La IA pasó de experimento a expectativa en servicios financieros. Bancos, aseguradoras y firmas de inversión invierten fuerte, pero la adopción amplia sigue siendo más difícil de lo que sugiere el entusiasmo. Así lo plantea el análisis publicado el 14 de septiembre de 2026 por FinTech Global, basado en The Global State of RegTech 2026, informe coescrito por RegTech Analyst y Parker Lawrence Research, con testimonios de líderes del sector.
La pregunta ya no es si la IA puede entregar valor, sino si las firmas pueden desplegarla de forma segura, a escala y con suficiente confianza como para cambiar cómo se hace el trabajo.
Riesgos reales frente a riesgos exagerados
John Byrne, fundador de Corlytics, sostiene que la tecnología en sí no es el riesgo: lo relevante es cómo se gobierna y controla. Señala el riesgo de modelo como una de las exposiciones más significativas: así como los bancos validan modelos de riesgo de crédito, mercado y operacional, los modelos de IA deberían someterse a supervisión equivalente. Reguladores como la PRA británica y la Reserva Federal estadounidense ya establecieron principios de gestión de riesgo de modelo que probablemente se apliquen cada vez más a sistemas de IA de alto riesgo.
Byrne agrega un punto contraintuitivo sobre datos: los modelos de IA no necesariamente rinden mejor con los conjuntos de datos más grandes; rinden mejor con los de mayor calidad. Datos mal gobernados, inconsistentes o sintéticos socavan el desempeño y erosionan la confianza en los resultados.
Pedro Sousa, cofundador y CEO de Karavel, describe la incomodidad que escucha semanalmente de firmas reguladas: la sensación de que la IA es una caja negra mágica. Entienden la entrada y la salida, pero no qué ocurre en el medio. Es difícil pedirle a un profesional de cumplimiento que entregue las llaves de parte de su trabajo si no logra confianza en el proceso.
Los números del informe
Aurimas Bakas, fundador y CEO de Copla, destaca cifras regionales concretas:
- La preparación de datos como barrera se sitúa en 21% entre firmas de Reino Unido y Europa, la más baja de las cuatro regiones, pese a que esas mismas firmas ubicaron la calidad de datos interna entre sus mayores barreras a la adopción de RegTech en general, con 47%.
- La fuga no intencional de datos preocupa al 46% en Reino Unido y Europa, frente a 29% en Norteamérica y 25% en APAC. Bakas subraya que esto es, en el fondo, una cuestión de terceros: términos contractuales, cadenas de subprocesadores y dónde reside físicamente el dato.
- El desempeño del modelo es la principal preocupación casi en todas partes: 58% en APAC, 55% en MENA y alrededor de la mitad en Reino Unido, Europa y Norteamérica.
- La adecuación de los marcos de gobernanza es la preocupación mejor rankeada en APAC con 62%, y segunda en casi todo el resto; 43% en Reino Unido y Europa.
Daniel Farias, VP de Ventas y Marketing en TransWorldCompliance, lo aterriza con un ejemplo: cuando la salida es un reporte CRS o FATCA que va a una autoridad tributaria, no se puede operar bajo un estándar de el modelo probablemente tenía razón. Un campo alucinado o una cuenta mal clasificada es un incumplimiento regulatorio con una sanción específica asociada.
El orden correcto: gobernanza, cumplimiento, riesgo de modelo
Farias propone una secuencia explícita. Primero gobernanza, porque es el marco donde todo lo demás debe encajar: si no hay respuesta clara sobre quién responde cuando un modelo se equivoca, nada aguas abajo importa. Segundo cumplimiento, porque el algoritmo decidió no es una respuesta que los reguladores acepten; cada validación, excepción y remediación debe ser trazable hasta una regla que un humano pueda señalar. Tercero riesgo de modelo, no porque importe menos, sino porque no se puede gestionar significativamente el riesgo de un sistema sin haber construido antes la rendición de cuentas y la auditabilidad.
El error que ve con frecuencia es el inverso: empezar por la tecnología y retroajustar la gobernanza después. Eso resulta caro y, en un contexto de reporte regulado, con frecuencia demasiado tarde.
La frase que resume el informe
Para Farias, las instituciones financieras no necesitan IA impresionante, sino IA aburrida, predecible, explicable y demostrablemente precisa sobre los mismos datos cada vez. Byrne cierra en la misma dirección: el éxito no pertenecerá a quienes desplieguen IA más rápido, sino a quienes puedan demostrar que su IA está gobernada, validada y alineada con las expectativas regulatorias.
RelyComply añade una advertencia sobre el efecto acumulado: años de inversión esporádica y entusiasta dejaron a muchas organizaciones con una colección de herramientas de IA que no se comunican entre sí, generando un ciclo conocido de tecnología que no entrega, confianza que cae y liderazgo que se resiste a invertir de nuevo.
Lo que esto significa en el mercado dominicano
El diagnóstico aplica con fuerza particular en instituciones financieras de República Dominicana y el Caribe, donde los sistemas core heredados y los datos de cliente fragmentados son obstáculos tan reales como en Londres o Nueva York, con la variable adicional de equipos de cumplimiento más pequeños que deben cubrir el mismo alcance normativo.
En TEKFENIX partimos de esa premisa: CumplimientoControl está diseñado para que cada decisión asistida por IA en monitoreo de medios adversos y trazabilidad AML quede documentada con su evidencia, su responsable y su regla aplicable, de modo que la explicabilidad no sea un añadido posterior sino la arquitectura misma. Y con Servigo365 llevamos el mismo principio a la atención al cliente: automatización con puntos de control humano y registro completo. Si su institución quiere avanzar de pilotos a producción sin comprometer la auditabilidad, conversemos.