Arca: agentes IA y veto humano en la gestión patrimonial

Arca y los agentes que trabajan en segundo plano

En Arca, una firma de gestión patrimonial nativa de IA, una tarea delegada a un agente puede tardar hasta diez días en cerrarse. La compañía levantó US$48,5 millones en una ronda liderada por General Catalyst, con participación de Index Ventures y Venrock, según la entrevista publicada por Latent Space, y su forma de organizar el trabajo con IA es una de las más detalladas que se han hecho públicas en el sector financiero.

Aman Singh, ingeniero de IA principal de Arca, resumió el modelo en AI Engineer New York con una inversión del flujo habitual: los agentes dan instrucciones a las personas más de lo que las personas dan instrucciones a los agentes. El sistema no espera a que un asesor pida algo; detecta lo que hay que hacer y se lo pone delante al humano para que decida.

Ese detalle parece menor y no lo es. La mayoría de los equipos que hoy experimentan con agentes construyen flujos donde el humano dispara y la IA ejecuta. Arca invirtió la dirección y eso condiciona todo lo demás: la memoria, los permisos y la manera de medir si el sistema realmente funciona.

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 →

¿Qué es una firma de gestión patrimonial nativa de IA?

Arca no vende software a otras gestoras: opera el negocio. Combina asesores humanos con IA propia para ofrecer planificación proactiva y personalizada. Según Business Wire, la firma salió de stealth en junio de 2026 con US$64 millones de financiación y ya gestiona más de US$1.000 millones en activos de clientes. En septiembre sumó como custodio y socio tecnológico preferente a Altruist, integrando su API de custodia en tiempo real, según reportó InvestmentNews. Su fundador y CEO es Rron Rexha, y entre sus consejeros figuran Bill McNabb (ex Vanguard), Morgan Housel y Peter Crawford (ex Charles Schwab).

El contexto del sector ayuda a entender el contraste. Cuando Meta lanzó su agente Muse, capaz de ejecutar tareas multietapa para consumidores, las acciones de gestoras como Charles Schwab, LPL Financial y Ameriprise Financial cayeron con fuerza, según el New York Post. Y Anthropic lanzó Claude for Financial Advisors conectado con plataformas como Schwab, BlackRock, Envestnet y Orion, según Financial Advisor. Arca no está vendiendo una herramienta dentro de ese terremoto: está operando el negocio con agentes adentro.

¿Por qué una tarea de agente puede tardar diez días?

Aquí está la parte que más cuesta replicar. Singh explicó que el trabajo financiero es de largo horizonte, pero no de larga ejecución: el agente no corre diez días seguidos. Es un proceso intermitente, con muchos actores, puntos de decisión y traspasos entre personas y sistemas.

Para sostener eso, Arca construyó un sistema de memoria interno con persistencia por cliente. La memoria registra qué pasó hasta ahora, qué se está siguiendo para después, qué debe resolverse en los próximos días, qué se monitorea en el largo plazo y qué persona es responsable de cada acción.

Sin ese registro, cada traspaso borraría el contexto y el agente volvería a empezar de cero. Con miles de clientes, sería inviable. La lección de ingeniería es directa: en tareas largas, la memoria no es una función, es la infraestructura.

¿Cómo eligen qué modelo usar en cada tarea?

Arca trabaja con modelos de laboratorios frontera como Anthropic y OpenAI, con Claude como proveedor principal. Sobre ellos corre un harness propio: la capa de código que orquesta al modelo, le entrega herramientas y controla qué puede hacer. Ese harness elige automáticamente el mejor modelo para cada tarea según los benchmarks internos de la compañía.

No usar un harness gestionado tiene un costo en ingeniería y una ventaja estratégica: la portabilidad. Si mañana otro modelo rinde mejor en una tarea concreta, Arca puede cambiarlo sin rehacer el producto. Es la diferencia entre alquilar la inteligencia y depender de ella.

¿Cómo se evita que un agente mueva dinero sin permiso?

En servicios financieros, la seguridad no es una función adicional. Singh fue tajante: todas las restricciones de seguridad de Arca son deterministas y sacan la decisión de las manos del agente. El agente analiza y propone; la ejecución de operaciones y cualquier movimiento de dinero queda en un asesor humano.

El agente puede ejecutar por sí mismo ciertas herramientas y tareas, nunca las que implican riesgo para el cliente.
La firma corre verificaciones contra problemas de seguridad conocidos, como los ataques de prompt injection.
Usa sandboxes para cómputo y, además, traduce el código que escribió el agente a un formato estricto y esperado, descarta el código original y aplica guardarraíles sobre ese formato antes de que llegue al backend.

Ese último punto resuelve un problema muy práctico: si dejas que el agente consulte tus datos escribiendo código, ganas flexibilidad —puede agregar, cruzar y transformar información para armar un plan financiero— pero abres una superficie de ataque. Arca la cierra convirtiendo el código en una consulta con formato controlado.

El meta-agente que convierte el feedback en mejoras

Arca también cierra el círculo con un meta-agente: analiza las trazas de los agentes y el feedback de los asesores humanos para proponer cambios al harness. Es un sistema que se afina con el uso diario en lugar de esperar a la próxima versión del modelo.

Conviene subrayarlo porque es lo contrario del enfoque de prompt y a producción. Convierte la operación en un set de evaluaciones vivas: lo que sale mal en una conversación real vuelve como ajuste de infraestructura, no como un parche manual.

¿Qué significa esto para tu startup?

No necesitas gestionar US$1.000 millones ni construir un custodio propio. Necesitas copiar el orden de las capas.

1. Separa la capa de propuesta de la capa de ejecución. Deja que el agente analice, redacte y recomiende; que el humano apruebe lo irreversible. Es el mismo principio de Arca aplicado a cualquier vertical donde un error cueste caro: salud, legal, impuestos o pagos.

2. Invierte en memoria persistente, no en prompts más largos. Si tu proceso cruza días, equipos o herramientas, guarda el estado fuera del contexto del modelo: qué pasó, qué sigue y quién es responsable. Es la parte que más se subestima y la que mejor explica los fracasos en tareas largas.

3. Construye tus propios benchmarks antes que tu propio modelo. Arca no eligió un proveedor de por vida: definió cómo mide y después rutea. Con criterios de calidad claros por tipo de tarea, cambiar de modelo deja de ser un proyecto y pasa a ser una decisión de una tarde.

4. Escribe guardarraíles que no dependan del modelo. Restricciones deterministas —listas de acciones bloqueadas, validación de formato, sandboxes— no se pueden convencer con un prompt malicioso. Lo que sí se puede convencer es a un modelo.

Los datos respaldan la prudencia. Según Financial Advisor, Deloitte estima que la IA agéntica podría aumentar la capacidad de los asesores entre 30% y 100% para 2032 y liberar entre 25% y 50% del tiempo que hoy consumen tareas de bajo valor. La misma publicación recoge que un estudio de la firma Saturn encontró fallos en el 57% de 121 preguntas financieras —y en el 88% de las más difíciles—, mientras que un análisis de DeepVest halló que los chatbots fallaron el 85% de sus pruebas de métricas de inversión.

La traducción para un founder: la oportunidad es enorme y la confiabilidad de los modelos de propósito general todavía no alcanza para delegar la decisión final.

Conclusión

Arca apuesta por una tesis incómoda para la industria: el valor no está en reemplazar al experto, sino en quitarle el trabajo operativo para que decida mejor y más rápido. Los US$48,5 millones de la ronda liderada por General Catalyst y los más de US$1.000 millones en activos que reporta el sector, según Business Wire e InvestmentNews, sugieren que el mercado está dispuesto a financiar esa tesis.

Lo replicable no es el capital ni el acceso a modelos frontera. Son las decisiones de arquitectura: memoria por cliente, ruteo propio de modelos, guardarraíles deterministas y humanos en el último paso. Todas se pueden implementar con presupuesto de startup, empezando por el proceso donde un error hoy te cuesta más caro.