Cómo la IA agéntica puede cambiar la manera en que los bancos combaten los delitos financieros

Nota: Hacemos nuestro mejor esfuerzo por preservar el espíritu original y los matices de nuestros artículos. Sin embargo, nos disculpamos de antemano por cualquier falla de traducción que pueda notar. Agradecemos sus comentarios en reader_input@mckinsey.com

Los bancos están gastando sumas cada vez mayores de dinero en actividades de “conozca a su cliente” y prevención del lavado de dinero (know-your-customer and anti-money-laundering, o KYC/AML). Sin embargo, hay pocas pruebas de que estén obteniendo un buen retorno sobre sus inversiones. De hecho, según Interpol, la industria financiera detecta solo alrededor del 2 por ciento de los flujos globales de delitos financieros, a pesar de haber aumentado el gasto hasta en un 10 por ciento anual en algunos mercados avanzados entre 2015 y 2022.¹ Una posible solución reside en la inteligencia artificial (IA) agéntica, una evolución de la tecnología de IA analítica que ofrece automatización y productividad a lo largo de todo el ciclo de vida del cliente (Gráfica 1).

Gran parte del costo de combatir la delincuencia financiera se relaciona con ineficiencias en los modelos operativos y las formas de trabajar. De hecho, los bancos suelen asignar entre el 10 y el 15 por ciento de sus equivalentes de tiempo completo únicamente a KYC/AML.² Paralelamente, los índices de automatización suelen ser bajos debido a recursos de datos fragmentados y conjuntos de datos no estandarizados. El resultado es que los equipos pierden mucho tiempo en tareas manuales, mientras que los clientes se quejan de interacciones tediosas y procesos irregulares.

La IA, en concreto la IA agéntica, podría ser el antídoto frente a los obstáculos de KYC/AML. En este artículo, trazamos el panorama de la IA y examinamos las opciones para su implementación, destacando cómo algunas instituciones líderes han desplegado la tecnología en su beneficio. Nuestra conclusión clave es que la IA ofrece un potencial transformador, pero solo si las instituciones establecen las bases y capacidades necesarias para respaldar una implementación a gran escala.

IA analítica, IA generativa e IA agéntica: Breve tutorial sobre casos de uso en delitos financieros

Más perspectivas de McKinsey en Español

Mire nuestra colección de artículos en Español y suscríbase a nuestro newsletter mensual en Español.

Navegue por la colección

La IA no es, en realidad, una sola tecnología, sino un término general que abarca una variedad de tecnologías capaces de comprender y generar lenguaje, reconocer imágenes o voz, tomar decisiones o hacer predicciones, y aprender de los datos a lo largo del tiempo. En el contexto de KYC/AML, estas capacidades se expresan de manera general en tres formas (Gráfica 2).

IA analítica

La IA analítica puede completar tareas analíticas de forma más rápida y eficiente que los humanos. Entre los casos de uso más destacados se encuentran la detección de falsos positivos en controles, incluidos el monitoreo de transacciones, la detección de sanciones, la verificación de nombres y la detección de fraudes. La tecnología también puede generar modelos de calificación de riesgo de clientes más dinámicos e integrados, por ejemplo, incorporando un mayor número de factores de comportamiento (incluidos los basados en transacciones). En el monitoreo de transacciones, puede mejorar la precisión y facilitar las comparaciones entre grupos de pares y la detección de anomalías. Además, puede aplicar modelos basados en árboles de decisión, un tipo de algoritmo de aprendizaje automático, para mejorar las reglas con bajo rendimiento.

IA generativa

La IA generativa aprende de patrones en conjuntos de datos y utiliza ese aprendizaje para generar resultados originales. En KYC/AML, puede respaldar a los investigadores humanos en una serie de casos de uso, incluyendo la incorporación de clientes y las revisiones durante la relación con el cliente, basándose en el análisis de datos estructurados y no estructurados. La tecnología puede ahorrar tiempo humano al recopilar y extraer datos de documentos, resumir grandes conjuntos de información (por ejemplo, sobre noticias negativas en medios de comunicación) sobre personas y entidades, y acelerar las investigaciones, incluyendo el análisis de declaraciones de propósito y naturaleza, los borradores sobre el origen de los fondos o el patrimonio, y las descripciones de la actividad empresarial de corporaciones. En el monitoreo de transacciones, la IA generativa es útil para elaborar conclusiones de alertas e insights del análisis de transacciones, apoyar la redacción de reportes de actividad sospechosa y contribuir al control y aseguramiento de la calidad (quality assurance, o QA).

En un ejemplo de esta tecnología en acción, un banco universal desarrolló una capacidad de extracción de datos impulsada por IA generativa para respaldar su proceso de KYC. Esta capacidad se implementó en producción y se probó con más de 50 analistas durante un piloto de cuatro semanas. Como parte del ejercicio, el banco desarrolló una arquitectura reutilizable de IA generativa y un proceso codificado de extracción de información para más de 50 preguntas de política y 300 subtareas subyacentes. Aprendió que un enfoque centrado en los procesos, basado en la comprensión del trabajo diario de los analistas y en la participación del personal de primera línea en el diseño y las pruebas, era una excelente manera de operar.

En otro caso de uso, un gran banco utilizó la IA generativa para agilizar la generación de declaraciones de propósito y naturaleza, así como para mejorar la calidad de las declaraciones de acuerdo con las directrices del banco. La IA procesó los resultados tanto de datos brutos de clientes como de documentos creados manualmente, lo que redujo considerablemente los tiempos de procesamiento.

IA agéntica

La IA agéntica se refiere a una tecnología que permite a uno o varios agentes realizar tareas y tomar decisiones de forma autónoma (con supervisión humana). En el contexto de la lucha contra la delincuencia financiera, se utiliza para automatizar las actividades de incorporación de clientes, incluyendo las verificaciones y actualizaciones de KYC, el monitoreo de transacciones y las investigaciones de sanciones o fraudes, desde la alerta hasta el cierre del caso.

La IA agéntica representa un cambio radical en el potencial de impacto de la IA. Si bien la IA analítica y la IA generativa aumentan la eficiencia y la eficacia del cumplimiento normativo, a menudo no generan beneficios sustanciales en los resultados a gran escala. Una razón es que los bancos las utilizan principalmente para apoyar a los seres humanos (como los gestores de casos de KYC y los investigadores de monitoreo de transacciones). Si bien esto libera tiempo y acelera tareas como la gestión de investigaciones (con un aumento de la productividad del 15 al 20 por ciento), nuestra experiencia demuestra que no transforma fundamentalmente la eficacia ni la eficiencia.

La IA agéntica, en cambio, representa un cambio de paradigma, en el que los bancos emplean una “fuerza laboral” de agentes de IA (o fábricas digitales) que pueden colaborar para realizar tareas de principio a fin de forma autónoma. En este contexto, los seres humanos solo son necesarios para la gestión de excepciones, la supervisión y el coaching (Gráfica 3). Dado que cada profesional humano puede “supervisar” normalmente a 20 o más agentes de IA, el aumento de la productividad puede ser significativo, de entre el 200 y 2,000 por ciento, según nuestra experiencia. Los bancos también observan un impacto positivo sustancial en la calidad y la coherencia de los resultados (vea el recuadro “Caso de estudio: un banco global construyó una fábrica de IA agéntica”).

Los agentes o grupos de agentes (escuadrones) pueden aplicarse a tareas diferentes pero similares, por ejemplo, obtener información sobre las tendencias del mercado o realizar evaluaciones de clientes en busca de noticias negativas publicadas en medios. A continuación, se presentan algunos ejemplos de escuadrones empleados por instituciones líderes en el ámbito del crimen financiero:

Los agentes de generación aumentada por recuperación (retrieval-augmented generation, o RAG) recuperan información de bases de conocimiento, bases de datos vectoriales o colecciones de documentos para responder consultas con precisión contextual. Se encargan de la incrustación, la fragmentación y la búsqueda semántica para proporcionar respuestas fundamentadas en lugar de contenido alucinatorio. Los agentes RAG pueden utilizarse para leer estados de pérdidas y ganancias, balances generales y documentación de la empresa para identificar a los beneficiarios finales y a los controladores clave.
Los agentes de canalización de datos supervisan, orquestan y solucionan problemas en los procesos de extracción, transformación y carga (extract, transform, load, o ETL), realizan comprobaciones de la calidad de los datos e identifican fallos en la canalización. Pueden reintentar automáticamente las tareas fallidas, emitir alertas de anomalías, optimizar la asignación de recursos y llevar a cabo la resolución de entidades basándose en el análisis de datos de los clientes procedentes de distintas fuentes.
Los agentes de investigación y análisis recopilan información de múltiples fuentes, sintetizan los hallazgos, generan informes y hacen un seguimiento de las tendencias emergentes. Pueden monitorear a la competencia, las condiciones del mercado o los desarrollos técnicos, incluyendo el análisis de transacciones, los patrones de las contrapartes y los historiales de alertas.
Los agentes críticos o de validación revisan los resultados del flujo de trabajo, sugieren mejoras basadas en instrucciones de la persona en el bucle y garantizan la calidad hasta su finalización. Son capaces de ejecutar “autorreparación y reejecución” en caso de problemas menores (por ejemplo, errores en el formato de entrada).

Para operar con eficacia, los escuadrones deben contar siempre con límites claros, protocolos de traspaso definidos, sistemas compartidos de gestión de contenidos y barreras de protección internas.

Varios principios pueden ayudar a los bancos a sentar las bases

Caso de estudio: Un banco global construyó una fábrica de IA agéntica

La mayoría de las instituciones financieras comienzan su recorrido en el uso de la IA para combatir el crimen financiero en el ámbito de “conozca a su cliente” (KYC) o del monitoreo de transacciones, lo que refleja la importancia de estos controles. Un banco global buscaba reducir el procesamiento de datos y las horas manuales dedicadas a la incorporación de nuevos clientes, así como pasar de revisiones periódicas a un proceso digital de diligencia debida del cliente impulsado por eventos. Para ello, creó una fábrica de IA agéntica que abarcaba todo el flujo de trabajo de KYC, desde el desencadenante inicial hasta el memorando final. El banco puso en marcha una arquitectura de agentes de IA con diez escuadrones. Cada escuadrón contaba con cuatro o cinco agentes de IA, incluyendo un agente líder, dos o tres agentes expertos y un agente de aseguramiento de la calidad (QA).

A cada escuadrón de agentes se le asignó la tarea de centrarse en un paso específico del proceso y, a continuación, pasar la información al siguiente escuadrón de la cadena. Así, un escuadrón extraía los datos del cliente de diversas fuentes, como sitios web, informes anuales y registros corporativos, y los estructuraba en un archivo KYC inicial. El segundo escuadrón buscaba la empresa en el registro gubernamental, validaba el país de constitución y anotaba a los accionistas y directores registrados. Un tercer escuadrón realizaba un análisis de la estructura de propiedad, incluyendo la identificación de los beneficiarios finales. Un cuarto escuadrón llevaba a cabo revisiones de personas políticamente expuestas y verificaciones de sanciones sobre los directores clave, e identificaba a los beneficiarios finales. Otros escuadrones hacían comprobaciones del propósito y la naturaleza de la relación, análisis de transacciones y revisión de medios de comunicación adversos. Por último, un escuadrón independiente recopilaba los resultados en un archivo KYC consolidado para que lo revisara el supervisor humano. El archivo incluía un informe resumido, una recomendación y un análisis detallado. Según los resultados del análisis, los agentes podían decidir escalar el caso si era necesario.

Una ventaja del enfoque de IA agéntica es que crea un registro de auditoría completo de cada interacción del agente, incluyendo los datos utilizados, los pasos seguidos, las conversaciones del agente, los fundamentos de las conclusiones y las observaciones de los agentes de QA, cumplimiento y auditoría.

Nuestra experiencia trabajando con bancos para desarrollar capacidades de KYC/AML respaldadas por IA sugiere que varios principios se mantienen válidos independientemente del punto de partida. Estos son algunos de los más importantes:

Reestructurar todo el dominio, incluidos los recorridos de cliente de extremo a extremo (en lugar de casos de uso individuales que automatizan pasos específicos dentro de un recorrido).
Considerar todas las palancas disponibles para impulsar el procesamiento directo. Estas pueden incluir la reingeniería de procesos, herramientas de flujo de trabajo, automatización basada en reglas para pasos simples, IA analítica, herramientas de IA generativa e IA agéntica para orquestar el recorrido de principio a fin.
Asignar a los agentes de IA funciones distintas que reflejen los roles humanos a lo largo de la cadena de valor, creando un ecosistema colaborativo basado en funciones similar a un equipo humano.
Incluir un agente de QA en cada escuadrón de agentes para verificar que cada agente de IA haya completado sus tareas según el estándar requerido. En el futuro, los escuadrones agénticos también podrían incluir agentes de cumplimiento, agentes de auditoría u otros agentes.
Rediseñar el modelo operativo para enfocar a los profesionales humanos expertos en la validación. Nuestra experiencia sugiere que la intervención manual debería reservarse únicamente para las excepciones y escaladas de mayor complejidad (normalmente menos del 15 al 20 por ciento del total), así como para el coaching de la fuerza laboral de agentes de IA.
Implementar QA para la fábrica digital de IA sobre una base muestral, lo que permite un enfoque más rentable.

Cómo empezar: Seis habilitadores poderosos

Construir una fábrica digital de agentes de IA y utilizarlos eficazmente de manera continua requiere compromiso, tanto de la alta dirección como de todas las operaciones. Las ideas que se exponen a continuación reflejan algunas de las reflexiones que, según nuestra experiencia, han dado lugar a resultados satisfactorios:

Poner a las personas adecuadas en el lugar adecuado. Una implementación eficaz depende de las habilidades y la experiencia en KYC y ciencia de datos de riesgos, así como de una visión de la organización de delitos financieros del futuro. Esto se basará en la identificación de los recursos necesarios, incluyendo un equipo de desarrollo de software y operaciones de TI (DevOps), líderes y gerentes del equipo de delitos financieros, y analistas de delitos financieros o de KYC, que aprovechen sus profundos conocimientos en la materia para instruir a la fuerza laboral agéntica, incluyendo la revisión de resultados, la toma de decisiones de alto nivel y el manejo de excepciones.
Tener claro el proceso. Los bancos líderes se benefician de una visión detallada y optimizada del proceso de KYC o de gestión de delitos financieros y de los riesgos potenciales, como las alucinaciones o la toxicidad. Esto puede evitar la automatización de un proceso deficiente en la organización de riesgos o cumplimiento. Los flujos de proceso deben desglosarse en capacidades distintas e independientes para que los bancos puedan entrenar y optimizar eficazmente a los bots de IA generativa.
Invertir en tecnología. La tecnología es un elemento vital en la ecuación, y los bancos líderes priorizan lo siguiente:

una estructura escalable y modular con acceso a modelos fundacionales, un marco empresarial agéntico y un repositorio de agentes, así como APIs a fuentes de datos y aplicaciones internas o externas;
una interfaz de usuario amigable para el negocio, que promueva la colaboración entre agentes de IA y supervisores humanos, conservando en la medida de lo posible la infraestructura existente de KYC o de delitos financieros;
acceso a la infraestructura informática subyacente (a través de la nube o en las instalaciones locales) para permitir que los modelos de IA operen a gran escala y (en algunos casos) en tiempo real.

Apuntar alto en los datos. La calidad de los datos es una preocupación principal para muchas instituciones financieras, y la IA puede ayudarlas a identificar y corregir rápidamente los problemas de calidad. Por ejemplo, en el caso de sanciones, la IA puede apoyar la resolución de entidades, lo cual es fundamental para identificar al mismo cliente en diferentes fuentes de datos. Además, algunos bancos están creando marcos que utilizan la IA para detectar, evaluar y mejorar automáticamente los datos en todas las dimensiones. Los componentes clave incluyen los siguientes:

una configuración arquitectónica modular con componentes que pueden aprovecharse en todos los procesos (dentro de KYC/AML, pero también en líneas de negocio como el crédito);
una hoja de ruta clara para trasladar los datos no estructurados (formularios de incorporación, documentos de políticas, documentos de registro) a la infraestructura de análisis y un marco de herramientas e IA (incluidos agentes) que monitoreen, detecten y reporten los problemas de calidad de los datos.

Optimizar la gestión de riesgos. Los bancos deberían priorizar la creación de un marco y un sistema de gestión de riesgos específicos para el monitoreo continuo de los riesgos, incluyendo, entre otros, la protección de datos, la infracción de la propiedad intelectual y las alucinaciones.
Aceptar la gestión del cambio. Un enfoque integral de la gestión del cambio puede orientar a los profesionales en sus nuevas funciones, por ejemplo, proporcionándoles las habilidades de coaching y motivación necesarias para supervisar a una fuerza laboral agéntica. Sin embargo, el proceso es relativamente complejo y su adopción suele tardar aproximadamente el doble que el desarrollo de la tecnología. Por lo tanto, las instituciones líderes se toman el tiempo necesario para establecer los pilares habilitadores, incluyendo el rediseño de los procesos subyacentes, la creación de roles y responsabilidades adecuados, la adaptación de la estructura organizativa y el establecimiento de una estrategia de gestión del talento, en la que se evalúa a los empleados en función de objetivos ajustados. Otros ingredientes clave incluyen el acceso oportuno a los datos, la infraestructura y los grandes modelos de lenguaje, así como los entornos de pruebas y (eventualmente) las plataformas de producción, implementados con suficiente antelación respecto a las etapas de desarrollo del software para evitar retrasos de última hora. De cara al futuro, los bancos deben planear cuidadosamente sus necesidades de capacidad, especialmente en las funciones de atención al cliente y de gestión de riesgos.

La experiencia de las instituciones líderes sugiere que la IA, y en especial la IA agéntica, podría ser la próxima gran palanca de innovación para KYC/AML. Para capturar beneficios rápidamente, las instituciones financieras líderes suelen empezar definiendo un perímetro piloto, es decir, una parte de la cartera de clientes que pueda utilizarse para experimentar con una fábrica digital. Una vez demostrado el impacto, pueden prepararse para escalar. Nuestro nuevo libro, Rewired: The McKinsey Guide to Outcompeting in the Age of Digital and AI (Rewired: La guía de McKinsey para superar a la competencia en la era digital y de la IA), traduce las lecciones que McKinsey ha aprendido con esfuerzo al ayudar a realizar este tipo de transformaciones a gran escala.

En un panorama de delitos financieros en rápida evolución, el camino hacia el impacto probablemente estará impulsado por la rapidez de adopción (aprendizaje rápido y a gran escala del modelo), un modelo operativo personalizado y el mantenimiento continuo de la máquina de IA agéntica. No se debe subestimar la tarea, pero los bancos líderes han demostrado que una implementación exitosa puede aportar importantes beneficios, entre ellos un mayor cumplimiento normativo, un impulso competitivo y una experiencia del cliente más optimizada.