Santander escala su IA con Maisa, startup de agentes

Santander ya tiene cientos de procesos en producción con IA, y detrás está una startup española

Santander opera cientos de casos de uso de inteligencia artificial en producción en sus principales mercados de Europa y América, y una parte de esa infraestructura corre sobre tecnología de Maisa, una startup española fundada en 2024 por David Villalón y Manu Romero, según Economía Digital. El dato importa porque marca dónde está hoy la barrera real para vender IA a empresas grandes: no en la potencia del modelo, sino en poder demostrar qué hizo el sistema, con qué datos y por qué llegó a ese resultado.

La entidad presidida por Ana Botín está moviendo su estrategia de automatización desde tareas puntuales hacia capacidades operativas más complejas, capaces de ejecutarse a escala global. El marco que ordena todo esto se llama One Transformation, el modelo con el que el banco busca simplificar y estandarizar procesos, compartir tecnología entre países y aprovechar su dimensión internacional. La IA es una de las palancas centrales de ese plan, con un objetivo declarado: generar más de 1.000 millones de euros de valor de negocio hasta 2028.

¿Qué hace exactamente la tecnología de Maisa?

El diferencial que Maisa aporta al banco es la trazabilidad. Su plataforma mantiene un registro de cada ejecución: qué información se utilizó, qué pasos se siguieron y por qué camino se llegó al resultado. Eso entrega tres cosas que un sector regulado no puede negociar: auditabilidad, reproducibilidad y control sobre el sistema.

Sobre esa base se apoyan otras dos capacidades:

• Modelos especializados por proceso, entrenados con la lógica concreta de cada operación y desplegados sobre la infraestructura del propio banco. Eso da control integral y, según la compañía, mayor eficiencia en costes.
• Reutilización de capacidades: una solución desarrollada una vez puede trasladarse a otros procesos y otros mercados donde tenga sentido, en lugar de construir una pieza distinta para cada necesidad.

La plataforma también apunta a un problema incómodo de la IA generativa en entornos críticos: las alucinaciones, esos momentos en que el sistema produce información falsa o inventada. Documentar cada paso es, en la práctica, la forma de detectarlas y acotarlas.

Otro detalle relevante para quien vende software a empresas: el modelo contempla que los propios equipos del banco participen en el diseño de las automatizaciones. La capacidad de automatizar se acerca a quien conoce el proceso de primera mano, dentro de un marco tecnológico y de gobierno compartido. Y el objetivo declarado no es automatizar por automatizar, sino identificar dónde la IA simplifica, mejora la ejecución y libera tiempo para tareas de mayor valor.

¿Por qué la trazabilidad se volvió el cuello de botella de la IA en banca?

En una entrevista publicada por Pulse 2.0, el director de estrategia de Maisa, Andrew Volkov, con experiencia previa en Deutsche Bank y como cofundador de Workfusion, lo resume sin rodeos: el mayor desafío para adoptar IA en entornos regulados no es la tecnología, sino la confianza operativa. Los prestamistas necesitan sistemas explicables, auditables y consistentes bajo escrutinio regulatorio; la IA, dice, no puede comportarse como una caja negra. El segundo obstáculo que menciona es la integración con infraestructura legada, diseñada para flujos que nunca contemplaron ejecución en tiempo real.

Volkov describe el enfoque de la compañía como "Digital Workers": agentes especializados que ejecutan flujos completos de negocio, no tareas aisladas. En préstamos, por ejemplo, ingieren el paquete completo de documentación, extraen y validan datos, corren verificaciones de identidad y fraude, y aplican la lógica de aprobación de cada entidad, devolviendo un resultado consistente y explicado: limpio, marcado o derivado a manejo de excepciones. Su tesis de fondo es que la mayor ineficiencia del sistema no está en la predicción o el scoring, sino en la ejecución: procesar, validar y coordinar flujos complejos entre múltiples fuentes de datos y sistemas.

Esa distinción es útil más allá de la banca. Durante años, la promesa de la IA en la empresa se vendió como capacidad de análisis. El caso Santander-Maisa sugiere que el dinero está en otro lado: en cerrar el ciclo entre razonar y hacer, con evidencia de lo hecho.

La apuesta más amplia: agentes de IA y seguridad

El acuerdo con Maisa no es una pieza aislada. Según Economía Digital, Santander firmó un marco de colaboración de tres años con Nvidia para impulsar modelos fundacionales, agentes de IA, prevención de fraude y blanqueo de capitales, decisión en tiempo real y tecnologías de simulación. En esa iniciativa también participan empresas de ciberseguridad como Microsoft, Okta y Check Point, con foco en la creación, contención y observación de agentes seguros en sistemas críticos.

De ese trabajo salió, según el mismo medio, la plataforma Model Arena, desarrollada en el Santander AI Lab, que permite diseñar, simular, evaluar y supervisar agentes bancarios, además de someter la IA conversacional a pruebas de esfuerzo antes de desplegarla en toda la organización. El patrón se repite: probar, medir y auditar antes de escalar.

¿Qué significa esto para tu startup?

Si vendes software con IA a empresas medianas o grandes, este caso deja lecciones bastante concretas:

• Instrumenta la trazabilidad desde el día uno. Guardar inputs, pasos intermedios y criterio de decisión no es un extra de compliance: es lo que convierte tu producto en algo contratable en banca, seguros, salud o sector público. Añadirlo después de tener el producto en producción es mucho más caro que diseñarlo al principio.
• Vende el proceso completo, no la tarea suelta. La diferencia entre automatizar un paso y ejecutar un flujo de punta a punta es la diferencia entre ser una función y ser un sistema. Los "Digital Workers" de Maisa son exactamente eso: agentes que orquestan el flujo entero y devuelven un resultado explicado.
• Diseña para reutilizar. Construir una capacidad una vez y extenderla a otros procesos y mercados es el argumento que Maisa usa con Santander. En tu producto, esto se traduce en componentes reutilizables en lugar de integraciones a medida por cliente: es lo que permite escalar sin multiplicar el equipo de implementación.
• Mide valor de negocio, no cantidad de automatizaciones. Santander puso una cifra al frente de su estrategia: más de 1.000 millones de euros de valor hasta 2028. Si vendes IA, tu cliente va a preguntar lo mismo. Ten una forma de cuantificar horas liberadas, errores evitados o ingresos recuperados, aunque sea con estimaciones conservadoras y metodología explícita.
• Deja las excepciones en manos humanas. El modelo que describe Maisa clasifica cada caso y deriva lo ambiguo a revisión. Es un buen diseño por defecto: la IA ejecuta lo predecible y el equipo humano se concentra en lo que requiere juicio.

Conclusión

La noticia no es que un banco use IA: eso ya es norma. La noticia es el tipo de IA que está comprando: agentes que ejecutan procesos complejos con registro completo de cada decisión, desplegados sobre su propia infraestructura y reutilizables entre países. Para una startup que compite por presupuesto de innovación en una empresa grande, ese es el estándar de exigencia que va a encontrar en la sala de reuniones. Y para Maisa, fundada en 2024 y con cientos de casos ya en producción en Europa y América, es la mejor prueba de que el nicho de la IA auditable para sectores regulados no es una hipótesis de laboratorio.

Fuentes

• El Plural — Santander apuesta por Maisa
• Economía Digital — Banco Santander se alía con Maisa
• Interempresas — Banco Santander escala la automatización con IA junto a la española Maisa
• Pulse 2.0 — Maisa: Interview With CSO Andrew Volkov