Ayer, mientras medio sector tech seguía debatiendo si ChatGPT va a reemplazar a los desarrolladores, Citi, HSBC, Deutsche Bank, Standard Chartered y Barclays firmaban con Ant International para meter en sus sistemas de tesorería un modelo de IA que no genera texto: predice series temporales. Se llama Falcon Time-Series Transformer 2.0 y, según la propia Ant, puede recortar más del 60% los costes de cobertura y asignación de divisas.
La noticia suena a progreso técnico serio. Y probablemente lo sea en parte. Pero llevo años viendo cómo la banca adopta tecnología bajo el paraguas de «innovación» y luego descubres que el ahorro prometido depende de supuestos que nadie audita de forma independiente. Aquí huele parecido.
Ant International —brazo singapurense de Ant Group— presentó FalconTST 2.0 como un modelo especializado en escenarios financieros, no como otro chatbot disfrazado. Kelvin Li, responsable de plataforma tecnológica de la firma, dijo a Reuters que los modelos de propósito general «aún no han logrado un avance universal en el sector financiero». Tiene sentido: predecir flujos de caja hora a hora no es lo mismo que redactar un email corporativo. El problema es que la contrapartida —»precisión por encima del 93%» y un MASE de 0,666 en benchmarks públicos— la publica la misma empresa que vende el producto.
Los bancos implicados no son precisamente startups con sed de riesgo. Barclays lo integra en BARX NetFX, Citi lo empareja con su oferta Fixed FX Rates, Standard Chartered lo mete en SCALE FX dentro del programa PathFin.ai de la Autoridad Monetaria de Singapur. Deutsche Bank lo usa para previsión de tesorería transfronteriza. Son despliegues reales, no pilotos de feria. Pero tampoco he visto un informe externo que confirme esas cifras de ahorro del 60% en entornos de producción con datos reales de clientes.
Lo que me interesa de esta oleada no es tanto Falcon en sí como la dirección que toma la banca con la IA en agosto de 2026. Por un lado, modelos verticales y estrechos: series temporales, liquidez, exposición cambiaria. Por otro, la carrera paralela de los LLM generalistas entrando por la puerta de atrás del comercio y la atención al cliente. Synchrony Financial —emisor de tarjetas de Amazon, Walmart y Lowe’s— anunció hace tres días una colaboración con OpenAI para potenciar sus portales de consumo y lanzar un plugin de ChatGPT para ofertas de su marketplace. Dos estrategias distintas: una predice números, la otra intenta no quedar fuera cuando los agentes de compra decidan por el usuario.
DBS, el mayor banco de Singapur, va por el carril de la IA agéntica: ha desplegado agentes especializados a unos 1.500 gestores de relación y analistas de riesgo crediticio para automatizar más de 70 tareas en la elaboración de memorandos de crédito corporativo. Tras un piloto con 150 empleados, apuntan a reducir al menos un 30% el tiempo dedicado a esas tareas, que pueden suponer hasta el 40% de la jornada de un relationship manager. El enfoque no sustituye al banquero: genera un borrador que luego se refina con criterio humano. Suena razonable. También suena a que alguien tendrá que explicar qué pasa cuando el agente se equivoca en un sector volátil y el memo sale impecable pero equivocado.
¿Por qué me fijo en estos tres movimientos juntos? Porque ilustran la contradicción que arrastra el sector desde hace meses. Los reguladores —BCE, FSB, quien quieras— piden trazabilidad, gobernanza y prudencia con la IA agéntica. Los bancos, al mismo tiempo, firman acuerdos con fintechs chinas especializadas, despliegan agentes internos y abren la puerta a OpenAI en canales de consumo. Cada uno en su línea, sin una narrativa unificada de qué riesgos asumen y qué métricas usarán para demostrar valor.
Ant International acaba de levantar 1.200 millones de dólares en su última ronda. No necesita vender humo; necesita clientes institucionales que justifiquen la valoración. Eso explica el tono técnico del comunicado y el apoyo de seis grandes bancos como escaparate. Pero cuando una fintech dice que su modelo supera el 93% de precisión y recorta costes FX a más de la mitad, yo quiero saber tres cosas que casi nunca aparecen en el titular: ¿sobre qué ventana temporal?, ¿con qué divisa y qué volumen?, ¿y comparado con qué baseline —el modelo anterior, una mesa de tesorería humana, o simplemente no hacer nada?
En mi experiencia con clientes del sector, la IA que funciona en finanzas no es la que impresiona en demo. Es la que encaja en un proceso ya auditado, con datos limpios y un responsable que sabe cuándo ignorar la predicción. FalconTST parece diseñado para ese tipo de encaje: predicción cuantitativa, no conversación. Me parece más honesto que prometer que un chatbot va a «transformar la banca». Lo que no me parece honesto es tragar el 60% de ahorro sin pedir el desglose.
Tampoco ayuda que el sexto banco de la lista no esté identificado. Seis partners suena mejor que cinco. Es un detalle menor, pero en un sector donde la confianza es la moneda de cambio, omitir un nombre no es casualidad: o hay confidencialidad comercial, o alguien no quiere aparecer en la foto todavía. En ambos casos, el mensaje público queda incompleto.
Para una pyme o una agencia web como las que leemos en ticweb.es, esto puede parecer lejano. No lo es del todo. Si gestionas pagos internacionales, trabajas con marketplaces o tienes clientes en ecommerce transfronterizo, las decisiones de cobertura cambiaria de tu banco o pasarela terminan afectando comisiones, tipos y tiempos de liquidación. No vas a instalar FalconTST en tu WooCommerce, claro. Pero sí conviene entender que la infraestructura financiera que te cobra por cada transacción está adoptando IA especializada para optimizar sus márgenes. La pregunta no es si te beneficia automáticamente, sino si parte de ese ahorro del 60% —real o no— se traducirá en mejores condiciones para ti o se quedará en el balance del banco.
Lo que más me preocupa a largo plazo es la dependencia. Cuando Citi, Barclays o Standard Chartered integran un modelo de Ant en plataformas críticas de FX, no están probando un plugin: están acoplando procesos de tesorería a una cadena de suministro de IA externa. ¿Qué pasa si el proveedor cambia condiciones, sube precios o queda atrapado en una disputa geopolítica? Ant Group no es desconocida en ese terreno. Los bancos tienen equipos legales enormes; los clientes finales, no.
En paralelo, la apuesta de Synchrony por OpenAI apunta a otro riesgo: ceder la capa de interacción con el consumidor a un tercero cuyo modelo de negocio es convertir ChatGPT en plataforma de comercio antes de una OPV masiva. Si tu tarjeta de crédito vive dentro de un ecosistema donde un agente recomienda, compara y compra, ¿quién controla la conversión? ¿Tu tienda, el emisor de la tarjeta o el modelo de lenguaje que hace de intermediario?
No estoy en contra de la IA en finanzas. Estoy en contra de la euforia sin números auditables. FalconTST 2.0 puede ser exactamente lo que necesita una mesa de tesorería abrumada por datos. DBS puede estar haciendo un uso sensato de agentes para quitar trabajo mecánico a sus banqueros. Synchrony puede mejorar la experiencia de sus titulares. Pero hoy, lo que tenemos son comunicados, benchmarks propios y promesas de ahorro espectaculares. Hace falta más silencio y más auditoría, menos titulares del 60%.
Si tu banco te ofreciera tipos de cambio un 0,3% más favorables a cambio de que todas las previsiones de liquidez de tu cuenta corriente pasen por un algoritmo opaco al que no puedes acceder ni cuestionar, ¿firmarías el contrato o buscarías otro proveedor?