Deutsche Bank, Santander y JPMorgan, entre otras entidades, ajustan el uso de modelos de IA ante facturas impredecibles. En algunos casos, reemplazar sistemas avanzados por alternativas más económicas permitió reducir los costos de procesamiento hasta varias veces.
La expansión de la inteligencia artificial (IA) en el sistema financiero abrió una nueva preocupación para los bancos de Wall Street: cómo controlar los costos de una tecnología que promete mejorar la productividad, pero cuyo gasto puede aumentar de manera impredecible a medida que se utiliza a mayor escala.
Después de una primera etapa marcada por la experimentación y la adopción acelerada, las entidades comenzaron a exigir presupuestos más precisos y a evaluar cuánto valor económico generan sus herramientas. El desafío es especialmente complejo con los sistemas de IA autónoma, capaces de ejecutar tareas de varios pasos, cuyo consumo de capacidad de procesamiento puede variar significativamente.
Según un relevamiento de Bloomberg, los bancos enfrentan facturas inesperadas mientras amplían sus proyectos tecnológicos. La presión se suma a otros gastos prioritarios, como la modernización de sistemas informáticos heredados y la ciberseguridad.
El problema no es solo cuánto cuesta implementar una herramienta, sino cuánto demanda mantenerla en funcionamiento cuando millones de operaciones pasan por esos sistemas.
El costo de la IA se convierte en un problema para los bancos
La dificultad para anticipar los gastos quedó reflejada en un informe de Evident: solo 12 de los 50 mayores bancos del mundo analizados por la firma habían informado públicamente los rendimientos previstos u obtenidos de sus inversiones en inteligencia artificial.
Aunque los ejecutivos destacan el potencial de la tecnología, son menos las entidades que detallan cuánto gastan y qué beneficios financieros concretos consiguen.
Bhavi Mehta, socio de Bain & Company y responsable global de análisis avanzado en servicios financieros, advirtió que resulta difícil estimar de antemano cuánto costará una tarea cuando los modelos realizan procesos cada vez más complejos.
La incertidumbre crece con los llamados agentes de IA, que pueden analizar estados financieros, verificar documentación, seguir solicitudes de crédito o detectar operaciones sospechosas. A diferencia de las herramientas tradicionales, estos sistemas ejecutan secuencias de acciones y consumen recursos informáticos en función de la complejidad de cada tarea.
Por eso, el paso de las pruebas piloto a la implementación masiva obliga a los bancos a revisar sus presupuestos y establecer mecanismos de control.
Santander redujo el costo de una aprobación de crédito
Una de las estrategias consiste en utilizar modelos avanzados para probar la calidad de una aplicación y luego trasladar las tareas a sistemas más pequeños y económicos.
El Banco Santander aplica ese enfoque: utiliza modelos de última generación para comprobar si una herramienta cumple con los estándares de calidad y después deriva las operaciones a modelos más ligeros.
Según Ignacio Bernal, director de inteligencia artificial de la entidad, esa estrategia permitió reducir el costo de ejecución de un proceso de aprobación de préstamos de unos 5 euros a 0,03 euros.
La diferencia resulta relevante cuando una aplicación se utiliza de manera masiva. Un gasto pequeño por operación puede transformarse en una partida significativa cuando el sistema procesa millones de solicitudes durante el año.
Deutsche Bank y JPMorgan también ajustan el uso de modelos
Deutsche Bank detectó que algunos empleados consumían cantidades inusualmente altas de tokens, las unidades de procesamiento que utilizan los modelos de inteligencia artificial. Sin embargo, el análisis interno determinó que buena parte de ese uso respondía a tareas productivas.
En lugar de restringir de forma general el acceso, el banco buscó orientar esas actividades hacia modelos más adecuados. En algunas pruebas, reemplazar un sistema de gran tamaño por otro más pequeño y especialmente entrenado redujo los costos varias veces, según explicó Christoph Rabenseifner, director de estrategia de tecnología, datos e innovación de la entidad.
JPMorgan Chase también comenzó a establecer límites de gasto. Según informó Bloomberg, algunos ingenieros tienen un tope mensual de U$S 2.000 para utilizar Claude Code, la herramienta de Anthropic.
El director financiero del banco, Jeremy Barnum, señaló que el gasto anual en inteligencia artificial rondaba los U$S 700 millones. La cifra exacta es difícil de determinar porque la tecnología se extendió por distintas áreas de la organización.
El caso refleja el dilema de las grandes entidades: permitir que sus equipos aprovechen las nuevas herramientas sin perder visibilidad sobre el costo total de la implementación.
Los modelos más potentes pueden disparar las facturas
El Canadian Imperial Bank of Commerce (CIBC) identificó otro riesgo: el costo de ofrecer modelos avanzados a una gran cantidad de empleados.
La entidad calculó que algunos de sus modelos más potentes podían representar un gasto de 3.000 dólares canadienses, equivalentes a unos U$S 2.130, por trabajador al mes.
Para contener ese costo, restringió el acceso a unos cientos de empleados y limitó a 250 usuarios la etapa de prueba de su espacio de trabajo integrado CAI 2.0.
La decisión muestra que la adopción masiva no siempre es viable desde el inicio. Los bancos deben evaluar qué equipos necesitan los modelos más sofisticados y qué tareas pueden resolverse con herramientas menos costosas.
La IA con agentes aumenta la presión sobre los presupuestos
Los agentes de inteligencia artificial se encuentran entre los principales factores que explican el crecimiento de los gastos. Según Evident, los grandes bancos anunciaron 19 casos de uso de IA con agentes en el primer trimestre de 2026, frente a ocho en el trimestre anterior.
En el segundo trimestre, la cifra se redujo a la mitad. Esto no necesariamente implica una pérdida de interés: las entidades comenzaron a asignar a estos sistemas tareas más complejas, que requieren mayores recursos de computación.
Wells Fargo, por ejemplo, busca que la IA con agentes gestione 1.100 pasos del proceso hipotecario antes de incorporar la tecnología a sus flujos de trabajo, de acuerdo con el informe de Evident.
El desafío es que cada paso adicional puede aumentar el consumo de tokens y, con ello, la factura mensual. Por eso, los bancos buscan mecanismos para limitar instrucciones innecesarias, compartir recursos y reservar los modelos más costosos para las tareas que realmente los requieren.
¿Los modelos chinos pueden abaratar la inteligencia artificial?
La búsqueda de alternativas también llevó a las entidades financieras a evaluar modelos desarrollados en China, aunque el precio no es el único factor que determina su adopción.
Bancos de Singapur, como United Overseas Bank y DBS, experimentan con diferentes proveedores y buscan evitar una dependencia excesiva de una sola compañía.
Sin embargo, las cuestiones de seguridad, gobernanza y confiabilidad dificultan la incorporación de modelos menos evaluados. Los reguladores también comenzaron a prestar más atención al uso de sistemas avanzados, mientras los responsables de riesgos advierten sobre la posibilidad de comportamientos impredecibles de los agentes dentro de las plataformas bancarias.
Por eso, una alternativa más barata no necesariamente resulta conveniente si obliga a asumir riesgos adicionales o no cumple con los estándares internos.
Cómo buscan los bancos medir el retorno de la inversión en IA
Además de reducir el consumo, algunas entidades incorporaron controles antes de aprobar nuevos proyectos.
BNP Paribas, por ejemplo, calcula el costo de funcionamiento de cada iniciativa, estima el volumen de uso y compara el gasto esperado con el valor que la herramienta debería aportar. El banco también distribuye la supervisión entre áreas de tecnología, riesgos, finanzas y recursos humanos.
Otras compañías están desarrollando sistemas para registrar el consumo de tokens, negociar descuentos con proveedores y establecer presupuestos por equipo o usuario.
El objetivo es evitar que la inteligencia artificial se convierta en un gasto difícil de rastrear y demostrar que la inversión produce mejoras concretas en productividad, eficiencia o calidad del servicio.
La presión financiera también está cambiando la cultura interna. Según los especialistas consultados por Bloomberg, los responsables de finanzas ahora reaccionan a los aumentos de costos en un plazo de entre seis y 18 meses desde la adopción de estas herramientas, frente a los años que llevó controlar gastos asociados a la expansión de la computación en la nube.
La competencia tecnológica, sin embargo, mantiene la presión para invertir. Los bancos temen quedarse atrás si sus rivales avanzan más rápido, pero el desafío consiste en sostener esa carrera sin perder el control presupuestario.
La nueva etapa de la inteligencia artificial en las finanzas ya no se limita a demostrar qué tareas puede realizar la tecnología. También exige responder cuánto cuesta, qué resultados produce y si esos beneficios justifican su implementación a gran escala.
