IBM: la IA del cliente ya opera como contraparte del banco

La capa de acceso se está automatizando

Durante décadas, la banca institucional operó con una suposición simple: había un ser humano al otro lado. Un gestor de cartera llamaba a la recepción, un analista iniciaba sesión en un portal de investigación, un trader solicitaba precios. Los flujos de trabajo, los controles y los marcos de cumplimiento se construyeron sobre esa idea. IBM sostiene en su análisis sobre interacciones agente a agente que esa suposición está dejando de ser cierta: cada vez más, la primera interacción puede no venir de una persona, sino de un software que actúa en nombre del cliente.

El cambio no es cosmético. En ciertas partes del mercado, los agentes de IA del lado del cliente ya interactúan directamente con la infraestructura bancaria. Para una startup que vende software a instituciones financieras, eso mueve el eje de la venta: ya no alcanza con convencer a un analista humano, hay que ser legible para un agente.

¿Por qué el corretaje es el caso más claro?

Los clientes institucionales que más rápido adoptan IA —fondos de cobertura, firmas cuantitativas y grandes gestores de activos— ya operan sobre infraestructuras altamente automatizadas. Consumen datos de posición, datos financieros, analíticas de márgenes e información de riesgo a través de API e interfaces estructuradas.

Leíste lo que hace la IA. ¿Y en tu negocio?

Un agente de IA puede quedarse con parte de tu día: ordenar lo pendiente y pedirte el OK antes de actuar. El Kit «tu mano derecha con IA» trae un video de 11 minutos y una ficha para dejar al tuyo trabajando. CAR está cerrada por ahora; al anotarte, te avisamos cuando abra.

👥 Quiero el Kit →

Pasar de esas API tradicionales al acceso impulsado por agentes no es un salto técnico grande. Según IBM, la brecha real no es "¿cómo lo hacemos?" sino "¿sabemos cómo lo hemos hecho?". Lo que falta es la capa de gobernanza: quién autorizó el acceso, qué permisos se aplican, qué se registra y cómo se supervisa cuando las decisiones son cada vez más asistidas por máquinas. La mayoría de los bancos todavía no tiene respuestas claras.

¿Qué es MCP y por qué abre la puerta a la ejecución?

Model Context Protocol (MCP) es un estándar abierto que permite a los agentes de IA conectarse directamente a fuentes de datos y servicios externos mediante interfaces estructuradas. La idea detrás del lenguaje técnico es sencilla: en lugar de construir una integración única para cada sistema, el agente usa un protocolo común para descubrir qué ofrece un servicio e interactuar con él.

En la práctica, un agente del lado del cliente podría extraer investigación directamente de un banco, comprobar inventarios o condiciones de financiación y obtener analíticas de riesgo. También podría comparar precios entre contrapartes y, potencialmente, enrutar la ejecución automáticamente. Cada paso aleja al agente de leer información y lo acerca a actuar en consecuencia.

El patrón ya se ve fuera de la banca tradicional. Aave Labs lanzó su servidor MCP el 8 de septiembre de 2026, con alrededor de 40 herramientas que permiten a los agentes leer datos del protocolo, simular acciones y preparar transacciones, según reportó CryptoBriefing. El servidor es no custodial: cada acción vuelve como una transacción sin firmar, así que nada se mueve hasta que el usuario firma. MetaMask había lanzado su Agent Wallet para agentes de IA el 6 de agosto de 2026. En fintech, Tipalti anunció el 22 de octubre de 2026 nuevas capacidades MCP para conectar datos financieros en vivo con herramientas de IA empresarial, como Claude Enterprise.

¿Quién ya está moviendo ficha en banca institucional?

IBM enumera varios movimientos concretos: IG Group introdujo una capa MCP de solo lectura; ThinkMarkets dio soporte a flujos de trabajo con capacidad de ejecución; Aiera distribuye investigación del lado de la venta hacia sistemas de IA del lado de la compra con seguimiento de derechos incorporado; y Huatai Securities, en China, lanzó una infraestructura dedicada a la integración institucional de IA.

Nada de esto es ciencia ficción, pero tampoco es un mercado maduro: es temprano, fragmentado y adoptado de manera desigual. La dinámica competitiva cambia porque el diferenciador deja de ser solo la fortaleza de la relación de ventas y pasa a ser la calidad de la infraestructura que hay debajo. Un agente preferirá la plataforma con interfaces más limpias, datos mejor estructurados, recuperación más rápida y permisos más claros.

El cuello de botella es de gobernanza, no de tecnología

FINRA señaló recientemente la gobernanza en torno a las interacciones entre agentes y la IA agéntica como una prioridad emergente a examinar, según el análisis de IBM. El punto importa porque muchos marcos existentes asumen un tomador de decisiones humano en algún punto del flujo de trabajo.

PYMNTS reportó que el Informe Anual de Supervisión Regulatoria 2026 de FINRA identificó las alucinaciones como un riesgo de cumplimiento específico para los broker-dealers, y advirtió a las firmas que establezcan procedimientos para agentes de IA que puedan actuar más allá del alcance previsto por el usuario.

El problema legal es más amplio. Un análisis de Reuters Practical Law sobre IA agéntica advierte que la responsabilidad puede recaer sobre cualquiera de los eslabones de la cadena: el desarrollador del modelo, el integrador, el desplegador, el usuario final o el proveedor de datos de terceros. Además, la opacidad causal —la dificultad de reconstruir qué paso intermedio causó el daño— complica probar la culpa cuando un agente ejecuta decenas de acciones autónomas.

Forbes reportó que el Modelo de Gobernanza de IA de Singapur, presentado en el Foro Económico Mundial, identifica a los sistemas agénticos como agentes autogestionados que actúan, se adaptan y acceden a herramientas externas. El mismo artículo señala que NIST completó una convocatoria de comentarios sobre consideraciones de seguridad para IA agéntica, y propone cuatro bloques de construcción, entre ellos tratar a cada agente como una identidad no humana con sus propias credenciales, permisos y rastros de auditoría.

El riesgo ya se está materializando

Ars Technica documentó que, en los últimos cinco meses, Google y otras cuatro organizaciones reconocieron vulnerabilidades que explotan un agente dentro de una red para propagar instrucciones dañinas a otros agentes internos. El investigador independiente Syed Anas Mohiuddin probó agentes de organizaciones como Google, JP Morgan Chase, Rapid7 y la dirección digital interministerial del gobierno francés, entre otras. Como los servidores MCP guardan credenciales por agente y los agentes confían entre sí, un exploit que el modelo habría rechazado termina funcionando.

El costo económico tampoco es teórico. PYMNTS reportó, citando un informe de AIUC elaborado junto a investigadores de Anthropic y OpenAI, que más del 90% de la exposición de las aseguradoras a la IA está en coberturas silenciosas dentro de pólizas convencionales, es decir, riesgos en gran medida sin precio. El mismo reporte menciona que Google enfrenta una demanda que busca al menos US$110 millones porque su sistema AI Overviews habría difamado a la empresa solar Wolf River Electric, y que un juez obligó a Air Canada a honrar un descuento inventado por su chatbot.

¿Qué significa esto para tu startup?

Si vendes software a bancos, brokers o gestores de activos, la ventana se está abriendo ahora. Tres movimientos concretos:

Diseña para el agente, no solo para el analista. Documenta esquemas de datos, permisos y endpoints como si tu usuario principal fuera un sistema. Un agente elige la plataforma con interfaces más limpias y recuperación más rápida; la fricción de integración se convierte en desventaja comercial.
Trata cada agente como una identidad propia. Credenciales separadas, permisos acotados por herramienta y alcance, y registro de cada llamada. Es la recomendación que aparece tanto en el marco de Singapur como en el enfoque de gobernanza que describe IBM, y es lo primero que va a pedir el área de cumplimiento de tu cliente.
Construye el rastro de auditoría antes de que te lo exijan. Poder responder qué agente accedió, qué vio y qué ejecutó es lo que separa un piloto de un contrato con una institución regulada. IBM lo plantea como la pregunta que define el mercado: qué agentes de clientes ya están llamando a tus API, qué se les permite ver y si podrías reconstruir lo que hicieron y por qué.

El contexto de mercado acompaña. ResearchAndMarkets estima el mercado global de automatización de flujos de trabajo con IA en US$10.800 millones para 2026, con proyección de US$97.900 millones para 2036 y una tasa de crecimiento anual compuesta de 22,4%, impulsada en parte por la adopción en banca, servicios financieros y seguros.

Y el movimiento no es solo institucional. CNBC reportó que Torsten Slok, economista jefe de Apollo Global Management, advirtió sobre un posible bank run agéntico: si los hogares usaran agentes de IA para optimizar el rendimiento de su efectivo, los bancos podrían perder una parte grande de los depósitos baratos de los que dependen para prestar. Slok comparó el 4,5% de rendimiento anual que ofrece SoFi con el 0,1% de promedio nacional.

Conclusión

La banca institucional es, en el fondo, un negocio de información. Durante años, la ventaja competitiva estuvo en la relación y en el acceso privilegiado. Cuando el que consume tus servicios es un software, la ventaja se muda a la infraestructura: permisos claros, datos bien estructurados, auditoría real.

La asimetría es incómoda para las instituciones y cómoda para quien se mueva primero. La infraestructura de gobernanza tarda años en construirse, mientras que las expectativas de los clientes cambian rápido una vez que un nuevo modelo de acceso resulta útil. Los bancos que puedan responder con confianza qué agentes los están llamando, qué pueden ver y si podrían reconstruir lo que hicieron marcarán el estándar. El resto, como resume IBM, vivirá de los demás.