El sector bancario enfrenta una transformación en su lucha contra el fraude, que hoy se presenta automatizado y a escala industrial. Para responder, las entidades financieras están adoptando un nuevo paradigma basado en la inteligencia artificial agéntica y una gobernanza robusta del dato, según las conclusiones del informe Babel Banking Radar: Agentic Financial Crime 2026, elaborado por la tecnológica Babel en colaboración con el Digit Institute.
Marga García, directora general del sector de Banca en Babel, explicó que el crimen financiero se ha triplicado en Estados Unidos solo en el último año, mientras que el uso de técnicas como el deepfake se ha multiplicado hasta 20 veces.
“El fraude ya no se comete uno a uno, sino que se trata de una operativa a escala industrial”, señaló García, destacando que organizaciones criminales despliegan flotas de agentes e identidades sintéticas para mover dinero y desaparecer en minutos.
Además, el fraude ya no proviene únicamente de patrones anómalos: los propios usuarios autorizan transferencias tras ser engañados mediante técnicas de ingeniería social sofisticada.
Desafíos de los sistemas tradicionales
Los métodos convencionales basados en reglas y revisión humana masiva muestran limitaciones. Actualmente se intercepta menos del 1% del dinero que podría considerarse fraude y entre el 90% y 95% de las alertas generadas son falsos positivos, lo que supone un enorme ruido operativo. La misma tecnología que automatiza la detección también sofistica los ataques, creando un desequilibrio.
“Quienes atacan ya automatizan procesos completos, mientras buena parte del sector financiero continúa entre pruebas de concepto y despliegues limitados”, afirmó Isabel Fernández, directora general de Tecnologías Exponenciales en Babel.
La IA agéntica como respuesta
Frente a esta realidad, los bancos están implementando agentes de inteligencia artificial capaces de examinar el contexto global del cliente y su operativa para identificar posibles fraudes, delegando luego la decisión final a analistas humanos. Según el informe, uno de cada diez bancos ya cuenta con plataformas agénticas operativas y se espera que la adopción se acelere en los próximos dos años.
Un ejemplo concreto de colaboración es la iniciativa FrauDfense, lanzada por Banco Santander, BBVA y CaixaBank, que promueve el intercambio seguro de información entre entidades para ampliar el contexto global de detección. En España, destacan casos como el de BBVA, que ha distribuido licencias de IA asistida de OpenAI a más de 120.000 empleados; Santander cuenta con 15.000 licencias y CaixaBank impulsa su plataforma GalaxIA.
Gobernanza del dato, clave para una IA fiable
Sin embargo, el informe advierte que la fragmentación del dato y la falta de gobernanza son obstáculos críticos. A nivel global, el 63% de las entidades financieras opera con modelos limitados o inexistentes de gobernanza para IA generativa. Además, el 95% duda de su capacidad para detectar o contener un agente comprometido y solo el 17% monitoriza de forma continua las interacciones entre agentes.
“Sin dato coherente no hay IA fiable”, sentenció Babel en el informe.
Fernández recordó que, aunque un agente puede automatizar decisiones complejas, también amplifica errores si la información no está correctamente gobernada. Ambas directivas coincidieron en que “la diferencia ya no está en acceder a la tecnología, sino en operarla de forma segura y gobernada en entornos de alta exigencia regulatoria y presión operativa”.
“El sector financiero necesita avanzar hacia modelos capaces de combinar automatización, capacidad analítica y gobierno operativo sin perder trazabilidad sobre las decisiones críticas”, valoró García.
Hacia una integración real y supervisada
El estudio concluye que el reto no es automatizar más, sino decidir dónde la autonomía aporta valor y dónde sigue siendo imprescindible la supervisión humana. La próxima fase de adopción de la IA agéntica se centrará en integrar, supervisar y operar modelos en entornos reales, priorizando casos relevantes con mayor contexto. Para ello, la calidad y trazabilidad del dato son factores críticos para escalar sin incrementar el riesgo operativo.
Fuente: Infobae
