IA agéntica en la monitorización de transacciones: ¿Cómo pueden los bancos ampliar el uso de la IA en Compliance?

La inteligencia artificial agéntica puede transformar la monitorización de transacciones y servir como punto de partida para modernizar de forma más amplia las funciones de cumplimiento normativo bancario.  La IA agéntica puede convertir la monitorización de transacciones de un proceso intensivo en recopilación manual y redacción documental en un modelo centrado en el análisis de riesgos y la toma de decisiones. Su valor no procede únicamente de automatizar tareas, sino de rediseñar conjuntamente procesos, tecnología, controles y funciones profesionales. Para obtener resultados sostenibles, los bancos deben empezar por casos concretos, medir rigurosamente calidad y costes, mantener la responsabilidad humana y construir desde el principio una arquitectura reutilizable, trazable y gobernada.

 La inteligencia artificial agéntica es un sistema de IA diseñado para actuar como uno o varios agentes autónomos o semiautónomos capaces de interpretar un objetivo, recopilar información de distintas fuentes, dividir el objetivo en tareas, planificar una secuencia de acciones, utilizar herramientas, bases de datos o aplicaciones, ejecutar las acciones necesarias, comprobar los resultados y adaptar el plan y finalmente solicitar intervención humana cuando encuentra una excepción o supera sus límites.

 La diferencia esencial es que no se limita a generar una respuesta. Puede organizar y ejecutar un proceso de varios pasos, manteniendo el objetivo y actuando dentro de unos permisos, controles y límites previamente definidos. Stanford la caracteriza precisamente como IA orientada a la ejecución continuada de tareas, capaz de interpretar objetivos, planificar acciones, utilizar herramientas y adaptarse a la información recibida. Frente a la IA generativa que crea contenido o responde, la IA agéntica planifica, utiliza herramientas y ejecuta un proceso para alcanzar un objetivo.

De las herramientas auxiliares a la investigación integral. Las entidades financieras se enfrentan a amenazas más sofisticadas y a unas exigencias regulatorias crecientes. Para responder a ellas, han ampliado sus equipos, controles y capacidades de supervisión, pero este enfoque consume cada vez más recursos. La IA agéntica ofrece una alternativa al automatizar no solo tareas aisladas, sino la secuencia completa de una investigación: recopilación de información, contraste de datos, formulación de hipótesis, análisis documental, síntesis de evidencias y elaboración de recomendaciones documentadas.

Hasta ahora, la mayoría de las aplicaciones de IA en cumplimiento han actuado como asistentes del analista. Resumen documentos, redactan fragmentos de informes o responden preguntas sobre políticas internas, sin modificar realmente el proceso de trabajo. El salto cualitativo consiste en construir procesos integrales en los que distintos agentes ejecuten la investigación y registren cada paso para que pueda ser revisado por los responsables de calidad, auditores o supervisores. El objetivo no es eliminar el juicio humano, sino reducir las tareas manuales para que los profesionales se concentren en las decisiones más complejas.

Los bancos más avanzados adoptan cinco criterios fundamentales:

• Diseñan el sistema pensando desde el inicio en la calidad y la trazabilidad. Entre el 30 % y el 50 % de la red de agentes puede dedicarse a controles de calidad.

• Distribuyen las funciones según las fortalezas respectivas: los agentes analizan, investigan y sintetizan; las personas deciden, completan información y resuelven las excepciones.

• Controlan los costes con detalle, incluido el consumo de tokens por expediente, y asignan a cada tarea el modelo o herramienta más adecuado.

• Desarrollan las soluciones de manera iterativa, con participación directa de especialistas en cumplimiento.

• Gestionan activamente los nuevos riesgos derivados de incorporar IA a los procesos rediseñados.

Tres pilares para construir la capacidad. La transformación hacia investigaciones orquestadas por agentes se apoya en tres pilares:

Plataforma de IA agéntica. El banco debe implantar una plataforma, preferentemente integrada en su entorno de nube, conectarla con modelos de lenguaje y establecer un sistema de entrega continua. La arquitectura debe facilitar el acceso seguro a fuentes de datos y conservar la portabilidad, de modo que los agentes puedan trasladarse a otras plataformas si la tecnología evoluciona.

“Fábrica” de agentes. Se trata de una red de agentes y herramientas deterministas que procesa los casos desde el evento que los inicia hasta el resultado final. En la monitorización de transacciones, los agentes pueden recoger automáticamente una alerta, verificar su plausibilidad, construir argumentos a favor y en contra, y redactar el informe y la recomendación correspondientes.

Calidad y gobernanza incorporadas al diseño. El sistema debe evaluar exactitud, integridad, fiabilidad y equidad. Los expertos intervienen principalmente en las decisiones, mientras que los resultados intermedios quedan almacenados y vinculados a sus fuentes. Esto permite reconstruir la lógica de cada conclusión y facilita la auditoría y la supervisión regulatoria.

En las experiencias observadas por los autores, este modelo ha reducido en más de un 40 % el tiempo de procesamiento humano en determinadas investigaciones. Los informes generados por agentes alcanzaron mayor integridad frente a listas de comprobación predefinidas, incorporaron referencias a las fuentes y mantuvieron una estructura homogénea entre alertas.

Cinco pasos para implantar el modelo

1. Descomponer y rediseñar los procesos. Cada procedimiento debe dividirse en pasos explícitos, definiendo cuándo se considera completado. El punto de partida no debe ser la forma tradicional de trabajar, sino qué tareas puede realizar la IA con fiabilidad y en cuáles debe intervenir una persona. Los especialistas en cumplimiento son indispensables para traducir políticas, factores de riesgo y contexto transaccional en criterios operativos.

1. Diseñar la colaboración entre agentes y personas. El sistema debe diferenciar los casos comunes, que puede preparar con un grado elevado de fiabilidad, de los patrones nuevos o inusuales, en los que debe detenerse y solicitar revisión humana. También debe señalar las conclusiones basadas en datos completos, las carencias de información y los puntos que requieren juicio experto.

2. Orquestar agentes y equipos. El artículo plantea estructuras de entre 15 y 20 equipos, formados por tres a cinco agentes, con entradas, salidas, instrucciones, contexto y barreras de seguridad definidos. Algunos equipos pueden contar con un agente planificador que coordine a los demás, mientras que determinados pasos pueden resolverse mediante un único agente especializado. Después debe diseñarse el flujo de trabajo que conecte todos los equipos.

3. Incorporar un marco de evaluación. Las métricas deben cubrir exactitud e integridad, fiabilidad y equidad. Agentes críticos pueden comprobar cada afirmación contra su fuente y revisar los informes con listas de control antes de su remisión a una persona. Este marco también permite corregir errores mediante cambios en instrucciones o listas de comprobación, generalmente con mayor rapidez que una modificación de los sistemas centrales.

4. Gestionar costes y rentabilidad. El consumo puede medirse por expediente y optimizarse asignando los pasos sencillos a modelos menos costosos o aplicando controles mediante muestreo cuando resulte apropiado. En una prueba de concepto, los agentes revisaron amplios historiales para cada alerta, incluidos clientes con más de 15.000 operaciones realizaron ocho comprobaciones web por caso, recuperaron alertas anteriores y redactaron preguntas adicionales cuando faltaba información.

Escalado, riesgos y cambio organizativo

El despliegue puede organizarse en tres horizontes. El primero demuestra la viabilidad técnica y el valor empresarial mediante un producto mínimo viable. El segundo amplía el alcance del caso inicial, por ejemplo incorporando alertas de segundo nivel o borradores de comunicaciones sobre actividades sospechosas. El tercero reutiliza la infraestructura y los conocimientos adquiridos en otras áreas, como fraude, sanciones, conocimiento del cliente y cumplimiento regulatorio.

El escalado debe acompañarse de supervisión permanente, pruebas independientes en los casos de mayor riesgo, varias capas de control automatizado y participación humana. Una vez en producción, deben compararse las respuestas del modelo con las decisiones validadas por personas, vigilar indicadores que permitan detectar desviaciones y actualizar iterativamente los agentes.

Las principales dificultades no son exclusivamente tecnológicas. Es necesario generar confianza, delimitar de manera visible dónde termina el trabajo de la máquina y comienza el juicio humano, y mostrar el grado de fiabilidad de cada resultado. También se requiere una colaboración continua entre científicos de datos y especialistas en cumplimiento, así como reinvertir parte de las mejoras de productividad en supervisar y perfeccionar el sistema.

Y en el próximo artículo: La IA Agéntica en la prevención de delitos