SEI, uno de los principales proveedores de infraestructura financiera con más de $1.3 billones en activos bajo gestión de sus clientes, acaba de anunciar una colaboración con IBM Consulting para rediseñar sus operaciones internas usando agentes de IA. El anuncio, del 9 de marzo de 2026, es una señal clara de cómo las instituciones financieras establecidas están pasando del piloto de IA al despliegue a escala empresarial.
Lo que hace interesante este caso no es solo el qué, sino el cómo: en lugar de lanzar agentes sobre los procesos existentes y rezar para que funcionen, SEI e IBM empiezan con una auditoría exhaustiva de los sistemas actuales. Es el tipo de enfoque metódico que rara vez aparece en los titulares, pero que determina si la automatización termina ahorrando tiempo o creando caos.
¿Qué están haciendo SEI e IBM exactamente?
La colaboración se articula alrededor de la plataforma IBM Enterprise Advantage. El proceso tiene tres fases diferenciadas:
- Discovery primero: expertos de SEI trabajan junto a IBM para mapear los procesos operativos actuales, la arquitectura de datos y los sistemas en uso. Este paso es el más aburrido pero el más crítico: sin saber dónde se pierde el tiempo realmente, cualquier agente va a automatizar la cosa equivocada.
- Identificación de puntos de inserción: a partir del mapa, identifican exactamente dónde los agentes de IA pueden asumir tareas repetitivas de forma segura dentro de límites definidos. Gobernanza y gestión de riesgos no son un añadido, son parte del diseño desde el inicio.
- Despliegue guiado: implementación progresiva con métricas de seguimiento. El objetivo declarado es reducir los tiempos de procesamiento hasta un 40% en consultas estándar y entrada de datos, liberando al equipo para trabajo de mayor valor.
El problema real que intentan resolver
Las instituciones financieras están atrapadas entre dos presiones. Por un lado, la regulación es cada vez más exigente y requiere más documentación, más trazabilidad, más controles. Por el otro, los márgenes operativos se comprimen y la demanda de los clientes por respuestas rápidas sube.
El resultado es que el personal cualificado pasa una parte desproporcionada de su tiempo en tareas administrativas: entrada de datos, reconciliación de registros, responder consultas estándar que siguen el mismo patrón de siempre. Los agentes de IA son la respuesta técnica a ese problema, pero implementarlos mal puede crear nuevos problemas: datos inconsistentes, errores en decisiones automatizadas, o personal que no entiende qué está haciendo el sistema.
Sean Denham, CFO y COO de SEI, lo resume bien: “La automatización va a permitir que nuestros equipos pasen menos tiempo en trabajo manual y repetitivo y más en actividades de mayor valor centradas en las relaciones con los clientes.” El objetivo no es reemplazar personas, sino redirigirlas hacia trabajo que los humanos hacen mejor.
Por qué el sector financiero es el campo de pruebas de los agentes de IA
Las finanzas tienen tres características que las hacen el entorno ideal para probar IA agéntica. Primero, los procesos están bien definidos y documentados —hay reglas claras, flujos establecidos, criterios de decisión explícitos—. Segundo, el volumen de transacciones repetitivas es enorme, lo que hace que cualquier mejora de eficiencia tenga impacto financiero medible. Tercero, el costo del error es alto, lo que fuerza a las empresas a implementar con más rigor que en otros sectores.
Eso explica por qué la adopción de IA en finanzas avanza más rápido que en industrias con procesos menos estructurados. También explica por qué los casos de uso más exitosos son los más específicos: un agente que responde consultas de estado de cuenta tiene éxito porque el dominio está acotado; un agente que “gestiona las operaciones” en términos generales falla porque el alcance es demasiado vago.
El patrón que está funcionando
Mirando varios despliegues de agentes en el sector financiero, emerge un patrón consistente: las implementaciones exitosas empiezan por procesos donde el criterio de corrección es claro y verificable. No “mejora la experiencia del cliente” —eso es difícil de medir—, sino “reduce el tiempo de resolución de consultas tipo X de 48h a 4h”. La especificidad del objetivo define la capacidad de verificar si el agente está funcionando.
Glenn Finch, de IBM Consulting, señala que la combinación de conocimiento profundo del negocio de SEI con la experiencia de IBM en “inteligencia de procesos” y IA agéntica es lo que permite “desbloquear nuevos niveles de eficiencia”. La traducción: nadie puede implementar agentes de IA útiles en finanzas sin entender primero los procesos financieros en detalle, algo que no se improvisa.
Por qué importa
El anuncio de SEI e IBM no tiene el glamour de un unicornio levantando una mega ronda, pero representa algo más relevante para el sector: el modelo de adopción de IA agéntica que va a replicarse en decenas de instituciones financieras medianas y grandes en los próximos dos años.
La lección operativa es clara: audita antes de automatizar. Las empresas que lanzan agentes sin entender sus procesos actuales terminan con automatización de caos —hacen más rápido las cosas incorrectas—. Las que hacen el trabajo aburrido de mapear primero construyen sobre una base que escala.
Para cualquier empresa fuera del sector financiero que esté evaluando agentes de IA: el framework de SEI e IBM —discovery, identificar puntos de inserción, desplegar progresivamente con métricas— es un buen punto de partida independientemente de la industria. Y se conecta directamente con lo que empresas como millones de personas ya están usando para asesoría financiera informal con IA, o lo que Mastercard está construyendo con pagos agénticos: el dinero y los agentes de IA están inevitablemente convergiendo, y las instituciones que estén operativamente preparadas van a tener ventaja.
