La banca en LATAM lleva años invirtiendo en analítica y modelos de riesgo, así que cuando hablamos de IA generativa con un gerente de innovación de un banco, la reacción casi nunca es "¿qué es esto?". Es "ya tenemos quince iniciativas sueltas y ninguna está dando el retorno que prometía". Capacitar a tu equipo en IA en un banco no se parece al playbook de una fintech de 40 personas — y tratarlo igual es la forma más rápida de quemar el presupuesto.
Por qué la banca no puede copiar el playbook de las fintech
Una fintech puede soltar un agente conversacional a producción en una semana. Un banco tiene áreas de riesgo, cumplimiento, auditoría interna y, casi siempre, un regulador mirando por encima del hombro. Eso no es excusa para ir lento — es la razón por la que el entrenamiento del equipo tiene que incluir desde el día uno qué puede y qué no puede tocar un agente de IA, y quién firma esa decisión.
Lo vemos seguido: un área de datos capacitada en IA generativa, pero sin que legal, riesgo y el equipo técnico se hayan sentado juntos a definir reglas. El resultado es un piloto brillante en una demo que nunca pasa a producción porque nadie se atrevió a firmarlo.
Dónde ya están metiendo agentes de IA los bancos en la región
Los casos que de verdad avanzan en banca LATAM hoy están concentrados en un puñado de frentes concretos:
- ▸Detección de fraude en tiempo real, cruzando señales que antes revisaba un analista manualmente horas después.
- ▸Atención al cliente con agentes que resuelven consultas de saldo, bloqueo de tarjetas y reclamos simples, escalando a un humano el resto.
- ▸Conciliaciones y cierre contable, donde un agente arma el primer borrador y una persona lo audita antes de aprobar.
- ▸Reportería regulatoria, generando el primer draft de informes que antes tomaban días de trabajo manual.
En todos estos casos el patrón se repite: el agente de IA hace el trabajo pesado y una persona con criterio decide. Esa arquitectura — dónde va la supervisión humana y dónde no — es exactamente lo que trabajamos en la ruta AI Agentic Engineer cuando capacitamos al equipo técnico de un banco.
Lo que casi ningún banco presupuesta al inicio: el costo real no está en el piloto, está en la gobernanza que hay que construir alrededor para que riesgo y cumplimiento lo aprueben. Si entrenas solo al equipo técnico y dejas a legal fuera, vas a repetir el piloto tres veces.
La objeción que escuchamos en casi todas las primeras llamadas
"No podemos parar la operación tres días para capacitar al equipo de riesgo" es, literalmente, la frase que más repiten los gerentes de un banco en la primera reunión. Tiene sentido: un área de riesgo o de operaciones no se puede quedar sin cobertura ni medio día, mucho menos tres. La solución no es comprimir el programa a una sesión de dos horas que nadie recuerda al mes siguiente — es correrlo en bloques cortos y escalonados por turno, de forma que nunca falte más del 20% del equipo al mismo tiempo. Eso significa que el programa dura más semanas en el calendario, pero cero días de operación perdidos.
La segunda objeción, casi siempre la que viene después de resolver la primera, es "¿y cómo le sustento esto a mi directorio?". Ahí la respuesta no es una cifra genérica de productividad — es medir adopción real: cuántas personas usan la herramienta a la tercera semana, no solo quién asistió al taller. Un programa que mide asistencia y nada más es casi garantía de que en dos meses nadie recuerde qué aprendió.
Por qué tres niveles en paralelo funcionan mejor que un taller único
En un banco conviven perfiles muy distintos bajo el mismo paraguas de "transformación digital": alguien de atención al cliente que nunca usó un prompt y un ingeniero de datos que ya construye pipelines hace cinco años. Meterlos al mismo taller genérico es la forma más segura de que ninguno de los dos aprenda lo que necesita. Por eso evaluamos el nivel real del equipo antes de empezar y corremos Iniciación, Aplicada y Avanzada en paralelo dentro del mismo programa — revisa cómo lo estructuramos en /empresas#niveles.
Cómo lo armamos con DataPath
Llevamos más de 1,500 profesionales formados y trabajamos con más de 100 empresas en LATAM, incluyendo bancos como BCP y Scotiabank. El proceso es simple en el papel: conversamos sobre dónde está hoy tu equipo, hacemos un diagnóstico sin costo, diseñamos el plan por nivel y área, y dictamos midiendo adopción real — no solo asistencia. Para el frente de finanzas y planeamiento específicamente, armamos el programa AI Finance Insights, pensado para controllers y equipos de FP&A que necesitan tableros y conciliaciones con IA sin perder el control del dato.
Si tu interés es puntualmente Gemini para el stack financiero (BigQuery, Looker, Workspace), tenemos el programa específico en Gemini Enterprise para finanzas.
Qué formato conviene: in-company, virtual o híbrido
En banca, la respuesta casi siempre es híbrida, y por una razón concreta: las sedes centrales en Lima, Bogotá o Ciudad de México suelen tener al equipo de innovación y tecnología concentrado, pero las agencias y centros de operaciones están repartidos en varias ciudades. Un formato 100% presencial deja afuera a la mitad del equipo que no está en la sede principal; uno 100% virtual pierde el componente de trabajar en vivo sobre un caso real del banco con alguien al lado resolviendo dudas. El híbrido — sesiones presenciales para los equipos clave en la sede central, virtual en vivo para el resto — es el que mejor funciona en nuestra experiencia con bancos de la región. Puedes ver el detalle de cada modalidad en /empresas#modalidades.
Qué pasa con el talento que ya tienes vs. contratar nuevo
La tentación en un banco grande es resolver esto contratando un equipo nuevo de "IA" desde cero. Casi nunca es la jugada correcta: tu equipo de riesgo ya entiende el negocio, la regulación y dónde están los datos sucios — lo que le falta es la herramienta y el criterio para usarla bien. Reskilling a ese equipo suele costar una fracción de armar un área nueva, y evita el problema clásico de que el equipo nuevo no entienda por qué cierta regla de negocio existe. Contratar talento nuevo tiene sentido para roles muy técnicos y específicos (alguien que diseñe la arquitectura de agentes desde cero), no para escalar el uso de IA en el resto del banco.
Lo que de verdad mueve la aguja en el primer trimestre
Si solo pudiera recomendar una cosa para el primer trimestre de un programa así, sería esta: elige un caso de uso acotado y real — no un piloto de laboratorio — y mide su adopción semana a semana desde el día uno. Un banco con el que trabajamos empezó por el borrador automático de conciliaciones en un solo producto, antes de intentar escalarlo a toda la operación. Eso le dio datos reales de cuánto tiempo ahorraba el equipo y dónde fallaba el agente, en vez de proyecciones optimistas armadas en una hoja de cálculo. Ese tipo de evidencia es la que convence a un directorio — mucho más que cualquier benchmark genérico de productividad.
El siguiente paso
Si tu banco ya tiene iniciativas de IA corriendo sueltas y quieres ordenarlas en un plan con niveles claros y gobernanza desde el inicio, conversemos. La primera conversación y el diagnóstico son sin costo — agenda desde /empresas.
