banca no logra escalar
Cao describió cómo la inteligencia artificial en finanzas está evolucionando desde un papel asistencial hacia escenarios comerciales fundamentales como la interacción con clientes, la gestión de riesgos y procesos integrales. Sin embargo, agregó que desde el punto de vista institucional todavía faltan muchos elementos para que la tecnología funcione de manera práctica. “Suena atractivo, pero no es tan fácil”, afirmó durante su presentación.
La realidad es que chatbots que nunca escalan, motores de crédito atascados en pruebas y herramientas de detección de fraude que lucen bien en demostraciones pero no sobreviven la integración son comunes en el sector. Además, cada banco enfrenta una mezcla única de flujos de trabajo, normas de cumplimiento y sistemas heredados, lo que dificulta cualquier solución universal.
Cómo funciona la nueva plataforma para acelerar la adopción
FAB fue diseñada como una solución que condensa años de experiencia en ingeniería de Huawei trabajando con instituciones financieras. En lugar de que cada banco construya agentes desde cero, la plataforma ofrece flujos de trabajo prediseñados y conectores que acortan la brecha entre una demostración prometedora y un servicio en producción. Actualmente incluye más de 50 flujos de trabajo y demostraciones basados en casos de uso reales del sector financiero.
Según Cao, el objetivo no es reemplazar los sistemas existentes de los bancos, sino proporcionarles plantillas y herramientas que se integren en procesos actuales. La plataforma puede conectarse con sistemas heredados mediante MCPs (micro-component plug-ins) o respaldar nuevas aplicaciones nativas de IA. Este equilibrio resulta especialmente valioso para bancos medianos que enfrentan presión para modernizarse con recursos limitados.
Conectividad con sistemas heredados
Uno de los desafíos más difíciles para los bancos es que ningún entorno tecnológico es idéntico. Cao reconoce este obstáculo pero sostiene que FAB está construida para manejar esas diferencias. “Tenemos muchas aplicaciones heredadas, pero los bancos también están construyendo nuevas aplicaciones nativas de IA”, explicó. “Para las nativas de IA es más rápido, pero aún debes conectar con sistemas heredados. Con FAB, proporcionamos funciones para facilitar eso”.
Huawei reporta haber acumulado más de 150 MCPs hasta ahora, cubriendo funciones en banca, seguros y valores. Estos componentes abordan procesos comunes que de otro modo ralentizan la adopción de tecnología de IA para instituciones financieras. La practicidad global importa porque la regulación de IA y la madurez de sistemas varían ampliamente entre mercados.
La velocidad como ventaja competitiva real
Cao argumenta que el verdadero diferenciador no es solo tener los modelos o herramientas correctas, sino moverse lo suficientemente rápido para aprender qué funciona. En su opinión, los bancos que dudan corren el riesgo de perder tiempo persiguiendo un plan perfecto en lugar de obtener experiencia práctica. “El trabajo con IA no tiene una forma probada”, señaló. “No hay un camino claramente definido, así que la gente está explorando. En este caso, la velocidad es muy importante, incluso si cometes errores, es mejor cometerlos antes”.
En el aspecto técnico, FAB está optimizada para velocidad: Huawei reporta que sus agentes de cara al cliente pueden alcanzar más del 90 por ciento de precisión en el reconocimiento de intención mientras entregan respuestas en milisegundos. El enfoque de la compañía es co-crear con instituciones financieras y compartir lecciones entre ellas, permitiendo que una solución probada en un mercado sea refinada y reaplicada en otro.
Expectativas realistas sobre retorno de inversión
Aunque los bancos frecuentemente preguntan sobre el retorno de inversión inmediato, Cao cree que la IA debe tratarse como una inversión a largo plazo. Esperar demasiado en poco tiempo puede resultar contraproducente si los líderes establecen metas irrealistas. “Definitivamente no debemos subestimar el valor que la IA puede aportar a largo plazo, pero tampoco podemos sobreestimar lo que puede hacer a corto plazo”, advirtió.
Cao comparó la inversión en IA con criar a un niño: no se puede esperar retorno inmediato, pero se sabe que está creciendo. Para él, el punto no es retroceder sino tratar la adopción de IA como un proceso gradual. Los bancos que comienzan temprano, se mueven rápidamente y construyen sobre lecciones compartidas son los más propensos a ver valor comercial real en los próximos años.
El sector bancario enfrenta ahora la decisión de acelerar su transformación digital o arriesgarse a quedar atrás. La disponibilidad de plataformas como FAB podría reducir las barreras técnicas, pero el éxito final dependerá de que las instituciones ajusten sus expectativas y adopten un enfoque iterativo. Queda por verse cuántos bancos lograrán cruzar la brecha entre experimentación y producción a gran escala en los próximos trimestres.