Babel ha definido un marco para trasladar la IA agéntica contra el fraude bancario desde los proyectos piloto hasta la operativa, con agentes capaces de asumir de forma autónoma la detección, la investigación y la documentación de casos rutinarios. La propuesta aborda una decisión sensible para las entidades: qué tareas pueden delegar en sistemas con acceso a datos y herramientas internas, y bajo qué controles deben hacerlo.
El planteamiento procede del informe Babel Banking Radar: Agentic Financial Crime 2026, elaborado junto con Digit Institute. Su punto de partida es la presión que soportan los equipos de crimen financiero por el volumen de alertas, la complejidad de las investigaciones y el coste de los errores en un área sometida a una intensa supervisión regulatoria.
Según Babel, los falsos positivos superan el 90% en algunos bancos y determinadas investigaciones consumen semanas de trabajo analítico. En ese escenario, la automatización permitiría reservar la intervención humana para decisiones de mayor valor o riesgo. Esa distribución del trabajo exige delimitar la autonomía de los agentes, registrar sus actuaciones y disponer de mecanismos para detenerlos si se desvían de su cometido.
De filtrar alertas a completar investigaciones
La diferencia respecto a herramientas anteriores reside en la capacidad de los agentes para encadenar acciones. Un sistema de este tipo podría analizar una alerta, consultar información relacionada, reconstruir vínculos entre entidades, elaborar una hipótesis y documentar el caso. La propuesta contempla que ese recorrido se complete sin intervención humana en el tramo rutinario, manteniendo la supervisión en los procesos que impliquen más riesgo o consecuencias relevantes.
El valor esperado tampoco se limita a reducir la carga manual. Babel sostiene que los agentes podrían ampliar la capacidad de anticipación al identificar señales anteriores a una operación sospechosa. Entre ellas figuran el ritmo de aparición de identidades sintéticas, la desviación de los patrones de fraude respecto a sus históricos, la concentración de cuentas mula o las anomalías en grafos de relaciones.
La correlación entre entidades añade otra dimensión. Un patrón emergente de forma simultánea en varios bancos puede resultar más significativo que una señal observada de manera aislada. El marco propone compartir conclusiones sin trasladar datos personales entre organizaciones, una separación necesaria para coordinar la detección sin convertir el intercambio de información en una circulación indiscriminada de datos.
La automatización también está disponible para los atacantes. Marga García, managing director para Sector Banca en Babel, describe así esa evolución: «Los actores maliciosos ya se están sirviendo de la IA agéntica, desplegando redes de agentes coordinados que crean identidades, abren cuentas, ejecutan transacciones y se disuelven antes de ser detectados. Además, sus ataques evolucionan de la cantidad a la calidad».
Una arquitectura para operar con acceso privilegiado
El marco técnico detallado por Babel reúne siete componentes. El primero es una capa de razonamiento para que el agente pueda interpretar un caso y decidir el siguiente paso. A ella se suma la memoria, tanto de sesión para investigaciones abiertas como semántica y relacional, destinada a recuperar información por significado y reconstruir redes de personas, cuentas u otras entidades.
Una tercera capa conecta los agentes con datos operativos, como transacciones, perfiles, listas de sanciones, fuentes vinculadas a blockchain y respuestas regulatorias. Ese acceso es el que permite actuar sobre casos reales, pero también eleva el impacto de una instrucción incorrecta, una credencial comprometida o un comportamiento imprevisto. La gestión de permisos debe formar parte del diseño, no incorporarse después del piloto.
La orquestación multiagente coordina sistemas especializados para evitar que cada uno opere de forma aislada. El modelo incorpora además privacidad y colaboración externa, observabilidad y trazabilidad de las decisiones, y una defensa interna mediante la que el propio agente informa de su estado y limita su actuación cuando detecta una condición anómala.
Estos elementos trasladan al entorno agéntico controles habituales en infraestructuras críticas: permisos definidos, registro de actividad, supervisión continua y capacidad de contención. La diferencia es que el componente protegido puede iniciar acciones y utilizar herramientas por sí mismo. Para una entidad, evaluar el modelo de IA resulta insuficiente si no se comprueba también cómo interactúa con otros agentes, datos y sistemas.
La brecha entre los pilotos y la producción
La adopción operativa continúa en una fase temprana. Deloitte sitúa en el 11% la proporción de organizaciones de distintos sectores con agentes de IA en producción, mientras un 38% continúa probándolos. Estas cifras no describen específicamente al sector financiero, pero muestran la distancia general entre el interés empresarial y los despliegues reales.
La seguridad explica parte de esa distancia. Las pruebas recogidas por Zscaler encontraron vulnerabilidades críticas en todos los sistemas empresariales de IA analizados y consiguieron comprometer el 90% en menos de 90 minutos. El resultado refuerza la necesidad de probar los agentes antes de facilitarles credenciales, herramientas y acceso a procesos bancarios.
Babel agrupa esa preparación en cuatro validaciones previas: ciberseguridad, cumplimiento, evaluación técnica y capacidad operativa. Su propósito es comprobar que el agente resiste ataques, actúa dentro de las obligaciones aplicables, supera pruebas de vulnerabilidad y puede mantenerse bajo monitorización continua con niveles de resiliencia adecuados para la banca.
Gobernanza y regulación según el uso
La clasificación regulatoria depende de la finalidad concreta del sistema. El Reglamento europeo de Inteligencia Artificial incluye entre los usos de alto riesgo determinados sistemas destinados a evaluar la solvencia o establecer puntuaciones crediticias, pero exceptúa expresamente los empleados para detectar fraude financiero. Por tanto, no cabe aplicar una consideración general de alto riesgo a cualquier agente utilizado contra el blanqueo o el fraude sin analizar su función.
Las obligaciones previstas para los casos de alto riesgo del anexo III comenzarán a aplicarse el 2 de diciembre de 2027. Ese calendario ofrece a las entidades un horizonte para revisar la clasificación, la documentación y la gobernanza de los sistemas afectados, aunque los controles de acceso, la trazabilidad y la protección de datos resultan necesarios con independencia de esa fecha.
El paso a producción requerirá así combinar la automatización de investigaciones rutinarias con límites operativos verificables. Para la banca, la consecuencia inmediata es incorporar a los agentes al mismo perímetro de control que otros componentes críticos: acceso mínimo necesario, registro de cada decisión, evaluación antes del despliegue, monitorización continua y capacidad efectiva de detener su actividad.
