La IA en la banca ha dejado de financiarse como un catálogo de pruebas con objetivos difusos. Los comités de dirección empiezan a exigir una relación identificable entre gasto tecnológico, mejora del margen, reducción del riesgo y crecimiento de ingresos. El giro llega cuando la adopción ya es masiva, pero la capacidad para convertir los modelos en resultados económicos continúa concentrada en un grupo reducido de entidades. Esa distancia entre uso y valor condicionará qué proyectos sobreviven a la siguiente ronda presupuestaria.
La IA en la banca sale del laboratorio
Softtek sitúa este cambio en una «paradoja de la IA»: la tecnología se extiende con rapidez mientras su impacto estratégico avanza mucho más despacio. Su informe The AI-Powered Banking Shift calcula que solo el 8% de las organizaciones ha escalado la IA más allá de pilotos o aplicaciones marginales con efecto económico real. El resto puede registrar ahorros de tiempo, mejoras en redacción, apoyo al desarrollo de software o automatizaciones parciales, aunque esos resultados permanecen dispersos y rara vez alteran la cuenta de explotación de una unidad completa.
El contraste aparece también en estudios transversales. La encuesta global de McKinsey de 2025 considera «high performers» a cerca del 6% de las organizaciones consultadas, aquellas que atribuyen a la IA al menos un 5% de impacto en el EBIT y declaran un valor significativo. Tres cuartas partes de ese grupo están escalando o ya han escalado la tecnología, frente a aproximadamente un tercio del resto. La diferencia se relaciona con rediseño de flujos de trabajo, implicación de la alta dirección, infraestructura de datos y seguimiento de indicadores, más que con la mera disponibilidad de modelos.
En el sistema financiero europeo, la difusión ya ofrece pocas dudas. La Autoridad Bancaria Europea observó en septiembre de 2025 que el 92% de los bancos de la UE estaba desplegando IA y el 8% restante la probaba o analizaba. Además, el 55% de las entidades encuestadas utilizaba IA de propósito general o sistemas agénticos en procesos orientados al consumidor, sobre todo para fraude, apoyo a agentes de atención, autoservicio y asistentes digitales. El dato eleva el listón: la adopción ha perdido capacidad para diferenciar por sí sola.
Los primeros despliegues han favorecido la productividad individual porque requieren menos cambios organizativos. Un copiloto puede resumir documentación o preparar borradores sin modificar la secuencia de decisiones, los controles ni la responsabilidad final. El retorno aparece antes, pero queda limitado por el volumen de uso, la calidad de la adopción y el coste recurrente de licencias, inferencia y supervisión. Cuando cada departamento contrata soluciones distintas, el ahorro local puede convivir con duplicidades, deuda técnica y una factura tecnológica creciente.
El retorno exige rediseñar procesos y tecnología
Softtek plantea una barrera de inversión: por debajo del 1,5% del gasto destinado a IA, el retorno sería casi nulo, mientras el salto se produciría entre el 2,5% y el 4%, una vez superado el umbral de integración estructural. La cifra funciona mejor como referencia estratégica que como ratio contable universal. La base de gasto, el punto de partida tecnológico y el peso de procesos manuales cambian entre bancos. Sin una metodología homogénea, dos entidades pueden declarar porcentajes similares y estar financiando capacidades muy distintas.
El potencial, aun así, explica la presión de los consejos. El informe recoge una estimación de entre 200.000 y 340.000 millones de dólares anuales de valor para la banca mundial, equivalente al 9%-15% de sus beneficios operativos. La cifra proyecta valor futuro y aún no equivale a rentabilidad capturada. Para acercarse a ella, el banco debe vincular cada iniciativa con palancas concretas: coste por operación, tasa de conversión, pérdidas por fraude, tiempo de resolución, precisión crediticia, ingresos por cliente o capital consumido.
Ese enfoque desplaza el centro del programa desde el laboratorio tecnológico hacia el modelo operativo. Una entidad «AI-First», en la formulación de Softtek, rediseña procesos de extremo a extremo bajo la premisa de que los datos y los modelos forman parte de la capa central de decisión. Eso obliga a modernizar arquitecturas heredadas, conectar fuentes de información, desplegar controles de modelos en producción y asignar responsabilidades entre negocio, tecnología, finanzas y riesgos. La automatización de una tarea aislada deja paso a una revisión completa del flujo.
La gobernanza puede reducir el retorno aparente durante las primeras fases, aunque protege el valor cuando aumenta la escala. La EBA identifica dependencia de terceros, calidad de los datos, supervisión humana, consentimiento del consumidor, explicaciones comprensibles y riesgo reputacional o legal por respuestas inexactas. McKinsey añade que más de la mitad de las organizaciones que utilizan IA ha sufrido al menos una consecuencia negativa, con la inexactitud como problema más citado. En banca, una reducción de costes pierde atractivo si eleva reclamaciones, falsos positivos, errores de concesión o exposición regulatoria.
Los sistemas agénticos endurecen esa ecuación. Pueden ejecutar procesos de varios pasos y operar con permisos similares a los de empleados, lo que amplía la superficie de control. La medición financiera deberá incorporar el coste de mantener trazabilidad, límites de autonomía, validaciones, ciberseguridad y mecanismos de reversión. También exigirá distinguir entre capacidad creada y ahorro realizado: liberar horas de trabajo no mejora automáticamente el margen si la organización no reasigna tareas, elimina cuellos de botella o evita nuevas contrataciones.
La IA en la banca desplaza el control del cliente
La segunda derivada afecta a la estructura competitiva. Softtek advierte de que plataformas tecnológicas, neobancos y proveedores de finanzas inteligentes pueden capturar la interfaz con el usuario y la capa de recomendación, mientras la entidad tradicional conserva el balance, la licencia y parte de la infraestructura. En ese reparto, el banco asume capital y cumplimiento, pero pierde visibilidad sobre la decisión del cliente y capacidad para personalizar la siguiente oferta.
La IA reduce barreras tecnológicas y de distribución, aunque no elimina las exigencias prudenciales, el acceso a financiación ni la responsabilidad regulatoria. Esa diferencia importa. Un nuevo actor puede entrar en un tramo rentable de la cadena sin reproducir una red física o un núcleo bancario completo, apoyándose en servicios en la nube y componentes contratados. El incumbente mantiene activos difíciles de replicar, como historial transaccional, escala y confianza, pero necesita convertirlos en decisiones más rápidas y experiencias coherentes.
Israel Quiñonero Fernández, director de Tecnología para Banca en Softtek EMEA, resume el plazo competitivo con una advertencia: «La ventana de oportunidad para construir ventajas competitivas sostenibles en IA es real, pero no es infinita». La ventaja acumulativa depende de datos, aprendizaje y ejecución continuada; una inversión tardía puede comprar infraestructura, pero tarda más en reconstruir procesos, talento y disciplina operativa.
La discusión presupuestaria de 2027 llegará, por tanto, con criterios más cercanos a una cartera de inversión que a un programa de innovación. Cada caso de uso tendrá que acreditar propietario de negocio, línea base, coste total, riesgo aceptable y fecha de revisión. Algunos pilotos se cerrarán. Otros recibirán más capital precisamente porque requieren cambios profundos en datos y sistemas heredados. El reto para los bancos españoles será financiar esa transformación sin convertir la urgencia en gasto indiscriminado ni frenar proyectos cuyo retorno solo aparece cuando alcanzan escala.
