En 2026, construir un agente conversacional lleva una tarde. Los modelos son excelentes, las herramientas están en todas partes y una capacidad que, hace dos años, requería un equipo especializado ahora está disponible para cualquiera con una tarjeta de crédito.
La producción cuenta una historia diferente. Cerca del 99% de las empresas afirma que planea implementar agentes de IA, pero aproximadamente el 11% ha logrado hacerlo. Cuando los investigadores analizan por qué, los obstáculos se concentran en la preparación de los datos y la gobernanza, y rara vez en el modelo en sí.
Existe un segundo problema que recibe menos atención, y comienza después del lanzamiento. Un agente entra en producción, los dashboards se llenan de tasas de contacto e indicadores de sentimiento, y la operación entra en una rutina de reporting. Seis meses después, el agente se comporta exactamente como el primer día, aunque el portafolio haya cambiado, los clientes hayan comenzado a hacer preguntas diferentes y algunos patrones de falla se hayan convertido silenciosamente en problemas crónicos. Toda esa información existe en los registros de las conversaciones. Casi nada de ella vuelve al agente.
Las instituciones que están avanzando más rápido este año han construido el camino de retorno: una capa de supervisión que lee cada interacción, identifica dónde el agente tiene un desempeño inferior y aplica ese aprendizaje de forma continua. Esta edición analiza por qué esta capacidad —más que la propia creación de agentes— está determinando quién logra obtener retornos reales de la IA en los servicios financieros.
Referencias: Neurons Lab, Agentic AI in Financial Services Research Roundup, 2026; KPMG, Agentic AI Investment Returns, 2026.
IA en Finanzas: La Economía de la Mejora
Los datos sobre el retorno de la IA agentiva han madurado considerablemente. KPMG documenta un retorno promedio de 2,3x dentro de los 13 meses posteriores al despliegue, mientras que los casos de mejor desempeño de la muestra alcanzan US$8 por cada US$1 invertido. Esta diferencia —entre un retorno razonable y uno excepcional— está fuertemente correlacionada con la velocidad con la que una operación convierte sus propios datos de interacción en mejoras de desempeño.
América Latina ilustra bien esta diferencia. Los datos del BID y McKinsey muestran que el 67% de las grandes empresas de la región ya tiene al menos un proyecto de IA en producción, mientras que solo el 23% reporta un impacto medible en sus indicadores de negocio. Los servicios financieros son el sector más maduro, y las instituciones que ejecutan bien en este ámbito reportan un ROI promedio de 3,2x durante el primer año. El valor claramente existe; capturarlo es una disciplina diferente de simplemente implementar la tecnología.
Los datos sobre fracaso apuntan en la misma dirección. Gartner proyecta que más del 40% de las iniciativas de IA agentiva serán canceladas para finales de 2027, citando las brechas de gobernanza y un ROI no demostrado como las principales causas. En encuestas sobre los obstáculos de implementación, el 48% de las organizaciones menciona preocupaciones relacionadas con la gobernanza de datos y el 20% admite que sus datos aún no están preparados. Los proyectos tienden a sobrevivir a la fase de lanzamiento y morir después, durante el largo período en el que el agente está funcionando, pero nadie puede demostrar que está mejorando.
Algunos ejemplos concretos muestran lo que un agente estático deja pasar en una operación financiera real. En cobranzas, un guion de negociación que convirtió bien durante el primer trimestre pierde efectividad a medida que cambia el perfil de morosidad. En originación de crédito, los clientes comienzan a preguntar por un producto sobre el que el agente nunca fue configurado para hablar: una señal de demanda presente en las transcripciones, pero que permanece sin analizar. En el onboarding de seguros, un error de extracción en un determinado tipo de documento se repite durante semanas antes de que alguien logre correlacionarlo con las reclamaciones. Los dashboards tradicionales registrarán la caída de los indicadores en cada caso. Diagnosticar la causa requiere algo que analice las conversaciones en sí mismas y conecte el hallazgo con una corrección.
La investigación de Snowflake de 2026 sobre servicios financieros describe hacia dónde se dirige la industria: programas de IA cuantificables, altamente gobernados y cada vez más agentivos, liderados por empresas que conectan datos confiables, ejecución gobernada y resultados medibles. En la práctica, esto significa que la revisión mensual de una operación de IA debería poder mostrar qué aprendieron los agentes desde la última revisión, qué patrones de falla fueron detectados, qué cambió como respuesta y qué impacto tuvo ese cambio.
Referencias: KPMG, Agentic AI Returns Analysis, 2026; IDB/McKinsey via Numoru, State of Enterprise AI in Latin America, 2026; Gartner, Agentic AI Project Forecasts, 2026–2027; Snowflake, The ROI of Gen AI and Agents, 2026.
Producto Coru®: ADI Platform
La mayoría de los proveedores de IA se concentra en la creación de agentes y deja la fase posterior al lanzamiento en manos del cliente, generalmente en forma de un dashboard. ADI Platform, desarrollada por Coru®, trata lo que sucede después del go-live como el núcleo del producto.
Evolución supervisada. ADI Platform analiza continuamente los agentes en producción: dónde las conversaciones tienen éxito, dónde se estancan, dónde las respuestas se desvían del comportamiento esperado y dónde los clientes solicitan algo fuera del alcance actual del agente. Las anomalías, los puntos de falla y los patrones de alucinación aparecen automáticamente y alimentan la configuración del agente. Los equipos humanos supervisan y aprueban la evolución; la plataforma se encarga de la detección y el diagnóstico.
Una capa de datos compartida. La creación de agentes, la orquestación de campañas outbound, los analytics en tiempo real y la inteligencia documental operan sobre los mismos datos dentro de ADI Platform. Un patrón detectado en analytics se convierte en una corrección en el agente sin archivos de exportación, middleware ni un proyecto de servicios: precisamente el punto en el que la mayoría de los stacks multivendor pierden la señal.
Métricas a nivel de negocio. Más allá de los analytics de las conversaciones, la plataforma muestra cuándo los clientes realmente responden, qué días y horarios convierten, cómo se califican las interacciones y dónde se concentran las oportunidades de mejora. El usuario objetivo es un líder de operaciones o de negocio que decide dónde invertir, no únicamente un equipo técnico que monitorea la disponibilidad.
Profundidad de dominio para servicios financieros en América Latina. ADI Platform atiende cobranzas, originación de crédito, onboarding de seguros y servicing de cuentas en mercados regulados de habla hispana y portuguesa. Cada interacción profundiza una inteligencia específica para estos verticales: el contexto regulatorio, los patrones de negociación y los tipos de documentos, áreas en las que los constructores generalistas de agentes todavía son superficiales.
Gestionado o self-service. Las instituciones que prefieren que Coru® construya y opere sus agentes cuentan con todo el ciclo de supervisión gestionado. Las instituciones que quieren construir sus propios agentes utilizan la misma plataforma, la misma capa de evolución y el mismo historial de auditoría, sin lock-in. Ambos caminos funcionan sobre la misma infraestructura.
Coru Weekly Picks
Recomendación de serie: The Bear (FX/Hulu)
Un drama sobre una cocina de Chicago que busca una estrella Michelin y uno de los mejores retratos de un ciclo de mejora continua en funcionamiento. Después de cada servicio, el equipo revisa qué salió mal, identifica el problema de forma específica y aplica la corrección al día siguiente. Lo que hace que la serie sea especialmente relevante para los líderes de operaciones es el énfasis en la velocidad de ese ciclo: los errores tienen horas, a veces minutos, antes de que alguien actúe sobre ellos.
La mayoría de las operaciones de IA realiza este mismo tipo de revisión trimestralmente, si es que la realiza. Y la diferencia en los resultados se parece mucho a la diferencia entre los restaurantes que aparecen en la serie.
Recomendación de libro: Thinking in Systems, Donella Meadows
Meadows dedicó su carrera a estudiar por qué los sistemas se comportan de la manera en que lo hacen, y su principal conclusión es directamente relevante para esta edición: el comportamiento está determinado en gran medida por los flujos de información: qué se mide, hacia dónde viaja esa medición y si llega a un punto de decisión.
Una operación de IA en la que los datos de las conversaciones regresan al agente se comporta de manera diferente a lo largo del tiempo que una operación en la que esos mismos datos terminan en un informe, incluso cuando la tecnología subyacente es idéntica.
Es un libro breve, accesible y escrito décadas antes de que existieran los agentes de IA, lo que hace que su relevancia para ellos resulte aún más convincente.
La diferencia entre las operaciones de IA en 2026 rara vez es visible en el lanzamiento. Aparece seis meses después, en la forma en que los agentes han cambiado.
En Coru, no solo construimos tecnología; construimos contexto. Entendemos que, en América Latina, la inteligencia financiera es inseparable de los matices culturales. Al combinar IA a escala global con precisión para los mercados locales, ayudamos a tu operación a transformar datos complejos en acciones decisivas y rentables.
Explora más en coru.com.