Los bancos destinan crecientes recursos a los programas de cumplimiento Know Your Customer (KYC) y contra el lavado de dinero, pero los resultados siguen siendo limitados. Los altos costos operativos y la fragmentación de datos impiden avances sustanciales en detección y eficiencia. En este artículo, McKinsey analiza la inteligencia artificial agentiva como una respuesta a esas ineficiencias, al introducir mayor automatización y productividad a lo largo de todo el ciclo de relación con el cliente.

De la IA analítica a la IA agentiva

En la gestión del riesgo financiero, la inteligencia artificial se expresa en tres formas principales.

• IA analítica: ejecuta tareas de control y detección con mayor precisión, optimizando modelos de riesgo y reduciendo falsos positivos.
• IA generativa: complementa el trabajo humano al sintetizar información de múltiples fuentes, redactar informes y agilizar investigaciones.
• IA agentiva: evolución de la analítica, amplía estas capacidades al permitir que agentes digitales actúen de manera autónoma, coordinando tareas de principio a fin con mínima intervención humana.

Cómo operan los agentes y las “fábricas digitales”

En la práctica, la IA agentiva se organiza en equipos de agentes digitales o “fábricas”, donde cada agente cumple un rol especializado dentro del flujo de trabajo. Un banco global, citado por McKinsey, aplicó este enfoque en su proceso de incorporación de clientes mediante equipos con múltiples agentes y funciones definidas para extracción, verificación, análisis y consolidación de datos.

Los principales tipos de agentes incluyen:

• Agentes de recuperación (RAG): consultan bases de datos y documentos para ofrecer respuestas verificables, fundamentadas y contextualizadas.
• Agentes de flujo y calidad de datos: supervisan la integridad, coherencia y trazabilidad de la información a lo largo del proceso.
• Agentes de investigación y análisis: reúnen información de diversas fuentes, detectan patrones relevantes y elaboran reportes detallados.
• Agentes de validación: revisan los resultados generados, identifican inconsistencias y corrigen errores menores antes de la revisión humana.

Principios para un despliegue efectivo

La adopción de IA agentiva exige rediseñar procesos completos, no solo automatizar pasos aislados. Cada agente debe tener funciones claras y protocolos definidos de traspaso entre equipos.La revisión humana se reserva para los casos más complejos, mientras los expertos se concentran en supervisar y validar el trabajo de los agentes. Se recomienda incluir controles de calidad en cada equipo y revisiones periódicas por muestreo para garantizar precisión y coherencia.

Factores habilitadores y gestión del cambio

El éxito depende de una combinación de elementos: equipos multidisciplinarios con experiencia en cumplimiento, ciencia de datos y tecnología; procesos bien definidos; infraestructura escalable; control riguroso de calidad de datos y marcos sólidos de gestión de riesgos.
La gestión del cambio requiere especial atención, ya que la adopción organizativa suele tardar más que la implementación tecnológica. Los bancos que planifican esta transición con tiempo logran una colaboración más fluida entre humanos y agentes digitales.

La IA agentiva marca un cambio estructural en la forma en que la banca combate el delito financiero. Su despliegue gradual, con pruebas piloto y expansión progresiva, ofrece una supervisión más eficaz, menores cargas administrativas y una experiencia de cliente más fluida.

Encontrará el artículo completo en el siguiente enlace (podría ser necesaria una suscripción):

McKinsey & Company, “How agentic AI can change the way banks fight financial crime”, Risk & Resilience Insights, August 7, 2025. https://www.mckinsey.com/capabilities/risk-and-resilience/our-insights/how-agentic-ai-can-change-the-way-banks-fight-financial-crime

McKinsey & Company es una firma global de consultoría estratégica que publica investigaciones sobre transformación digital, riesgo, sostenibilidad y gestión organizacional.