Tabla de contenidos

1. Más allá de la automatización: la evolución de 2024 a 2026
2. El nuevo front-end: convertir rechazos en oportunidades
3. Orquestación interactiva: el principio Atlas (UX y tecnología)
4. Eficiencia operativa: centros de llamadas y la psicología del cumplimiento
5. Inteligencia soberana: innovar sin perder el control
6. Límites y supervisión humana: delegar no es abdicar
7. Conclusión & lista de verificación para 2026

Más allá de la automatización: la evolución de 2024 a 2026

El cambio fundamental de 2024 a 2026 es la transición de los workflows deterministas al razonamiento probabilístico orientado a objetivos. El software tradicional sigue caminos rígidos y codifica las decisiones como reglas fijas del tipo "si X, entonces Y". La Agentic AI, en cambio, traduce objetivos empresariales definidos en pasos de acción concretos, orquesta sistemas y adapta continuamente su enfoque en función de los resultados medibles de los procesos. Los SLMs especializados (Small Language Models) hacen esto operativo en entornos regulados, ya que permiten despliegues controlados y soberanos. Al funcionar más cerca de los datos sensibles con costes y latencias predecibles, estos modelos operan bajo restricciones de gobernanza y residencia más estrictas que muchas configuraciones LLM de propósito general centradas en la nube.

Como resultado, la ventaja competitiva está pasando de "tener un agente" a "gobernar la ejecución en el dominio". Las plataformas empresariales envían cada vez más agentes listos para usar para tareas genéricas, pero el leasing y el crédito requieren modularidad – lógica contractual, gestión de excepciones, aplicación de políticas y trazabilidad de nivel auditoría, adaptables sin personalizaciones frágiles. La volatilidad del mercado en torno a los agentes autónomos a principios de 2026 subrayó con qué seriedad los inversores toman la idea de que las cadenas de valor de software pueden ser remodeladas por sistemas que no solo recomiendan acciones, sino que las ejecutan.

Impacto económico: el desplazamiento de los 2,5 billones de dólares

Los observadores atentos de la IA probablemente ya han visto las proyecciones billonarias. Según Gartner, se espera que el gasto mundial en IA alcance nada menos que 2,5 billones de dólares en 2026. Esta cifra no representa una valoración especulativa ni un potencial económico abstracto. Refleja una asignación de capital proyectada – una reasignación estructural de los presupuestos empresariales hacia modelos operativos nativos de IA.

La pregunta real, por tanto, no es si la IA está atrayendo inversiones. Se trata de determinar dónde se están materializando ventajas de rendimiento medibles – y qué modelos operativos convierten el gasto en capacidad de ejecución defendible. Mientras que el cambio macroeconómico se mide en billones, la ventaja competitiva emerge en los KPI operativos.

El nuevo front-end: convertir rechazos en oportunidades

En el crédito tradicional, un "no" suele ser el final del customer journey. Los sistemas convencionales son binarios: aprueban o rechazan basándose en políticas de crédito fijas. La Agentic AI transforma este punto terminal en una conversion recovery loop. En lugar de simplemente marcar un fallo, el agente trata un rechazo como un conjunto de restricciones que pueden renegociarse en tiempo real.

La diferencia técnica radica en el paso del scoring estático a la reestructuración dinámica. Mientras que un suscriptor humano podría tardar horas o incluso días en ajustar manualmente una operación, un agente autónomo puede explorar rápidamente muchas permutaciones conformes. Evalúa variables como la duración del leasing, los ajustes del valor residual, los pagos iniciales, los precios o las garantías adicionales.

Al analizar estos factores, el agente identifica el cambio mínimo que convierte un "No" en un "Sí" alineado con la política. Por ejemplo, si una solicitud es rechazada por umbrales de asequibilidad o riesgo, el agente puede proponer inmediatamente una contra-estructura validada – como la sugerencia automática de que un aumento del pago inicial del 15% alinea el perfil de riesgo con la política actual.

Este cambio tiene un efecto económico medible porque hace viable la reestructuración a escala. McKinsey informa que, en un workflow de memo de riesgo de crédito reinventado con agentes de IA en un banco minorista, el impacto fue un posible aumento de productividad del 20-60%, incluyendo una mejora del 30% en el tiempo de tramitación del crédito. El World Cloud Report de Capgemini muestra que los bancos ya están desplegando agentes de IA cloud-native "a gran escala" en áreas clave como el procesamiento de préstamos (61%) y el onboarding de clientes (59%).

La fiabilidad proviene de la integración con el marco central de decisión y gobernanza del prestamista. El agente no inventa nuevas reglas; explora el espacio de política aprobado, registra cada paso para una trazabilidad de nivel auditoría y escala los casos límite a un revisor humano cuando las restricciones no pueden satisfacerse.

Orquestación interactiva: el principio Atlas (UX y tecnología)

A nivel arquitectónico, la UX del leasing está pasando de los menús estáticos a la orquestación interactiva – como se ve en ChatGPT Atlas. En esta configuración, un agente conversacional opera junto a un espacio de trabajo funcional en lugar de hacerlo dentro de una ventana de chatbot separada. En casos concretos – como en una plataforma de gestión de contratos de leasing o crédito – esta arquitectura debe construirse sobre un núcleo 100% API y una capa MCP (Model Context Protocol) para convertir la conversación en una superficie de control para la ejecución real. La diferencia clave es la conciencia del workflow: el agente puede abrir la vista de cartera relevante, navegar a la sección contractual correcta, activar cálculos y escribir cambios de vuelta, mientras el usuario permanece en el mismo espacio de trabajo estable.

En los sistemas de gestión seguros, el agente no inventa valores. Actúa como orquestador en tres capas distintas: intención a parámetros, parámetros a modelos aprobados, y resultados a actualizaciones auditadas. Por ejemplo, un gestor de flota puede simplemente declarar: "Actualiza el valor residual de todos los vehículos eléctricos en el Benelux un 5% y recalcula la exposición al riesgo." El agente primero transforma esta solicitud en entradas explícitas y verificables. Si faltan entradas requeridas, el agente las solicita antes de bloquear los parámetros finales. A continuación, llama a los motores de valoración y riesgo existentes de la institución a través de APIs. Finalmente, produce un informe delta y escribe solo los cambios autorizados – cada paso queda registrado para una trazabilidad de nivel auditoría.

Los beneficios son concretos y medibles. Los benchmarks publicados para asistencia agéntica en 2026 muestran reducciones del tiempo de finalización de tareas del 30 al 40% para tareas complejas de trabajo del conocimiento. Dado que las pruebas publicadas muestran que las tasas de error varían fuertemente según el método de captura de datos – alrededor del 0,29% para la entrada simple y del 0,14% para la doble, mientras que la abstracción manual puede alcanzar ~6,57% – eliminar el copiar-pegar y la reintroducción de datos reduce significativamente las correcciones. El system of record permanece en control, mientras el agente se convierte en el puente de alta velocidad entre la intención y el cambio ejecutado.

Eficiencia operativa: centros de llamadas y la psicología del cumplimiento

Un enfoque ROI principal es reducir las "llamadas de pánico" relacionadas con recordatorios mediante una comunicación proactiva las 24 horas del día, los 7 días de la semana. El impulso de reportar o llamar en caso de incertidumbre – por ejemplo, para confirmar si toda la información se ha rellenado correctamente en una solicitud de leasing – es costoso. En consecuencia, soluciones como los centros de llamadas se externalizan, lejos del producto y en última instancia demasiado caros para lo que aportan.

Los agentes actúan como primeros respondedores empáticos, explicando complejos calendarios de pagos para resolver problemas antes de que escalen. Dentro de un marco moderno de Agentic AI, esto se logra a través de funciones especializadas: la generación de deals leyendo facturas y órdenes de compra para poblar automáticamente los expedientes; el next-best-action monitorizando contratos para renovaciones o ajustes proactivos; la síntesis documental y financiera resumiendo PDFs y estados de cuenta; las consultas basadas en RAG que permiten a empleados y clientes "preguntar" directamente a la base de datos de contratos; la orquestación de emails y pagos asignando automáticamente tareas y conciliando flujos de pago; y un pricer de activos en tiempo real que ajusta dinámicamente los valores residuales según los datos del mercado.

Al integrar estas capacidades, el foco pasa de externalizar el problema a resolverlo en el origen. Esta transición no solo reduce los costes operativos, sino que también se alinea con la psicología del cumplimiento – los clientes que se sienten informados y apoyados a través de datos transparentes en tiempo real tienen significativamente menos probabilidades de incumplir o abandonar.

Inteligencia soberana: innovar sin perder el control

Las finanzas europeas deben apoyarse en infraestructuras cloud soberanas para evitar los riesgos del shadow AI – donde los empleados usan herramientas de IA públicas no gestionadas para tareas sensibles. El desafío para los prestamistas es que los modelos de IA estadounidenses estándar a menudo no cumplen los estándares europeos. Bajo la US Cloud Act, las autoridades estadounidenses pueden acceder a datos en servidores americanos independientemente de su ubicación, creando un conflicto directo con DORA, la EU AI Act y los mandatos de Basilea III/IV.

Para garantizar que la institución siga siendo la única propietaria de sus datos y su lógica, un framework agéntico soberano proporciona tres capas críticas de protección: la residencia de datos, garantizando que los agentes y los datos permanezcan estrictamente en infraestructuras seguras en la UE; la explicabilidad de nivel auditoría, permitiendo la trazabilidad requerida por políticas de seguridad como Basilea III/IV, donde cada decisión de crédito impulsada por IA debe ser inspeccionable y justificable ante los reguladores; y la resiliencia operativa, mitigando el riesgo de interrupciones repentinas del servicio o cambios de política por parte de proveedores extranjeros.

Cumplir estos estándares es deliberadamente riguroso. Sin embargo, al superar estos complejos obstáculos de cumplimiento, los prestamistas transforman una carga regulatoria en una ventaja estratégica, manteniendo plena autonomía sobre su activo más valioso: su lógica de toma de decisiones.

Límites y supervisión humana: delegar no es abdicar

Los fallos de automatización en sistemas financieros causaron daños inmensos mucho antes de que la IA generativa entrara en la corriente principal. En 2012, la Knight Capital Group – entonces el mayor operador de renta variable de EE.UU. con aproximadamente el 17% de cuota de mercado – perdió aproximadamente $460 millones en menos de una hora tras un despliegue de software defectuoso en su sistema de trading automatizado. La empresa sobrevivió únicamente gracias a una financiación de emergencia y fue posteriormente adquirida por Getco.

En 2021, Zillow cerró su división de iBuying, Zillow Offers. La empresa se había expandido hacia la compra directa de viviendas mediante modelos de fijación de precios algorítmicos, con el objetivo de revenderlas a escala. Sus modelos automatizados de valoración y previsión de demanda sobreestimaron sistemáticamente los precios de reventa en varios mercados. A medida que las condiciones del mercado cambiaron, los errores de precios se acumularon en miles de propiedades, generando pérdidas de cientos de millones de dólares. Como parte del cierre, Zillow despidió a aproximadamente el 25% de su plantilla.

La IA generativa eleva aún más las apuestas. El riesgo ya no se limita a la ejecución defectuosa – se extiende a la desinformación autoritativa entregada con confianza. A principios de 2024, Air Canada fue considerada legalmente responsable después de que su chatbot de servicio al cliente proporcionara una política de reembolso inexistente. La implicación legal fue significativa: el resultado de la IA no transfirió la responsabilidad – fue tratado como comunicación corporativa oficial. La responsabilidad permanece con la institución, independientemente de si una máquina o un humano produjo la declaración.

Para sectores regulados como el leasing y el crédito, esto refuerza un principio central: delegar no es abdicar. En entornos profesionales de leasing y crédito, la delegación verificada descansa típicamente en tres salvaguardas prácticas: la Generación Aumentada por Recuperación (RAG) – el agente se ancla en fuentes internas verificadas en lugar de depender únicamente del entrenamiento general del modelo; la explicabilidad y auditabilidad – cada recomendación o cálculo está vinculado a su punto de datos de origen, dejando un rastro verificable; y los controles human-in-the-loop – los agentes pueden redactar, simular y sintetizar, pero la autoridad de aprobación permanece con expertos cualificados, especialmente para exenciones de política o decisiones de alta exposición.

El objetivo no es ralentizar la IA, sino definir un envelope de autonomía controlada: los sistemas operan a velocidad de máquina, mientras la responsabilidad permanece humana. En las finanzas de activos de alto valor, la velocidad sin gobernanza es riesgo. La gobernanza no es una restricción a la innovación – es el fundamento que hace que la autonomía a escala sea estratégicamente viable.

Conclusión & lista de verificación para 2026

La transición a la Agentic AI representa uno de los cambios más significativos en las finanzas de activos desde la introducción de la banca digital. No es un reemplazo de los logros del software tradicional, sino una evolución: de sistemas que automatizan workflows predefinidos a sistemas que interpretan activamente los objetivos y orquestan la ejecución a lo largo de los complejos ciclos de vida del leasing y el crédito.

Tres preguntas definen la preparación para 2026: si los agentes están equipados con lógica de financiación específica y controlada; si los datos y la matriz de decisión están seguros y son propiedad de la institución; y si el sistema está construido sobre un núcleo 100% API & MCP para verdaderos agentes de IA, no solo IA genérica.

En última instancia, la Agentic AI va más allá de la velocidad o el ahorro de costes; se trata de crear un ecosistema de financiación más resiliente, empático y escalable. Mientras que los pioneros como Flexicar ya han demostrado que las arquitecturas API-nativas pueden impulsar un crecimiento del 400%, el objetivo más amplio para la industria es convertir la orquestación autónoma en una ventaja competitiva permanente. La arquitectura ya no es un simple detalle de TI – es el fundamento estratégico para la capacidad empresarial y el liderazgo en un mundo agéntico.