En Brasil, el 83% de las transacciones bancarias se realizan de forma digital, el 78% de ellas a través de dispositivos móviles, y el volumen de banca móvil ha crecido un 169% en los últimos cinco años. Los pagos instantáneos son la norma, el Open Finance está activo y el sector sigue siendo el mayor inversor en tecnología del país. Sobre el papel, este es exactamente el tipo de madurez digital que debería facilitar la escala de la IA. En la práctica, no ha sido suficiente.
Esa brecha fue el tema central cuando los CEOs de siete de los bancos más grandes de Brasil se presentaron juntos en São Paulo el 24 de agosto, en la sesión de apertura de Febraban Tech 2026. La conversación no giró en torno a hojas de ruta o selección de modelos. Se centró en tres aspectos que separan de manera consistente un piloto de IA exitoso de una capacidad de IA que realmente opera a escala: modernizar los sistemas de los que depende la IA, rediseñar los journeys de los clientes que la IA toca y construir confianza en la arquitectura desde el principio, en lugar de añadirla como un parche al final.
La distancia entre inversión e impacto
El presupuesto no es la limitación. En 2026, los bancos brasileños planearon invertir 50.400 millones de reales en tecnología, un 8% más interanual y un 58% más en cinco años, con aproximadamente 3.000 millones de reales destinados específicamente a IA, analítica y Big Data. El 84% de las instituciones ya considera la IA generativa como una prioridad estratégica.
El verdadero cuello de botella es la conversión, no la inversión: transformar pilotos que funcionan en un entorno controlado en capacidades que se mantengan sólidas en producción. Tres factores determinan si esa conversión tiene éxito.
1. Modernizar el Core antes de escalar la inteligencia
Un agente de IA no puede rendir por encima de los sistemas a los que está conectado. Cuando la lógica de negocio está enterrada dentro de aplicaciones heredadas con APIs limitadas, documentación escasa y datos poco fiables, un piloto puede parecer impresionante en una demostración y, aun así, fallar en el momento en que toca las operaciones reales.
Lo que ha cambiado es la ecuación económica para solucionarlo. La IA ahora acelera el propio trabajo de modernización: lee código legado, genera pruebas, produce documentación y refactoriza aplicaciones, lo que hace que proyectos que antes eran demasiado lentos o costosos de justificar sean ahora viables. Ese es el argumento para tratar la modernización como el motor invisible detrás de la IA agéntica: las organizaciones necesitan sistemas capaces de soportar la inteligencia antes de poder escalarla.
2. Rediseñar el journey, no solo automatizar el antiguo
Incluso con la base técnica adecuada, el alcance sigue siendo una trampa. Superponer un chatbot sobre un proceso de servicio mal diseñado no arregla el proceso; solo hace que una mala experiencia sea más rápida.
El Informe Global de IA en Servicios Financieros 2026 del Cambridge Centre for Alternative Finance muestra exactamente dónde están estancadas la mayoría de las instituciones: siguen optimizando las operaciones internas en lugar de replantearse cómo se realiza el trabajo. A continuación se muestra la proporción de las aplicaciones de IA más frecuentes que han alcanzado la etapa de piloto o más allá, por función:
- Automatización de procesos: 79%
- Visualización de datos: 75%
- Ingeniería de software: 75%
- Gestión de datos y conocimiento: 69%
En la atención al cliente, el soporte impulsado por IA lidera la adopción con un 74%, con las fintechs a la cabeza con un 82%, frente al 67% de las instituciones tradicionales. En riesgo y cumplimiento, la detección de fraude (57%) y el modelado de riesgo crediticio (54%) siguen siendo las aplicaciones más comunes.
El patrón es constante: la IA se está utilizando para optimizar los flujos de trabajo existentes, no para replantearlos. La verdadera oportunidad surge cuando las organizaciones diseñan los journeys de los clientes en torno a lo que la IA hace posible ahora, en lugar de automatizar el proceso que ya tenían.
3. La confianza es infraestructura, no un punto de control final
Este fue el punto de mayor acuerdo entre los CEOs en el escenario. La colaboración operativa en las funciones de fraude, ciberseguridad y prevención de lavado de dinero (AML) ya está bien consolidada: el 88% de los bancos ha integrado estas funciones, con equipos que colaboran directamente en la respuesta a incidentes y el intercambio de información.
Un ejemplo mencionado en Febraban Tech 2026: el trabajo de VU con Volkswagen Financial Services Brazil, una plataforma de financiación digital que combina onboarding digital, KYC, firmas electrónicas y biometría para validar la identidad y los contratos, al tiempo que refuerza la prevención del fraude.
La lección no es la biometría, sino la secuencia. La confianza se diseñó en el journey desde el primer día, no se añadió como una puerta de cumplimiento al final. A medida que los sistemas de IA asumen mayor autonomía, ese principio se vuelve no negociable: la confianza tiene que ser arquitectura, no un paso de validación.
Qué viene después
La adopción de la IA está pasando de asistentes que ayudan con tareas individuales a agentes que ejecutan trabajos de múltiples pasos a través de diferentes sistemas, bajo supervisión humana. Ese cambio transforma la verdadera pregunta de «¿qué puede hacer este sistema?» a «¿podemos gobernar con seguridad lo que hace, quién lo supervisa, dónde termina su autonomía y cómo se auditan sus decisiones?». Por eso, Febraban Tech 2026 trató el liderazgo humano como una precondición, no como un tema secundario: es lo que determina si la modernización y el rediseño del journey se traducen realmente en resultados.
Si su organización tiene pilotos de IA que funcionan pero no han llegado a producción, la causa raras veces es la IA en sí. Por lo general, se debe a una de las tres brechas anteriores: sistemas heredados incapaces de soportarla, un journey que se automatizó en lugar de rediseñarse, o una gobernanza que no se construyó desde el principio. Ese es el modelo detrás de los AI Pods de Globant: unidades específicas para tareas gestionadas por agentes de IA y supervisadas por expertos humanos, construidas sobre el mismo principio al que Febraban Tech 2026 no dejó de volver: una autonomía que se mantiene responsable.
