McKinsey: agentes de IA recortan 50% el trabajo bancario

Los agentes de IA ya no asisten: ejecutan

Un banco de Estados Unidos logró reducir entre 40% y 50% el trabajo manual en procesos de contabilidad de fondos, conciliaciones, operaciones de middle office y revisiones de arquitectura, según un reporte de McKinsey firmado por James Kaplan, Rich Isenberg, Vik Sohoni, Vishnu Kamalnath y Shilpa Khatana. La cifra importa menos por su tamaño que por lo que revela: no se trata de asistentes que resumen documentos, sino de sistemas que abren tickets, ejecutan pruebas, usan interfaces de programación y completan cadenas de trabajo dentro de la infraestructura del banco.

Para un founder, la lección es directa. Si tu producto o tu operación todavía usa IA para redactar o resumir, estás en la fase anterior. El salto que McKinsey documenta —y que las instituciones financieras están empezando a producir— es el de la IA que actúa sobre sistemas productivos.

¿Qué diferencia a un agente de un compañero digital?

La diferencia está en el grado de autonomía. Un agente ejecuta una instrucción concreta. Un compañero digital conserva el contexto de un caso, organiza varios pasos y transfiere tareas entre plataformas hasta alcanzar un resultado definido.

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 →

Ese salto tiene un costo: eleva el riesgo operativo. Un error puede afectar sistemas de producción, exponer datos de clientes o provocar incumplimientos regulatorios. Los modelos de lenguaje pueden interpretar de forma errónea una norma, generar resultados de pruebas que no existen o intentar acciones incorrectas en entornos productivos.

El mismo banco del caso busca además aumentar 60% el volumen anual de revisiones de permisos y acortar 25% los ciclos de aprobación, aunque los arquitectos conservan la autorización final. Es decir: la automatización no elimina la firma humana en los puntos críticos.

El costo real de un agente no está en los tokens

Uno de los datos más útiles del trabajo de McKinsey —recogido por Devdiscourse— es la estructura de costos. Cuando un agente ejecuta una tarea de atención al cliente en banca, los tokens representan solo 20% a 25% del costo variable por ejecución, mientras que la supervisión humana concentra 70% a 75%. Y 60% del costo de una tarea agéntica se va en refinar la respuesta, no en producirla.

McKinsey estima que la optimización puede recortar esos costos a menos de la mitad con medidas concretas: usar modelos más baratos para tareas simples, eliminar operaciones duplicadas, reducir transferencias de datos entre agentes y pasar de revisar cada salida a revisiones por muestreo.

Traducido a una startup: el presupuesto de tu proyecto de agentes probablemente no se te va a ir en la API. Se te va a ir en las personas que revisan lo que el agente hizo. Si no diseñas ese trabajo de supervisión desde el principio, el retorno se cae.

¿Cómo se mide si un agente es confiable?

McKinsey señala que las instituciones suelen carecer de métricas para evaluar el razonamiento de la IA y el comportamiento de los agentes, aunque esas evaluaciones son relativamente económicas porque no requieren datos etiquetados.

El reporte cita el caso de un banco que corrió diez evaluaciones sobre su proceso de incorporación de clientes, midiendo precisión, consistencia entre ejecuciones repetidas, tiempo de procesamiento y costo. Fijó umbrales mínimos de 80% de precisión y 70% de consistencia. En las evaluaciones publicadas, la consistencia medida fue de 72% a 100%. En el peor caso, aproximadamente una de cada cuatro ejecuciones devolvió una respuesta distinta ante el mismo input.

Ese último número es el que debería preocupar a cualquier equipo que esté poniendo agentes en producción. Un sistema que responde distinto ante el mismo caso no es un sistema auditable.

Gobernanza: identidad, permisos y un responsable con nombre

McKinsey es explícito: las reglas bancarias se aplican aunque la tarea la realice un sistema autónomo. Un agente que intervenga en créditos debe respetar las normas de préstamos justos; uno vinculado con pagos, las exigencias de secreto bancario y prevención de lavado de dinero; y otro que prepare comunicaciones comerciales, las normas de protección al consumidor.

La responsabilidad final recae en la institución financiera y en la persona que supervisa la implementación. Ante una consulta de un regulador o un cliente, el banco debe poder reconstruir los datos utilizados, las políticas aplicadas, la acción tomada y la autorización correspondiente.

De ahí salen tres requisitos operativos que aplican igual a una fintech de veinte personas que a un banco:

Identidad propia por agente. Cada sistema necesita credenciales con los permisos mínimos para su versión, entorno y propósito, más una definición explícita de qué información puede consultar, si está habilitado para modificar registros y cómo se revoca su acceso.
Un responsable humano por implementación. Alguien que responda por la finalidad, los permisos, el riesgo, los incidentes, el ciclo de vida y el resultado esperado.
Un registro centralizado de agentes con sus accesos, propietarios y estado operativo, para evitar que la proliferación se convierta en deuda tecnológica o genere reparos regulatorios.

¿Cuánta autonomía deberías darle a tu agente?

La intervención humana cambia según el impacto de la decisión. Las decisiones de crédito, la resolución de fraudes y la asignación de accesos privilegiados requieren que una persona autorice la ejecución. En tareas de riesgo intermedio, la revisión puede concentrarse en muestras definidas con criterios documentados. Las automatizaciones de bajo riesgo pueden funcionar con control por excepción y monitoreo continuo.

El margen de autonomía debe ampliarse de forma gradual: primero las acciones quedan sujetas a aprobación humana, después se ajusta la intensidad de la supervisión tras validar el desempeño y los casos extremos. Cuando el sistema no pueda resolver un caso con certeza suficiente o exceda los parámetros fijados, debe derivarlo a un revisor.

Esto tiene una consecuencia para los equipos: los empleados necesitarán capacitación para pasar de la revisión de tareas aisladas a la supervisión de excepciones, resultados y sistemas autónomos. Es un cambio de oficio, no una actualización de herramienta.

El contexto interno define hasta dónde llega la automatización

Un agente que modifique código de pagos sin conocer las reglas de arquitectura, o que clasifique alertas de lavado de dinero sin comprender el apetito de riesgo de la entidad, puede actuar con rapidez en la dirección equivocada. El contexto que falta incluye las reglas comerciales, los contratos de interfaces, la trazabilidad de datos y las obligaciones regulatorias.

La recomendación de McKinsey es ordenar ese conocimiento para vincular conceptos de negocio con activos de información, en lugar de dejar a los sistemas frente a documentos aislados. Las correcciones de los equipos humanos deben incorporarse a esa base para que los agentes recuperen antecedentes, métodos y vocabulario interno.

¿Qué significa esto para tu startup?

Aunque el reporte se enfoca en banca, el patrón aplica a cualquier empresa que esté pasando de copilotos a agentes. El contexto del sector lo confirma: según el informe 'The Value of AI 2026' de SAP y Oxford Economics, que encuestó a 2.600 directivos de 13 países y recoge El Confidencial, la IA ya da soporte al 30% de las tareas empresariales, frente al 25% registrado un año antes, y se prevé que alcance el 48% durante los próximos dos años. Las expectativas de retorno asociadas específicamente a la IA agéntica pasaron del 10% al 17% en un año.

El freno, sin embargo, es de gobernanza. Un estudio de Cloudera citado por El Confidencial indica que el 98% de las organizaciones españolas retrasó o canceló proyectos de IA durante los últimos doce meses por desafíos relacionados con la gobernanza y el cumplimiento normativo. Y según el estudio de EY 'IA y trabajo en España', el 46,2% de las compañías españolas está rediseñando su modelo operativo para favorecer la colaboración entre personas e IA, mientras que el 44,1% reestructura sus flujos para integrar la automatización.

Acciones concretas para esta semana:

Mide consistencia antes que precisión. Corre el mismo caso diez veces y cuenta cuántas respuestas distintas obtienes. Si una de cada cuatro cambia, no lo pongas en producción: primero acota el alcance del agente.
Presupuesta la supervisión como línea propia. Si los tokens son el 20-25% del costo variable y la revisión humana el 70-75%, tu caso de negocio tiene que incluir las horas de revisión, no esconderlas.
Da identidad y dueño a cada agente. Antes de sumar el segundo o tercer agente, define permisos mínimos, un responsable con nombre y un registro central. Escalar sin eso es acumular deuda técnica que después nadie puede auditar.
Diseña la escalera de autonomía. Empieza con aprobación humana en todo, define por escrito los límites de autoridad, los umbrales de confianza y las reglas de escalamiento, y suelta autonomía solo cuando el desempeño lo justifique.

Conclusión

El reporte de McKinsey describe un cambio de fase: la IA deja de ser una herramienta que responde y se convierte en capacidad operativa que actúa. Los beneficios son reales —el banco del caso recortó entre 40% y 50% el trabajo manual— pero el costo se mueve hacia la supervisión y el riesgo se mueve hacia la gobernanza.

Para un founder, la conclusión práctica es que la ventaja competitiva ya no está en acceder al mejor modelo, sino en tener la arquitectura, el contexto y el conocimiento operativo propios para gobernar lo que ese modelo hace. McKinsey lo resume con una idea que vale para cualquier tamaño de empresa: el costo de estos sistemas debería medirse por el resultado integral de cada flujo de trabajo —por ejemplo, la resolución de un caso dentro de los estándares regulatorios— y no solo por el consumo técnico de inteligencia artificial.