Cuando los agentes de IA asumen funciones de asesoría en Bank of America

Un paso evidente: IA en el frente de atención al cliente

Bank of America está desplegando una plataforma interna potenciada por inteligencia artificial para un subconjunto de sus asesores financieros, llegando a cerca de 1,000 profesionales en la primera fase, según reportes de la industria. La solución se basa en Salesforce Agentforce y está diseñada para ayudar a los asesores a gestionar consultas de clientes, preparar recomendaciones y organizar flujos de trabajo diarios.

Este despliegue marca una diferencia clara frente a las implementaciones previas de IA en la banca que se enfocaban en chatbots básicos o en herramientas de productividad interna. Aquí la IA no se limita a apoyar tareas rutinarias, sino que se incorpora dentro del proceso de asesoría, acercándose a la toma de decisiones que afectan directamente a clientes y carteras.

Desde asistentes virtuales hasta agentes que coadyuvan decisiones

Bank of America no es nuevo en el uso de IA: su asistente virtual Erica realiza trabajo equivalente al de aproximadamente 11,000 empleados, y los 18,000 desarrolladores de la entidad utilizan herramientas de codificación asistida por IA que, según informes, mejoraron su productividad en torno al 20%. Estos datos dan una idea de cuán extendida está la IA dentro de la organización y cómo ahora la institución busca integrarla en roles comerciales críticos.

La plataforma basada en Agentforce tiene como objetivo acelerar el acceso a información, apoyar el análisis de datos del cliente y sugerir próximos pasos. En la práctica esto puede traducirse en reuniones mejor preparadas, respuesta más rápida a consultas y flujos de trabajo más eficientes para el asesor.

Un modelo híbrido: IA junto a humanos, no en reemplazo

La implementación enfatiza una colaboración entre agentes de IA y asesores humanos. La tecnología ofrece análisis y recomendaciones, pero la supervisión humana sigue siendo central, especialmente en decisiones complejas o clientes de alto valor. Las entidades financieras de mayor tamaño parecen coincidir en que la IA complementará el trabajo de expertos en lugar de sustituirlos completamente.

Ese enfoque híbrido también responde a límites técnicos y regulatorios: los sistemas dependen de datos limpios y estructurados, y los bancos deben poder explicar y justificar recomendaciones cuando las autoridades lo requieran. Por ello, muchas instituciones limitan inicialmente los despliegues a equipos concretos para probar desempeño y controles antes de una adopción más amplia.

¿Qué están haciendo otros bancos? Un movimiento sectorial

El movimiento de Bank of America encaja en una tendencia mayor. Firmas como JPMorgan, Wells Fargo y Goldman Sachs también experimentan con herramientas de IA orientadas a mejorar productividad y apoyar roles con atención a clientes. Los formatos y objetivos varían entre entidades, pero el objetivo común es aumentar la producción sin crecer la plantilla al mismo ritmo.

Informes tempranos apuntan a mejoras en la rapidez con la que los asesores obtienen información y se preparan para reuniones. Sin embargo, los resultados son dispares y persisten dudas sobre la precisión y la supervisión de recomendaciones generadas por modelos.

Riesgos y desafíos operativos

La adopción operativa de agentes de IA enfrenta varios desafíos:

• Calidad de datos: la IA requiere datos limpios y estructurados, algo complejo en bancos con sistemas legados y silos de información.
• Integración tecnológica: conectar nuevas plataformas con infraestructuras existentes puede consumir tiempo y recursos.
• Capacitación: los equipos necesitan entrenamiento para usar, interpretar y supervisar recomendaciones automatizadas.
• Regulación y explicabilidad: las recomendaciones deben cumplir con normas de cumplimiento y ser explicables ante auditores y reguladores, lo que puede limitar la autonomía de los sistemas.
• Riesgos de confianza excesiva: la dependencia en salidas automáticas sin revisión puede aumentar el impacto de errores de modelo o sesgos en los datos.

Además, algunos analistas mantienen cautela sobre el ritmo de cambios en productos comerciales. Un reporte citado por la prensa describe la fase actual como poco llamativa desde el punto de vista de nuevos productos, al menos en el corto plazo.

Implicaciones para América Latina

Para bancos y gestores de riqueza en América Latina, la experiencia de Bank of America ofrece lecciones relevantes:

• Estrategia por etapas: comenzar con pilotos controlados en equipos específicos permite evaluar resultados y ajustar controles de cumplimiento antes de escalar.
• Priorizar datos y modernización: la efectividad de agentes de IA depende mucho de la calidad de los datos; la modernización de núcleos bancarios y la integración de fuentes serán claves.
• Reguladores y transparencia: los entes reguladores latinoamericanos exigirán explicabilidad y controles; por eso es importante diseñar marcos de gobernanza y documentación desde el inicio.
• Oportunidad para ampliar asesoría: en mercados con segmentos de clientes masificados, la IA podría ayudar a democratizar servicios de asesoría, llevando recomendaciones personalizadas a más clientes sin multiplicar la plantilla.
• Cambio en habilidades: si la IA asume más de la carga analítica, los asesores podrían concentrarse más en relación con el cliente, ventas y asesoría estratégica, lo que implica programas de reentrenamiento.

Qué pueden hacer los tomadores de decisión

Para aprovechar beneficios y mitigar riesgos, los bancos y autoridades en la región deberían considerar:

• Diseñar pilotos con objetivos claros y métricas de éxito que incluyan precisión, tiempos de respuesta y controles regulatorios.
• Implementar gobernanza de modelos que cubra trazabilidad, pruebas y auditorías periódicas.
• Invertir en calidad de datos y en procesos que faciliten integración con sistemas legados.
• Capacitar a equipos en uso y supervisión de IA, y en habilidades interpersonales que agreguen valor frente a la automatización.
• Mantener diálogo proactivo con reguladores para definir expectativas sobre explicabilidad y responsabilidad.

Conclusión

La entrada de agentes de IA en roles de asesoría en Bank of America ilustra un cambio de paradigma: la tecnología pasa de tareas de apoyo a integrarse en procesos de decisión con impacto directo en clientes. El potencial de eficiencia y escalamiento es claro, pero también lo son los retos de gobernanza, datos, integración y cumplimiento. Para los bancos latinoamericanos, la recomendación es avanzar con pilotos bien diseñados, invertir en datos y capacidad humana, y mantener un marco de supervisión que garantice confianza y cumplimiento a medida que la IA gana protagonismo en funciones críticas de la banca.