Elegir mal un proveedor de agentes de IA cuesta meses, no solo presupuesto. Con un generalista, llevar un caso de uso bancario a producción toma de 9 a 18 meses; con un especialista que ya trae skills e integraciones construidas, el rango realista es de 4 a 8 semanas. Esta checklist reúne los criterios de compliance, experiencia y tiempos que un banco debería exigir antes de firmar.
Toda área de tecnología de un banco grande de Latinoamérica está teniendo, en algún momento de 2026, la misma conversación: vamos a llevar IA conversacional a producción, ¿pero con quién? La elección no es menor. Elegir mal a un proveedor de agentes de IA no solo cuesta presupuesto. Puede significar meses perdidos, un proyecto frenado por Riesgo o Compliance a mitad de camino, o un chatbot más que no resuelve nada. Desde Delto acompañamos a bancos como Ficohsa, Banreservas y Banco Patagonia, entre otros, en ese proceso, y vemos repetirse los mismos errores de evaluación. Esta guía reúne los criterios que un banco grande, con volumen alto, exposición regulatoria y una marca que proteger, debería exigir antes de firmar con cualquier proveedor. ¿Estás comparando un chatbot o un agente de IA? Muchos procesos de evaluación arrancan mal porque comparan cosas distintas bajo el mismo nombre. Un chatbot tradicional responde dentro de árboles de decisión predefinidos. Un agente de IA razona sobre el contexto del cliente, la política del banco y la regulación vigente, y ejecuta operaciones reales en el core: cobra, vende, resuelve, transacciona. Dimensión Chatbot tradicional Agente de IA Lógica Árbol de decisión rígido Razonamiento sobre contexto y políticas Alcance Responde preguntas frecuentes Ejecuta operaciones en el core bancario Mantenimiento Reglas manuales por cada caso nuevo Skills reutilizables y entrenadas por dominio Continuidad Pierde contexto entre canales Mantiene el hilo entre WhatsApp, web y voz Si el proveedor no puede explicar en qué canal ejecuta acciones reales, y no solo informa, probablemente esté vendiendo un chatbot con un nombre nuevo. Es la misma razón por la que muchos chatbots "inteligentes" siguen frustrando a los clientes bancarios . Los criterios que separan a un proveedor bancario de uno genérico Compliance by design, no compliance agregado encima. Pídele al proveedor que muestre, no que describa: enmascaramiento de datos personales antes de que lleguen al modelo, trazabilidad inmutable con retención de al menos 7 años, residencia de datos por país y controles de autenticación (MFA, SSO, RBAC granular). Si esto se resuelve "después", el proyecto ya nació con riesgo. Vale recordar que la trazabilidad y la calidad del dato no son una exigencia nueva de la IA: son materia supervisada desde que el Comité de Basilea publicó sus principios de agregación de datos de riesgo y reporting . Un agente que actúa sobre el core entra de lleno en ese perímetro. Experiencia bancaria real, no genérica. Un proveedor que viene de e-commerce o de retail va a tener que aprender, con la plata de tu banco, lo que significa un reclamo de tarjeta, un motivo de mora o una política de KYC. Pregúntale cuántos bancos atiende hoy, en cuántos países y con qué volumen de usuarios finales. Una librería de skills probada, no un desarrollo desde cero. Cada flujo bancario tiene reglas y excepciones que ya fueron resueltas en algún otro banco: resolver un reclamo, ofrecer un producto, gestionar una cobranza temprana. Un proveedor con cientos de skills bancarias ya construidas y auditadas te ahorra meses. Uno que arranca de cero te los cobra. Tiempos de producción verificables. Con proveedores generales, llevar un caso de uso bancario a producción toma entre 9 y 18 meses. Con un proveedor especializado, con skills e integraciones ya construidas, el rango realista es de 4 a 8 semanas. Pide referencias de clientes bancarios con fecha real de go-live, no una fecha de firma de contrato. Y presta atención a lo que pasa después del lanzamiento: ahí es donde la mayoría de los proyectos se queda en el camino entre el piloto y la producción . Continuidad entre canales. El cliente empieza el reclamo por WhatsApp y lo termina por voz sin repetir nada. Eso exige que el agente, no el canal, sea la unidad de diseño. Si cada canal tiene su propio bot desconectado, no hay banca conversacional real: hay varios chatbots con el mismo logo. Escalamiento a un humano sin fricción. A veces los agentes de IA no resuelven un caso, y en banca eso está bien. Lo que no está bien es que el cliente pierda el contexto cuando pasa a un operador. Exige que el handoff transfiera la conversación completa, no un ticket vacío. Portabilidad y salida ordenada. Preguntar qué pasa el día que el banco decide irse no es desconfianza, es diligencia. Los flujos conversacionales, el histórico de interacciones y las reglas de negocio configuradas son activos del banco. Si el proveedor no puede explicar cómo se exportan, el costo de cambiar después va a ser mucho más alto que la diferencia de precio hoy. ¿Qué preguntas debería hacerle tu banco a cualquier proveedor? ¿Qué pasa con los datos de mis clientes antes de llegar al modelo de lenguaje? ¿Cuántas skills bancarias vienen listas para producción y cuántas hay que construir desde cero? ¿Cuál es el tiempo real de go-live de tu último cliente bancario, con fecha verificable? ¿Cómo se auditan las acciones que ejecuta el agente en el core? ¿Qué pasa con los datos y los flujos del banco si decido cambiar de proveedor? ¿El mismo agente mantiene el contexto si el cliente cambia de canal? Si el proveedor responde con generalidades donde debería responder con números, es una mala señal. Un especialista tiene esas cifras a mano porque las mide todos los meses. Cuatro señales de alerta en un proceso de evaluación Más allá de la checklist, hay señales que suelen anticipar un proyecto en problemas. Aparecen temprano, casi siempre en la etapa de demo: El demo corre siempre sobre datos ficticios. Un proveedor con experiencia bancaria puede mostrar el agente operando contra un sandbox con la estructura de datos de un core real, aunque sea anonimizado. No puede explicar qué pasa con los datos en el proveedor del modelo. Si la respuesta es "usamos el mejor modelo disponible" y no incluye qué se envía, qué se enmascara y qué se retiene, falta la parte que Riesgo va a pedir. La propuesta no distingue lo que ya existe de lo que hay que construir. Cuando todo "es configurable", el cronograma es una estimación optimista disfrazada de catálogo. El equipo que vende no es el que implementa. Pedí conocer a quien va a estar en los sprints. La diferencia entre una demo pulida y un go-live sostenido casi siempre está en ese equipo. Ninguna de estas señales descalifica por sí sola. Dos o más juntas suelen explicar por qué un piloto no llega nunca a producción. ¿Qué hace distinto a Delto en este proceso? Delto nació para banca. No es IA genérica con compliance agregado después. La suite corre sobre BLAM, un Banking Large Action Model con más de 340 skills bancarias probadas, e incluye cinco agentes especializados sobre WhatsApp, web y voz: Collections , Advisor , Customer Support , Retail Banking y Corporate Banking . El primer agente puede estar en producción en 4 a 8 semanas, con enmascaramiento de datos, auditoría de 7 años y residencia de datos por país resueltos desde el día uno. Hoy atendemos a más de 3 millones de usuarios finales en más de 15 países de LATAM y el Caribe. Si quieres el detalle de cómo se sostiene ese compliance, está en la página de seguridad , y si vienes de una evaluación más amplia de IA generativa, escribimos antes sobre cómo elegir una empresa para implementar IA generativa en tu banco . Elegir un proveedor de IA no es una decisión de tecnología. Es una decisión de riesgo, de marca y de tiempo. Si tu banco está en ese proceso de evaluación, podemos mostrarte cómo lo resolvieron otros bancos de la región, con nombres, fechas y números. Conversemos .
¿Cuál es la diferencia entre un chatbot bancario y un agente de IA? Un chatbot responde dentro de reglas predefinidas y no puede salirse del guión. Un agente de IA razona sobre el contexto del cliente, la política del banco y la regulación, y ejecuta operaciones reales en el core: cobra, vende, resuelve o transacciona, no solo informa.
¿Cuánto tarda un banco en poner en producción su primer agente de IA? Con un proveedor especializado en banca, que llega con skills e integraciones ya construidas, entre 4 y 8 semanas para un caso de uso acotado. Con un proveedor generalista que arranca desde cero, el rango habitual es de 9 a 18 meses. La diferencia no está en el modelo de lenguaje, está en cuánto hay que construir antes de la primera conversación real.
¿Qué debe garantizar un proveedor de IA para ser seguro en un banco regulado? Enmascaramiento de datos personales antes de que lleguen al modelo, trazabilidad inmutable con retención mínima de 7 años, residencia de datos por país y controles de acceso como MFA, SSO y RBAC granular. Esto debe venir incorporado en el producto, no agregado sobre la marcha.
¿Qué preguntas debería hacer un banco antes de firmar con un proveedor de IA conversacional? Qué pasa con los datos antes de llegar al modelo, cuántas skills bancarias están listas para producción, cuál es el tiempo real de go-live verificable en otro banco, cómo se auditan las acciones del agente en el core y qué pasa con los datos y los flujos si el banco decide cambiar de proveedor.
¿Conviene un proveedor generalista de IA o uno especializado en banca? Un generalista que viene de e-commerce o retail va a aprender con el presupuesto del banco qué significa un reclamo de tarjeta, un motivo de mora o una política de KYC. Un especializado ya resolvió esos flujos en otras instituciones y llega con las excepciones mapeadas. En banca, donde el costo de un error es regulatorio y reputacional, la curva de aprendizaje del proveedor la paga el banco.