La industria de servicios financieros ha sido una de las que más rápido ha adoptado la IA generativa y agéntica; sin embargo, muchas instituciones financieras limitan su adopción a brindar acceso a modelos/LLM, impulsar proyectos piloto y pruebas de concepto a lo largo de la cadena de valor, o implementar usos a pequeña escala, posponiendo la transformación más profunda. Según datos del AI Banking Index de Evident para el primer trimestre de 2026, solo 9 de las 50 instituciones financieras monitoreadas han desplegado con éxito una aplicación de IA agéntica, ya sea en producción en vivo o en fase piloto.
Los principales problemas que enfrentan los bancos para una transformación más profunda son la falta de una capa semántica de datos, integraciones internas y externas complejas, y sistemas centrales (core) heredados diseñados para procesos más lentos y basados en papel que no pueden soportar los procesos automatizados y en tiempo real que exige esta ola transformadora de la IA. Entonces, la verdadera pregunta es: ¿cómo pueden las instituciones financieras modernizarse de manera efectiva?
Este artículo explora cuatro áreas en las que los bancos deben trabajar para modernizarse eficazmente y construir las bases de una transformación más profunda que no solo integre la IA en la cadena de valor, sino que transforme realmente la forma en que los bancos operan en la era nativa de la IA.
1. Modernización de Sistemas Heredados y Deuda Técnica
Durante la era digital, se hablaba de modernización principalmente para reducir costos y aumentar la eficiencia. Sin embargo, los sistemas heredados determinan la velocidad a la que las organizaciones pueden lanzar nuevos productos, llegar a nuevos mercados, trabajar con socios y utilizar la IA a escala.
En todo el sector bancario, sistemas centrales con décadas de antigüedad, códigos no documentados y la deuda técnica acumulada continúan limitando la innovación y la agilidad operativa. Pero el desafío es más profundo que sistemas lentos o interfaces desactualizadas. Décadas de desarrollo no documentado han dejado la lógica de negocio crítica, las reglas de precios, los umbrales de riesgo y las verificaciones de cumplimiento enterrados dentro de código frágil que solo un grupo cada vez más reducido de especialistas comprende. Cuando la información y el conocimiento residen en un mainframe en lugar de en servicios accesibles y gobernados, la innovación se frena. Los equipos terminan realizando arreglos rápidos, enlaces personalizados y pequeños experimentos difíciles de escalar a nivel institucional.
Mientras tanto, muchas plataformas existentes siguen optimizadas para la estandarización y el control en lugar de la adaptabilidad. El futuro exige algo diferente: capacidades de negocio modulares, productos de datos gobernados y capas de orquestación que permitan a los bancos evolucionar continuamente la experiencia del cliente y los procesos de negocio sin afectar constantemente al core. La modernización no debe considerarse solo como la transición de lo viejo a versiones más nuevas, sino como la construcción de una plataforma que soporte la IA.
El desafío para los bancos no radica únicamente en construir las bases adecuadas para la IA, sino en utilizar la propia IA como un potente acelerador de la modernización. Esta tecnología está ayudando a las instituciones a analizar entornos heredados, documentar dependencias complejas, refactorizar aplicaciones antiguas y reducir los riesgos asociados tradicionalmente a las transformaciones a gran escala. Los bancos que no se modernicen rápidamente corren el riesgo de quedar fuera de esta era nativa de la IA.
El Cuello de Botella: Por qué la Modernización Bancaria es Única
Los bancos enfrentan desafíos estructurales similares a los de la mayoría de las industrias altamente reguladas, pero a una escala mucho mayor debido a los altos volúmenes de transacciones, las necesidades de liquidación en tiempo real y años de combinación de sistemas antiguos:
- Deuda Arquitectónica por M&A: Años de fusiones y adquisiciones bancarias han dejado a muchas instituciones ejecutando varios sistemas centrales, contabilidades y bases de datos de clientes al mismo tiempo, todos conectados por middleware frágil.
- Dependencia del Mainframe: Funciones contables críticas suelen ejecutarse en mainframes con código antiguo, dependiendo de conocimientos altamente especializados y escasos, lo que dificulta el acceso a datos en tiempo real.
- El Retraso del Procesamiento por Lotes (Batch): Los sistemas bancarios centrales de los años 70 y 80 utilizan procesos por lotes nocturnos para liquidar transacciones y actualizar saldos. Sin modernización, las decisiones en tiempo real impulsadas por eventos son imposibles.
Los sistemas heredados no solo ralentizan el área de TI; también ocultan reglas de negocio en código frágil. Cuando las verificaciones de precios, riesgo y cumplimiento están atrapadas en mainframes, los agentes de IA no pueden utilizarlas de forma segura.
La modernización es un imperativo en la transformación del negocio
La modernización debe centrarse en las necesidades futuras del negocio, no solo en los límites técnicos actuales. Los resultados significativos son aquellos medibles que impactan en:
- Menor tiempo de comercialización (time-to-market) para nuevos productos y canales, donde dominarán los canales multimodales con necesidades en tiempo real.
- Mejores experiencias de cliente: Dado que la IA puede generar un «mar de similitudes», usarla para diferenciarse será clave para la adquisición y retención de clientes.
- Procesamiento directo (straight-through processing) mejorado: No solo integrando IA para resolver cuellos de botella, sino reimaginando los procesos de principio a fin bajo el principio clave de IA + Humano.
- Mayor preparación para la IA mediante datos unificados y capacidades de negocio expuestas, logrando la transformación general del Middle y Back Office, mientras se equilibra la regulación y la gestión de riesgos con la innovación.
Cuando la modernización se ancla al valor del negocio, sus beneficios se multiplican con el tiempo. En lugar de perseguir una transformación radical y disruptiva («big bang»), los bancos líderes adoptan un enfoque pragmático basado en el valor que ofrece resultados medibles en cada etapa. Avanzando mediante hitos definidos, los bancos pueden reducir riesgos, mantener la continuidad del negocio y generar valor tangible a lo largo del proceso.
2. Experiencia del Cliente y Bienestar Financiero
A medida que las expectativas de los clientes siguen aumentando, los bancos se están desplazando de las interacciones transaccionales hacia experiencias más personalizadas y proactivas. La IA permite anticipar necesidades, personalizar la orientación financiera y ayudar a crear hábitos financieros más saludables mediante soporte contextual en tiempo real. El cambio va desde ofrecer servicios puramente funcionales hasta crear experiencias fluidas y atractivas que fortalezcan la lealtad y permitan a los bancos tradicionales competir con actores digitales (y pronto nativos de IA) como Revolut y otras fintechs.
Durante la era digital, la mayoría de los bancos invirtieron en mejorar sus canales, pero sus sistemas centrales siguieron limitados por tecnología heredada y conexiones directas. Sin embargo, la ventaja competitiva ya no es simplemente ofrecer servicios digitales que funcionen, sino brindar experiencias intuitivas, proactivas y contextualmente relevantes. Al igual que los líderes de la industria de la hospitalidad que transformaron el entretenimiento orquestando itinerarios sin interrupciones, las instituciones financieras líderes están utilizando la IA para crear experiencias que simplifiquen decisiones y respalden el bienestar financiero.
En este entorno, la modernización no es solo eficiencia operativa o una nueva apariencia visual para los canales de cara al cliente. Es la base de una nueva generación de experiencias impulsadas por IA que fortalecen la lealtad y facilitan materialmente la vida de los clientes. El dinero parece un dominio racional, pero se comporta como uno emocional; los sistemas que solo entienden transacciones seguirán produciendo experiencias técnicamente correctas pero frías, enterrando los momentos valiosos en la rutina.
Neobancos como Revolut ya han demostrado que los clientes migrarán a plataformas que los ayuden a administrar mejor su dinero, automatizando ahorros, categorizando gastos, ofreciendo recomendaciones personalizadas y brindando información financiera en tiempo real. Los bancos tradicionales corren el riesgo de perder no solo clientes, sino la relación financiera principal a medida que los asistentes con IA comiencen a gestionar transacciones y decisiones en nombre de las personas.
3. Gestión del Cambio y Transformación Cultural
La arquitectura técnica rara vez es la razón por la que fracasan las iniciativas de modernización; el obstáculo suele ser cultural. Los empleados que han desarrollado experiencia durante años en sistemas heredados, o que poseen poder institucional precisamente por ser los únicos que los entienden, pueden resistirse a cambios que democraticen ese conocimiento. Para muchos dentro de una institución financiera, la democratización del conocimiento no es una oportunidad, sino una amenaza.
Esta resistencia rara vez se manifiesta como una oposición abierta. Se presenta como decisiones postergadas, falta de priorización de esfuerzos de modernización, expansión descontrolada del alcance (scope creep), preferencia por experimentos interminables en lugar de despliegues en producción, y la tendencia a enmarcar cada requisito de gobernanza como una excusa para frenar el avance. El resultado son organizaciones técnicamente capaces de modernizarse pero organizacionalmente incapaces de hacerlo.
Cerrar esta brecha requiere tratar la gestión del cambio como un entregable de primer orden, no como una idea secundaria. Esto significa redefinir roles tempranamente, crear logros visibles que demuestren que la IA aumenta las capacidades humanas en lugar de reemplazarlas, y alinear el liderazgo antes de iniciar el trabajo técnico. Las organizaciones exitosas no son necesariamente las que tienen la mejor arquitectura, sino las que hacen avanzar a su gente junto con sus sistemas.
4. Gobernanza y Estandarización
A medida que la adopción de IA se acelera, muchas instituciones corren el riesgo de crear soluciones fragmentadas, duplicar esfuerzos y generar estándares inconsistentes. La combinación de ingeniería de plataformas, bases reutilizables e IA agéntica ayuda a escalar la innovación sin sacrificar el control. El objetivo no es más burocracia, sino una gobernanza más inteligente: límites claros, plataformas compartidas y prácticas estandarizadas que permitan a los equipos de negocio avanzar rápido garantizando seguridad, cumplimiento y sostenibilidad.
Por qué la IA Agéntica requiere bases modernas
Mientras que la IA predictiva ayudó a operar mejor bajo incertidumbre y la IA generativa impulsó una primera ola de transformación en TI y Marketing, la IA agéntica va un paso más allá al orquestar decisiones y acciones a través de sistemas, flujos de trabajo y procesos de negocio.
Para operar eficazmente, los agentes de IA requieren cuatro capacidades fundamentales:
- Capa semántica de datos que proporcione una visión confiable a través de múltiples dominios de datos.
- Integración en tiempo real que soporte la toma de decisiones continua e impulsada por eventos.
- Automatización y orquestación de procesos que coordine acciones entre sistemas, reglas de negocio, API y personas.
- Gobernanza desde el diseño (governance by design) para asegurar que cada decisión opere dentro de controles definidos, requisitos de auditoría y rutas de escalamiento.
Estas capacidades son difíciles de lograr en entornos heredados, pero son inherentes a las arquitecturas modernas, API-first y nativas de la nube. Por ello, las API se han vuelto una prioridad estratégica, aunque no son suficientes por sí solas. Una estructura verdaderamente moderna necesita un core modular, productos de datos gestionados y orquestación impulsada por eventos. Sin estos fundamentos, las API son solo una cubierta para la vieja complejidad.
Acelerando la transformación con AI Pods
Los riesgos de una adopción no gobernada de la IA no son hipotéticos. Cuando se permite que los equipos elijan de forma independiente sus herramientas, modelos y flujos de trabajo sin un estándar compartido, el resultado es fragmentación, resultados inconsistentes, datos incompatibles, costos elevados y procesos no auditables.
Para evitar esta trampa y acelerar la modernización, Globant utiliza AI Pods: células de IA de nivel empresarial y de alta calidad, supervisadas por expertos, diseñadas para resolver el problema recurrente de las implementaciones genéricas de IA: llegar a producción bajo estándares corporativos.
Al integrar la IA directamente en el proceso de entrega, los bancos pueden acelerar el rediseño arquitectónico, modernizar código obsoleto y establecer las capacidades esenciales para la automatización futura.
Un punto de partida práctico es mapear qué procesos clave de negocio (alta de clientes, evaluación crediticia, verificaciones de cumplimiento) aún dependen de lógica enterrada en código heredado no documentado. Esas son las áreas de mayor impacto para la modernización y el punto de entrada natural para una implementación con AI Pods.
