Itaú Unibanco: IA recorta 70% el tiempo de migración

Itaú Unibanco y GFT Technologies consolidaron un modelo que traslada a la nube los sistemas batch del banco con agentes de IA trabajando bajo supervisión directa de especialistas. Los resultados de la fase inicial: hasta 70% menos tiempo para migrar sistemas y entregas 3,3 veces más rápidas.

Para cualquier equipo que arrastra una base de código vieja, ese ahorro no es un detalle cosmético. Es la señal de que el cuello de botella de la modernización dejó de ser solo el presupuesto: ahora es el tiempo de ingeniería disponible.

¿Qué son los sistemas batch y por qué frenan a la banca tradicional?

Un sistema batch (procesamiento por lotes) agrupa grandes volúmenes de transacciones y las procesa de forma automática, generalmente en horarios programados. En banca, ahí viven operaciones esenciales como cierres, liquidaciones y conciliaciones que llevan décadas corriendo sobre mainframes.

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 →

El contraste con la superficie del negocio es fuerte: la banca digital ya alcanza un 53% de penetración en la población mundial, pero la infraestructura que sostiene las operaciones de fondo sigue siendo, en muchos casos, la misma que se diseñó hace décadas. Migrarla a la nube es riesgoso, lento y caro, y genera una fricción enorme dentro de cualquier institución financiera.

¿Qué hicieron Itaú Unibanco y GFT Technologies con los agentes de IA?

El proyecto se apoya en Batch2Cloud, una herramienta que GFT desarrolló en colaboración con el banco, integrada con Wynxx, la plataforma de IA generativa de la tecnológica. Esa combinación permite identificar oportunidades de modernización, mapear la complejidad de los entornos y estimar los esfuerzos necesarios con previsibilidad.

El punto clave del diseño no es la automatización ciega. Los agentes de IA absorben la carga más repetitiva —acelerar análisis, apoyar la generación de código y las validaciones— mientras los especialistas de ambas organizaciones conservan la responsabilidad sobre las decisiones técnicas, la arquitectura de la solución y la gobernanza del proceso.

Todo esto se inscribe en el plan de modernización y migración a la nube de Itaú Unibanco, iniciado en 2018, cuyo objetivo es evolucionar aplicaciones desarrolladas a lo largo de décadas sin perder reglas de negocio ni continuidad operativa.

La cocreación también sumó piezas que ya existían dentro del banco: Code Understanding, una solución desarrollada por Zup Innovation, empresa tecnológica del grupo, que aporta mayor comprensión del código heredado (legacy) y complementa el trabajo de los agentes para acortar plazos.

¿Qué métricas concretas dejó la migración asistida por IA?

Dos números resumen la fase inicial de implementación:

Hasta 70% menos tiempo necesario para la migración de sistemas.
Hasta 3,3 veces más velocidad en la entrega de proyectos de modernización.

La diferencia con una herramienta de productividad individual está en cómo se mide. En el sector financiero, el valor de una arquitectura nueva se prueba en métricas de despliegue, no en demos.

Saulo Santos, vicepresidente de Negocios de GFT Technologies, señaló que comprender todo el ecosistema de Itaú Unibanco y los sistemas legados existentes fue fundamental para acelerar las implementaciones y alinear al equipo del proyecto. Por su parte, Douglas Santos, superintendente de Tecnología de Itaú Unibanco, sostuvo que la modernización de los sistemas legados y la migración a la nube son dos pilares de la estrategia tecnológica del banco.

Para GFT, el resultado obtenido en Itaú avala que Batch2Cloud pueda escalarse y replicarse en escenarios similares. Es un dato relevante si estás evaluando proveedores: la herramienta ya pasó por una institución con volúmenes de operación que no se parecen a los de un piloto.

¿Por qué el legado bancario sigue siendo tan caro de reemplazar?

Los números del sector explican por qué este modelo llama la atención. Según una investigación de PYMNTS Intelligence, 52% de las instituciones financieras señala la tecnología legada como obstáculo para modernizar los pagos en tiempo real, y 53% apunta a procesos internos intensivos en trabajo manual.

Investigadores del Federal Reserve Bank of Kansas City, citados por PYMNTS, indican que muchas entidades siguen operando sobre cores legados de hasta 40 años de antigüedad, y que las conversiones completas pueden tomar varios años y costar millones.

El problema no es exclusivo del sector privado. Según IBTimes, un reporte del gobierno de Estados Unidos de 2025 encontró que 8 de 11 sistemas críticos de TI examinados seguían usando lenguajes de programación obsoletos.

¿Qué están haciendo otros proveedores con agentes de IA en banca?

El movimiento no es aislado. PYMNTS reportó en octubre de 2026 que Backbase lanzó Delivery Factory, una herramienta que empareja equipos bancarios con agentes de IA especializados. Según la compañía, los equipos que la usaron durante los últimos 12 meses entregaron el doble de rápido que equipos tradicionales y 30% más rápido que equipos con asistentes de código genéricos, con 80% menos esfuerzo en requisitos y especificaciones, 40% menos esfuerzo en desarrollo y revisión, y 60% más cobertura de pruebas y automatización.

En BankInfoSecurity, Jessica Reeves, CEO de Axoniq, sostiene que el mercado se moverá hacia la modernización incremental en lugar de «derribar y reconstruir», porque permite entender los caminos de decisión del sistema legado y cambiar la arquitectura de la forma menos disruptiva posible.

Y en el caso de Kastle, que también combina cores legados con IA agéntica, PYMNTS recoge que sus agentes comienzan ejecutando tareas acotadas y repetitivas para los bancos, y amplían su alcance a medida que el desempeño lo justifica.

¿Qué significa esto para tu startup?

Si vendes software a instituciones financieras, o si tu propia empresa arrastra sistemas heredados, el caso Itaú deja lecciones aplicables desde el lunes:

Define la frontera de supervisión antes de escribir código. El modelo que funcionó no fue el de mayor autonomía, sino el que asignó a la IA las tareas repetitivas y dejó en manos humanas la arquitectura y la gobernanza. Escribe esa frontera en un documento y revísala en cada sprint.
Mide un baseline antes de meter agentes. Si no tienes el tiempo actual de tus migraciones o despliegues documentado, no podrás demostrar el ahorro. El 70% y el 3,3x de Itaú son creíbles porque se comparan contra algo.
Empieza por lo acotado y repetitivo. Mapeo de entornos, estimación de esfuerzos, generación de borradores de código y validaciones son el punto de entrada natural. Es exactamente el camino que describe Kastle: primero tareas estrechas, y más alcance solo cuando el desempeño lo respalda.
Si vendes a bancos, la propuesta de valor no es velocidad, es velocidad con auditoría. El comprador necesita trazabilidad sobre quién decidió qué. Un agente sin registro de decisiones no pasa el filtro de riesgos, por rápido que sea.
Piensa en modernización continua, no en un proyecto único. Varias voces del sector insisten en tratar el parque tecnológico como un portafolio que se actualiza de forma permanente, en lugar de esperar el gran reemplazo que nunca llega.

Conclusión: supervisión humana, no automatización ciega

La migración de Itaú Unibanco muestra que los agentes de IA pueden mover una de las cargas más pesadas de la ingeniería de software: arrastrar sistemas heredados hacia arquitecturas modernas sin detener la operación. El detalle decisivo no fue la autonomía de los modelos, sino el reparto de responsabilidades entre agentes y especialistas.

Para el ecosistema hispanohablante hay una lectura extra. Varios de los jugadores que están resolviendo este problema son brasileños y regionales, como el propio Itaú Unibanco o Zup Innovation, lo que abre una ruta concreta para startups de LATAM y España que construyan herramientas de modernización, análisis de código legado o gobernanza de agentes para el sector financiero.

La banca tardó décadas en acumular su deuda técnica. Con este enfoque, la pregunta ya no es si se puede pagar, sino cuánto tiempo de ingeniería se necesita para hacerlo.