JPMorgan incorpora el uso de IA en evaluaciones y seguimiento interno

Resumen

JPMorgan Chase está pidiendo a sus aproximadamente 65,000 ingenieros y tecnólogos que incorporen herramientas de inteligencia artificial en su flujo de trabajo habitual. Según reportes, la institución no solo fomenta el uso de asistentes como ChatGPT y Claude Code para tareas como escribir código o revisar documentos, sino que además rastrea la frecuencia de uso y clasifica a los empleados —desde “usuarios ligeros” hasta “usuarios intensivos”—, lo que podría influir en revisiones de desempeño.

Qué está pasando en la práctica

La novedad no es únicamente que el banco emplee IA —JPMorgan ya utiliza estas tecnologías en áreas como detección de fraude y análisis de riesgo—, sino la decisión de integrarlas como una expectativa cotidiana para equipos de tecnología. Los empleados son alentados a apoyarse en modelos generativos para acelerar tareas rutinarias: generación de borradores, resúmenes de documentos y ayuda en la elaboración o revisión de código.

Los sistemas internos registran interacciones con estas herramientas y etiquetan a los trabajadores según su nivel de adopción. Fuentes indican que la información recopilada es seguida por los gerentes, y que el comportamiento de uso puede convertirse en un insumo más dentro de la evaluación del rendimiento.

Cambia el criterio de evaluación: productividad y “alfabetización” en IA

Históricamente, las revisiones de desempeño en tecnología se han centrado en resultados, calidad del trabajo y cumplimiento de objetivos. Al sumar el uso de IA como factor evaluativo, JPMorgan está señalando que la capacidad para aprovechar estas herramientas podría pasar a ser una competencia esperada —similar a la habilidad en hojas de cálculo o en sistemas de control de versiones en años anteriores.

Eso plantea una pregunta práctica: si la IA reduce el tiempo requerido para ciertas tareas, ¿deben esperarse entregables mayores en el mismo lapso? La respuesta no es simple, porque la mejora en eficiencia no siempre se traduce en más volumen de trabajo sin afectar calidad o aumentar riesgos.

Beneficios esperados: adopción más homogénea y ahorro de tiempo

Al monitorear y empujar la adopción, JPMorgan busca evitar un problema común en grandes organizaciones: despliegues de herramientas que no se traducen en uso real. Convertir la IA en una expectativa laboral puede uniformar prácticas entre equipos y acelerar el retorno de inversión de estas plataformas.

Además, si la inteligencia artificial se utiliza correctamente para eliminar tareas repetitivas, el personal técnico puede concentrarse en trabajo de mayor valor: análisis complejos, diseño de arquitectura o tareas estratégicas que requieren juicio humano.

Riesgos operativos y regulatorios

Sin embargo, mayor uso de IA amplifica desafíos conocidos. Modelos como ChatGPT y Claude Code pueden generar resúmenes o fragmentos de código útiles, pero también pueden producir errores, omisiones o sugerencias inadecuadas. En un entorno regulado como la banca, estos fallos pueden tener consecuencias relevantes.

JPMorgan ya ha desarrollado controles internos para aplicaciones de IA en áreas como trading y riesgo, pero extender estas herramientas a una base mucho más amplia de empleados exige controles similares: validación humana de salidas, auditoría de prompts y respuestas, gestión de datos sensibles y registro de decisiones automatizadas.

También emerge la tensión cultural: algunos empleados pueden sentir presión a usar la IA aun cuando no aporte ventajas claras, o pueden priorizar el uso frecuente sobre el uso efectivo y responsable. Medir “buen uso” es distinto a medir mera frecuencia de uso.

¿Por qué importa esto para América Latina?

Los bancos y empresas tecnológicas en América Latina observan estos movimientos con atención. Existen varios motivos:

• Regulación: los marcos regulatorios locales en la región están en distintas etapas de madurez. El incremento del uso de IA en procesos bancarios exige que los reguladores y las instituciones definan estándares claros sobre validación, transparencia y protección de datos.
• Talento: en mercados donde la demanda de perfiles técnicos supera la oferta, la expectativa de habilidades en IA puede alterar procesos de contratación y planes de formación. Competencias como redacción de prompts, verificación de salidas y comprensión de sesgos pueden incorporarse a descripciones de puesto.
• Productividad vs. riesgo: bancos latinoamericanos deberán decidir si replican el modelo de vincular uso de IA a desempeño o si adoptan métricas más matizadas que incorporen calidad, cumplimiento y control de riesgos.

Para actores locales —desde bancos medianos hasta fintechs— la oportunidad está en diseñar adopciones que equilibren eficiencia, gobernanza y cumplimiento regulatorio, aprovechando además las posibilidades de mejora operativa que la IA ofrece.

Recomendaciones para líderes y tomadores de decisión

• Definir claramente qué se medirá: priorizar métricas de calidad y cumplimiento por sobre la mera frecuencia de uso.
• Capacitación focalizada: incluir entrenamiento en verificación de resultados, redacción de prompts y principios de gobernanza de IA en programas de desarrollo profesional.
• Controles y auditoría: replicar el enfoque de áreas críticas (trading, riesgo) cuando se extienda el uso, con registros y revisiones periódicas.
• Gestión del cambio: comunicar expectativas con transparencia para evitar que la presión por usar IA derive en prácticas riesgosas.
• Coordinación regulatoria: mantener diálogo con supervisores locales para anticipar requisitos de reporte y controles.

Conclusión

La iniciativa de JPMorgan de integrar seguimiento del uso de IA en la rutina laboral y en las revisiones de desempeño marca un paso significativo hacia la normalización de estas herramientas en la banca. Para la región latinoamericana, el movimiento ofrece lecciones sobre cómo combinar adopción tecnológica con gobernanza, formación y gestión del riesgo. La clave será encontrar un balance que maximice beneficios operativos sin sacrificar control, cumplimiento ni calidad del trabajo.