Arca: agentes de IA que tardan 10 días en una tarea

Qué hace Arca con sus agentes de IA

Los agentes de IA de Arca pueden tardar hasta diez días en completar una sola tarea. No porque el modelo sea lento, sino porque el trabajo financiero es de largo horizonte: pasa por muchos actores, decisiones y transferencias antes de cerrarse. Así lo describió Aman Singh, lead AI Engineer de la compañía, en una conversación en el AI Engineer New York recogida por Latent Space.

Arca es una firma de gestión patrimonial "AI-native": sus agentes hacen la mayor parte del trabajo de fondo, pero los asesores humanos toman la decisión final. La frase que resume su filosofía es que "los agentes le preguntan a la gente más de lo que la gente le pregunta a los agentes". El objetivo no es reemplazar al asesor, sino que la IA guíe el proceso y libere al humano de la carga operativa.

La firma levantó US$48,5M en una ronda liderada por General Catalyst, con participación de Index Ventures y Venrock, según el propio podcast. Además, salió de stealth en junio de 2026 con US$64M en financiación y ya administra más de US$1.000M en activos de clientes, según un comunicado de Business Wire difundido en septiembre de 2026.

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 →

Por qué una tarea de agente puede tardar diez días

Singh explicó que el trabajo financiero es de "largo horizonte, aunque no de larga ejecución". En su presentación señaló que las tareas de los agentes en Arca pueden extenderse hasta diez días. "Es muy intermitente: hay muchos actores en el medio, muchos puntos de decisión, muchas transferencias", dijo.

Por eso Arca construyó un sistema de memoria interno. "Tenemos esta persistencia para cada cliente", explicó Singh: qué pasó hasta ahora, qué se está siguiendo para lo próximo, qué debe ocurrir de inmediato en los próximos días, qué se sigue a largo plazo y qué persona es responsable de cada acción.

La lección para cualquier equipo que construye agentes: sin memoria persistente, un agente no puede sostener un proceso que dura días y pasa por varias manos.

Cómo elige Arca qué modelo usar

Arca usa modelos de laboratorios de frontera como Anthropic y OpenAI, con Claude como proveedor principal. La compañía construyó su propio harness, que selecciona automáticamente el mejor modelo para cada tarea según benchmarks internos.

Ser dueño del harness —en lugar de usar uno gestionado— le da flexibilidad para cambiar de proveedor si lo necesita. Es una decisión de arquitectura con implicancias directas: evita el lock-in y permite optimizar costo y calidad tarea por tarea.

Por qué el agente no mueve dinero

En servicios financieros la seguridad es crítica. Singh fue claro: aunque los agentes hacen gran parte del trabajo, su rol se limita al análisis y a proponer soluciones. El trading y cualquier movimiento de dinero los maneja un asesor humano.

"Todas nuestras restricciones de seguridad son totalmente deterministas", dijo. "Y le sacan la toma de decisiones de las manos del agente". Hay herramientas y tareas que el agente puede ejecutar solo, pero no las que implican riesgo para el cliente. Arca también corre verificaciones contra problemas conocidos de seguridad de IA, como inyecciones de prompt.

El agente no está en un sandbox, pero sí usa sandboxes para cómputo. Arca va más lejos: traduce el código que escribió el agente a un formato estricto que espera, descarta el código y aplica guardrails sobre ese formato antes de que llegue al backend. Así los agentes pueden consultar datos con código —agregarlos, transformarlos— para producir, por ejemplo, un plan financiero.

El meta-agente que mejora el sistema

Arca usa el feedback de los asesores humanos, junto con las trazas de los agentes, para mejorar el harness. Un "meta-agente" analiza todos esos datos y sugiere cambios.

Es un patrón replicable: convertir la operación diaria en datos de entrenamiento para el propio sistema. En lugar de ajustar prompts a mano, el equipo cierra el ciclo entre lo que pasa en producción y la configuración del agente.

¿Qué significa esto para tu startup?

El caso de Arca deja lecciones que aplican más allá de fintech.

Diseña memoria por caso, no por sesión. Si tu agente acompaña un proceso que dura días o semanas (una venta enterprise, un onboarding, un reclamo), necesita persistencia: qué pasó, qué sigue, quién es responsable. Sin eso, cada interacción empieza de cero.
Separa análisis de ejecución. Deja que el agente investigue y proponga, pero pon un humano en el punto donde se mueve dinero, se firma un contrato o se toca un dato sensible. Las restricciones deterministas —reglas duras, no juicio del modelo— son más fáciles de auditar.
Construye tu propio harness si el modelo es central para tu producto. Enrutar tareas al mejor modelo según tus propios benchmarks te da control de costos y evita depender de un solo proveedor.
Convierte el feedback en evals. Cada corrección de tu equipo es una señal. Un proceso que recolecte trazas y feedback para ajustar el sistema vale más que iterar prompts a ciegas.

El contexto del sector refuerza la apuesta. La británica Nevis, que automatiza el trabajo administrativo de asesores financieros, levantó una Serie B de €62 millones (US$70 millones) liderada por EQT Ventures, según EU-Startups, y dice que sus clientes representan más de €625.000 millones (US$700.000 millones) en activos. En paralelo, Hyphenate recaudó US$45 millones para agentes de IA financieros, reportó PYMNTS.

Pero hay una advertencia. Según PYMNTS, el uso de IA generativa para gestionar flujo de caja saltó del 16% en 2025 al 80% en 2026, mientras que la IA agéntica —la que ejecuta sola— bajó del 6% al 5%. La automatización del análisis avanza rápido; la ejecución autónoma sigue siendo rara. El modelo de Arca, con el humano en el punto de decisión, no es una limitación: es la forma en que hoy se adopta la IA en finanzas.

Conclusión

Arca muestra que el valor no está en un agente que lo hace todo, sino en una arquitectura que combina memoria persistente, enrutamiento de modelos, guardrails deterministas y humanos en las decisiones críticas. Para un founder, la pregunta no es "¿qué puede hacer mi agente?", sino "¿dónde debe parar?". Ese límite bien diseñado es lo que hace que el sistema sea confiable y, sobre todo, usable en producción.