El sector de los servicios financieros está invirtiendo grandes sumas de dinero en GenAI, desde 35 millones de dólares en 2023 hasta una cifra proyectada de 97 millones de dólares para 2027, con un gasto anual en infraestructura que se prevé alcance los 400 millones de dólares para 2030. Todos los grandes bancos, aseguradoras y gestoras de activos tienen una estrategia de IA, y la mayoría cuenta con docenas de proyectos piloto en marcha.
Sin embargo, la mayoría de esos proyectos piloto están estancados. No porque los modelos sean malos, sino porque la infraestructura de datos subyacente no puede seguir el ritmo.
El verdadero cuello de botella
El Foro Económico Mundial Lo identificó claramente en su Guía de IA 2026: la segunda prioridad de inversión para las instituciones financieras es "Datos fundamentales y capacidades técnicas." Señalan que las empresas son "Priorizar las plataformas de datos de nivel empresarial, invirtiendo en arquitecturas de datos modernas que admitan la ingesta en tiempo real, datos no estructurados a gran escala y acceso controlado para modelos y agentes de IA."
Esa es una forma educada de decir que la IA no puede aportar valor empresarial si no puede acceder a tus datos.
Las instituciones financieras poseen algunos de los mayores repositorios de datos del planeta, incluyendo décadas de informes regulatorios, registros de transacciones, archivos de investigación, historiales de interacción con clientes, grabaciones de llamadas, documentos de cumplimiento y datos de mercado que se remontan a años atrás. Todo está ahí, pero el problema es que se encuentra fragmentado en decenas de silos de almacenamiento, bloqueado por la gravedad de los datos e inaccesible para las cargas de trabajo de IA sin semanas de preparación y replicación.
El 75 % de los proyectos de TI no cumplen con las expectativas, y las tasas de fracaso de los proyectos de IA son aún mayores. El patrón se repite siempre: el modelo funciona en el laboratorio, pero al llegar a producción no puede acceder a los datos que necesita, donde los necesita y cuando los necesita.
Dos lados de la misma moneda
Todos los casos de uso de GenAI en los servicios financieros se reducen a dos cosas: lograr que el conjunto de datos funcione para la institución y lograr que la IA funcione para el cliente.
No se trata de problemas independientes, sino de dos caras de la misma moneda. Si se gestiona correctamente la capa de datos, los resultados de la IA llegarán por añadidura. Si se hace mal, los miles de millones invertidos solo generarán proyectos piloto fragmentados en lugar de una transformación empresarial.
El lado de los datos: Inteligencia empresarial
Piensa en lo que las instituciones financieras realmente necesitan que haga la IA en la parte administrativa. Los equipos de cumplimiento dedican más del 60 % de su tiempo simplemente a localizar y resumir información. Deutsche Bank construyó "Aggie" con Código de IA Para gestionar la síntesis de textos regulatorios y reducir el tiempo de procesamiento de horas a minutos, otras instituciones han disminuido significativamente el tiempo necesario para generar informes de actividades sospechosas mediante GenAI basado en la nube. No se trata de experimentos, sino de sistemas de producción que ofrecen resultados medibles.
El modelado de riesgos abarca la detección de fraudes, la calificación crediticia, el análisis climático y ESG, y la fijación de precios, y todas estas disciplinas requieren un reentrenamiento continuo en conjuntos de datos masivos no estructurados. Capital One y JPMorgan han informado de reducciones significativas en los falsos positivos y tasas de detección mejoradas con sistemas de fraude impulsados por GenAI (FMI), mientras que las principales aseguradoras europeas han ampliado sus aplicaciones de IA a docenas de las cuales procesan millones de llamadas a la API cada mes.
Las investigaciones cuentan la misma historia. Morgan Stanley utiliza OpenAI para brindar a los asesores financieros acceso instantáneo a información sobre empresas, sectores y clases de activos, extraída de sus datos propios. Otros bancos importantes han reportado aumentos de diez veces en la eficiencia de prospección, y Robin Hood construyó Cortex para ofrecer información de mercado de nivel profesional en Amazon Bedrock.
Todos son casos de uso diferentes, pero todos comparten la misma dependencia: necesitan que los datos no estructurados correctos se entreguen al sistema informático adecuado en el momento adecuado.
He aquí una estadística preocupante: la utilización promedio de GPU en las empresas es de tan solo el 5 %. Antes de que puedan comenzar las tareas de IA, las organizaciones a menudo tienen que encontrar la escasa capacidad de GPU, reservarla y migrar sus datos a dondequiera que esté disponible. El desafío va más allá de la disponibilidad de GPU. La gravedad de los datos los mantiene anclados a ubicaciones específicas, mientras que el almacenamiento fragmentado obliga a los equipos a replicar y preparar conjuntos de datos antes de que puedan comenzar las cargas de trabajo de IA. El resultado es una mayor complejidad operativa, iniciativas de IA más lentas y mayores costos de infraestructura. No sorprende, entonces, que el 43 % de las organizaciones reporten un aumento en los gastos de infraestructura de IA, con la infraestructura de IA agente a la cabeza del incremento, con un 56 %.
La solución consiste en una capa de datos unificada y de alto rendimiento que gestiona todas las cargas de trabajo de IA desde un único espacio de nombres, reuniendo archivos de cumplimiento, registros KYC (Conozca a su Cliente), corpus de investigación, datos de mercado, transcripciones y análisis propios en una única ubicación accesible, sin fragmentación, replicación entre equipos ni entornos de prueba. El rendimiento sostenido mantiene las GPU alimentadas continuamente, de modo que el reentrenamiento se realiza según el cronograma del equipo, no el de la infraestructura.
Cuando la capa de datos funciona, los analistas de cumplimiento pasan de la recuperación a la investigación, los científicos de datos pasan de la espera a la iteración, los equipos de investigación pasan del procesamiento de datos a la obtención de información de mercado, y la adquisición de GPU se convierte en una decisión de programación en lugar de un proyecto de migración de datos.
El lado de la experiencia: la participación del cliente.
Las expectativas de los clientes han cambiado radicalmente. El 71 % de los usuarios de servicios bancarios a nivel mundial desea un asistente de IA en su aplicación bancaria, y el 82 % quiere aprobar las acciones del agente antes de que se ejecuten. La brecha entre lo que los clientes esperan y lo que las instituciones ofrecen se amplía cada trimestre.
Algunos bancos ya están allí. ABN AMRO Gestiona más de 2 millones de conversaciones de texto y 1.5 millones de conversaciones de voz al año mediante agentes de IA, de las cuales más del 50 % están totalmente automatizadas. Otros bancos líderes han reportado aumentos significativos en la interacción con los clientes y las solicitudes de ahorro gracias a la personalización impulsada por IA, mientras que el tiempo de recopilación de datos en los centros de llamadas se ha reducido drásticamente en todo el sector.
Pero el desafío no radica en crear el agente de IA. Este le proporciona al agente acceso a todo lo que necesita para resolver una consulta en tiempo real, incluyendo grabaciones de llamadas, transcripciones de conversaciones, documentos de cuentas, correos electrónicos, historiales de transacciones, interacciones previas, cartera de productos y registros de quejas.
El almacenamiento fragmentado implica que los agentes obtienen información parcial; la información parcial implica la necesidad de recurrir a humanos, y la necesidad de recurrir a humanos implica que la tasa de automatización del 50 % se reduce a un solo dígito.
Los bancos multinacionales se enfrentan a una complejidad adicional, ya que los datos de los clientes deben permanecer soberanos en cada jurisdicción, mientras que los servicios de IA requieren un acceso unificado entre regiones, abarcando el RGPD en Europa, DORA para la resiliencia operativa, PCI-DSS para pagos y las leyes locales de residencia de datos. Las arquitecturas de almacenamiento tradicionales no pueden satisfacer estos requisitos sin replicar los datos en silos separados por región, y esa replicación destruye la visión unificada que el agente de IA necesita para ayudar realmente al cliente.
La respuesta es la misma que para el caso de uso del corpus: una única capa de datos, soberana por jurisdicción, accesible en tiempo real desde cualquier servicio de IA en cualquier ubicación geográfica, con historiales completos de clientes disponibles para los agentes sin preparación previa, sin replicación entre canales y sin comprometer el cumplimiento normativo.
Cuando funciona, los agentes resuelven las consultas en lugar de que sean los humanos quienes clasifiquen las colas, y las instituciones ofrecen la experiencia personalizada e instantánea que exigen los clientes, al tiempo que mantienen el pleno cumplimiento normativo en todas las jurisdicciones en las que operan.
El hilo común
Cada caso de uso de GenAI en servicios financieros depende de obtener datos no estructurados para su procesamiento en el momento y lugar precisos, bajo la gobernanza adecuada. El modelo nunca es el cuello de botella; la infraestructura de datos sí lo es.
Ahí es donde Qumulo cambia la ecuación.
Qumulo ofrece una plataforma de datos unificada que abarca entornos locales, de borde y en la nube, brindando a las aplicaciones de IA acceso controlado a datos no estructurados a través de un único espacio de nombres global. Cloud Data Fabric elimina los silos de almacenamiento fragmentados, mientras que Cloud Native Qumulo extiende los servicios de archivos empresariales a la nube con la escala y el rendimiento necesarios para la IA.
En lo que respecta a los datos, Qumulo CloudBridging y GPU Liquidity permiten a las instituciones exponer rápidamente los datos empresariales a la capacidad de GPU disponible en la nube sin crear copias adicionales ni emprender proyectos de migración a gran escala. Cloud Data Fabric mantiene una vista unificada de los datos distribuidos, mientras que NeuralCache mantiene los conjuntos de datos activos cerca del procesamiento, acelerando el entrenamiento y la inferencia de modelos y ayudando a las organizaciones a aprovechar mejor sus recursos de GPU.
En lo que respecta a la interacción con el cliente, la misma plataforma proporciona a los agentes de IA acceso seguro y en tiempo real al contexto completo del cliente en todos los canales y jurisdicciones, sin replicar los datos en silos regionales. Las instituciones financieras pueden ofrecer experiencias personalizadas manteniendo la soberanía de los datos, el cumplimiento normativo y una visión operativa unificada de los datos empresariales.
La seguridad es la base de todo. NeuralProtect ayuda a proteger los datos en el momento de su escritura, reforzando la ciberseguridad y garantizando la integridad de los datos de los que depende la IA. El resultado es una plataforma única que permite a las instituciones financieras escalar con confianza la IA tanto en la inteligencia interna como en las experiencias de cara al cliente.
Las instituciones que lo hagan bien no solo implementarán la IA, sino que lo harán a gran escala, en todas las líneas de negocio, en todas las regiones geográficas y en cualquier nube. Las que no lo hagan seguirán realizando proyectos piloto que nunca llegarán a la producción.
Para 2027, se invertirán 97 mil millones de dólares en inteligencia artificial financiera. La cuestión no es si su institución lo gastará, sino si contará con la infraestructura de datos necesaria para sacarle el máximo provecho.
Tom Tasker Es arquitecto principal de soluciones en la nube en Qumulo, donde se centra en la protección de datos en la nube y la resistencia al ransomware para servicios financieros e industrias reguladas en EMEA y APJ. Es coautor de la publicación del blog de AWS Storage. Resiliencia por diseño: Cómo crear una estrategia eficaz de recuperación ante el ransomware y conferencias en la Universidad de Loughborough sobre Arquitectura de Datos Moderna.