La IA generativa de Itaú se extiende a todo el banco, con la gobernanza como la verdadera prueba

Itaú ha llevado su estrategia de IA generativa de pilotos específicos a 300.000 clientes, con el objetivo de alcanzar a toda su base de clientes durante 2026. El programa de IA generativa de Itaú combina ahora ia.i, una interfaz bancaria conversacional, con IARA, una plataforma interna para gobernar modelos, datos, costes y riesgos.

Esa combinación importa más que el chatbot por sí solo. Itaú quiere que los clientes usen lenguaje cotidiano en vez de navegar por menús separados de cuentas, crédito, tarjetas, seguros e inversiones. Sin embargo, cada conversación más amplia incrementa el riesgo de una respuesta inexacta, una recomendación inapropiada, un fallo de privacidad o una acción no autorizada.

Por tanto, el banco está poniendo a prueba dos promesas a la vez. La promesa visible es que la banca puede volverse más sencilla y personal. La menos visible es que Itaú puede mantener los modelos generativos bajo control dentro de una institución altamente regulada. Erica de Bank of America y LLM Suite interno de JPMorganChase ofrecen puntos de referencia útiles, pero Itaú intenta conectar conversaciones con clientes, herramientas para empleados y acceso gobernado a modelos mediante una sola arquitectura.

La IA generativa de Itaú pasa de los pilotos a una interfaz para todo el banco

El cambio no consiste simplemente en que Itaú haya añadido otro asistente a su app. Está convirtiendo la conversación en una capa de acceso al banco.

Itaú presentó ia.i públicamente en julio de 2026, después de desarrollar funciones más acotadas de inteligencia artificial desde 2024. La interfaz acepta solicitudes de texto o voz a través de la app de Itaú. Está diseñada para identificar la intención de un cliente y conectar esa solicitud con la capacidad bancaria pertinente.

El lanzamiento inicial llegó a unos 300.000 clientes. Itaú afirmó que planeaba ampliar el acceso a aproximadamente 3 millones de personas para septiembre, seguido de toda su base de clientes antes de fin de año. El banco no ha proporcionado públicamente cifras finales de adopción o uso activo para esas etapas posteriores.

El despliegue para clientes abarca más que preguntas y la localización de cuentas. Itaú afirma que ia.i puede proporcionar información, interpretar instrucciones, orientar decisiones e iniciar transacciones compatibles. También puede transferir a un cliente a asistencia humana especializada cuando la conversación lo requiere.

Esto crea una experiencia distinta a la de un chatbot fijo. Un asistente programado suele relacionar una pregunta con una respuesta preparada o un flujo de trabajo limitado. Una interfaz generativa puede interpretar lenguaje diverso, combinar contexto y generar una respuesta para la situación actual.

Itaú afirma que ia.i considera el contexto financiero, el historial de relación, los objetivos y la etapa de vida al responder. Estos datos podrían ayudar a los clientes a evitar búsquedas entre menús no relacionados. También hacen que la precisión, los límites de datos y la transparencia sean más importantes.

Un cliente que pregunta por el pago de una tarjeta plantea un problema de información limitado. Alguien que pregunta si puede permitirse una compra plantea un problema de juicio más amplio. El sistema debe determinar qué datos importan, cuáles tiene permitido utilizar y cuándo se vuelve necesario el apoyo humano.

El despliegue sigue a varios lanzamientos más pequeños. Entre ellos figuraban un asistente de inversiones, pagos Pix a través de WhatsApp, herramientas para pequeñas empresas y hardware de pago habilitado por voz. Cada proyecto probó una tarea más delimitada antes de que Itaú intentara crear una capa conversacional común.

Una función de inversión anterior comenzó con 10.000 clientes en 2025. Ese enfoque escalonado dio a Itaú una forma de probar respuestas, comportamiento de los clientes y vías de escalamiento antes de atender a una población mucho mayor.

La progresión también explica por qué el anuncio de 2026 es relevante. Itaú ya no presenta la IA generativa como un experimento aislado. Está haciendo de la tecnología parte de la forma en que los clientes descubren y utilizan servicios financieros establecidos.

Esta transición crea la tensión central del artículo. Una capa conversacional debe parecer lo bastante abierta para ser útil, pero permanecer lo bastante limitada para operar con seguridad. La interfaz puede ocultar la complejidad del banco, pero no puede eliminar las obligaciones detrás de cada respuesta o transacción.

Por qué ia.i es más que el lanzamiento de un chatbot

Itaú apuesta por que los clientes partirán de una intención, no de un menú de productos, y dejarán que el banco determine el camino correcto.

Las apps bancarias convencionales organizan los servicios según la estructura de la institución. Los clientes eligen cuentas, tarjetas, pagos, préstamos, seguros o inversiones. Deben saber qué categoría contiene la tarea que quieren completar.

Una interfaz conversacional invierte esa secuencia. Un cliente puede exponer primero un objetivo, problema o pregunta. El sistema identifica después el producto, la fuente de información o el flujo de trabajo relevante.

Esta distinción parece modesta hasta que la solicitud cruza los límites entre productos. Una pregunta sobre ahorrar para una compra podría implicar flujo de caja, saldo de una cuenta, obligaciones de tarjeta y una posición de inversión. Una respuesta útil exige más que generación de lenguaje.

Itaú denomina Customer DNA a la capa contextual detrás de esta experiencia. Según el despliegue de IA del banco, el sistema proporciona contexto financiero para unos 70 millones de clientes. Los modelos de OpenAI se encuentran entre los utilizados dentro del entorno gobernado de Itaú.

La escala no significa que todos los clientes reciban un asesor financiero sin restricciones. Significa que Itaú ha creado un sistema de contexto destinado a respaldar experiencias diferentes entre una amplia población de clientes. Los datos disponibles y las acciones permitidas siguen dependiendo del caso de uso específico.

Itaú afirma que los clientes pueden pasar de la comodidad básica a una orientación más especializada dentro de la misma interfaz. Un usuario podría solicitar información de su cuenta, ejecutar una instrucción compatible o pedir ayuda para entender una decisión de inversión.

El banco también afirma que ia.i se adapta al lenguaje del cliente y puede comunicarse mediante voz o texto. Esta flexibilidad puede reducir la necesidad de aprender nombres exactos de menús. También podría hacer que la banca digital sea más accesible para personas que tienen dificultades con una navegación compleja de apps.

Sin embargo, el lenguaje natural introduce una ambigüedad que los botones evitan. «Paga mi factura» puede referirse a varias obligaciones. «¿Puedo gastar esto?» puede significar una consulta de saldo, una pregunta presupuestaria o una solicitud de asesoramiento financiero personalizado.

El sistema debe resolver esa ambigüedad sin generar una falsa confianza. Debe confirmar las acciones sensibles, distinguir la información del asesoramiento y evitar transmitir certeza cuando los datos del cliente son incompletos.

La propia investigación de Itaú con Grupo Consumoteca concluyó que el 80 % de los brasileños encuestados quería una mejor organización de su vida financiera. También concluyó que el 65 % quería tecnología que pudiera ofrecer orientación financiera continua. Se trata de hallazgos patrocinados por la empresa, no de mediciones independientes de la adopción de ia.i.

La encuesta sigue identificando la demanda que Itaú espera atender. Muchos clientes no necesitan otra lista de productos. Necesitan ayuda para conectar su información financiera con una decisión que están intentando tomar.

Por eso el asistente es estratégicamente importante. El banco que controla el punto de partida conversacional puede influir en cómo los clientes encuentran servicios, entienden opciones y escalan problemas. También puede recopilar señales valiosas sobre necesidades no cubiertas.

Estas ventajas conllevan responsabilidades correspondientes. Los clientes deben entender cuándo interactúan con IA, cómo se producen las recomendaciones y cuándo una persona puede revisar un resultado. Una interfaz cómoda no debería difuminar la responsabilidad por decisiones relevantes.

Para los trabajadores del conocimiento, el mismo principio se aplica más allá de la banca. Una base de conocimientos de IA útil necesita contexto consciente de permisos, recuperación fiable y límites claros de las fuentes. Una respuesta fluida por sí sola no genera confianza.

IARA sitúa la gobernanza entre los modelos y el dinero

IARA es el mecanismo central de la estrategia de Itaú porque separa el acceso a los modelos de su uso no controlado.

IARA es la plataforma de gobernanza y orquestación de inteligencia artificial de Itaú. Orquestación significa que la plataforma puede dirigir una tarea entre modelos y sistemas de apoyo, en lugar de vincular cada aplicación a un único proveedor.

La plataforma ofrece a los equipos internos acceso controlado a múltiples modelos. OpenAI es un proveedor disponible a través de ese entorno, en vez de ser el único proveedor de modelos integrado en cada flujo de trabajo.

Este enfoque agnóstico respecto al modelo ofrece a Itaú varias opciones. Un modelo menos costoso puede gestionar una tarea rutinaria en la que la velocidad importa. Un modelo de razonamiento más capaz puede procesar una solicitud difícil cuando se justifican un mayor coste y latencia.

IARA también permite al banco aplicar políticas comunes a todas esas opciones. Itaú afirma que la plataforma supervisa el uso de los modelos, la precisión de las respuestas, el consumo de tokens y los requisitos de IA responsable. Los tokens son las unidades utilizadas para procesar texto mediante modelos de lenguaje.

La centralización no hace automáticamente seguro a un sistema de IA. Sin embargo, puede crear un único lugar para controles de acceso, registros, evaluación de modelos, límites de costes y aplicación de políticas. Sin esa capa, cada equipo de producto podría crear distintas salvaguardas y prácticas de datos.

El departamento jurídico de Itaú proporciona el mayor ejemplo divulgado. Según el banco, su solución de IA jurídica trabaja con más de 90 millones de documentos y completa más de 2 millones de tareas cada mes. La empresa informa de ganancias de eficiencia de entre el 20 % y el 80 % en distintas etapas de los procesos.

Esos porcentajes abarcan un rango amplio y proceden de Itaú, no de una auditoría independiente. No deben tratarse como un resultado universal de productividad. La lectura de documentos jurídicos también difiere de la orientación financiera dirigida al cliente.

Aun así, el ejemplo demuestra por qué la orquestación importa. Procesar un archivo jurídico requiere permisos de documentos, recuperación, selección de modelos, trazabilidad y supervisión de resultados. El modelo genera solo una parte del resultado.

Itaú afirma que IARA mantiene la información sensible dentro del contexto del banco mientras controla cómo las aplicaciones acceden a modelos externos. Ese límite es esencial cuando los prompts pueden incluir información de clientes, empleados, transacciones o asuntos jurídicos.

La plataforma también respalda la observabilidad, lo que significa que los equipos pueden examinar cómo se comportan los sistemas después de su despliegue. En la banca, la supervisión no puede detenerse cuando un modelo supera una evaluación de lanzamiento. El lenguaje de los clientes, los patrones de fraude, el comportamiento de los modelos y los productos subyacentes cambian continuamente.

Una actualización de modelo puede mejorar el razonamiento mientras altera el comportamiento de rechazo. Una política de producto revisada puede volver incorrecta una respuesta anterior. Un nuevo método de ataque puede revelar debilidades que no existían durante el desarrollo.

Por tanto, IARA necesita gobernar todo el ciclo de vida del sistema. Esto incluye el acceso a los datos antes de una solicitud, el enrutamiento durante el procesamiento y la revisión después de la respuesta. También incluye la investigación de incidentes cuando una respuesta provoca daño o confusión.

La arquitectura se asemeja a la dirección adoptada por otros grandes bancos. JPMorganChase lanzó LLM Suite como un entorno de IA generativa controlado para empleados. La empresa afirmó que la plataforma alcanzó más de 200.000 usuarios incorporados en ocho meses.

La estrategia de Itaú extiende la idea de plataforma compartida hacia las conversaciones con clientes. Es una prueba más expuesta porque un cliente puede actuar sobre una respuesta de inmediato. Los empleados suelen contar con capacitación, documentación interna y procesos de revisión que los consumidores no tienen.

La elección de varios modelos es otra salvaguarda práctica, pero crea trabajo de gestión. Itaú debe comparar continuamente la calidad, el coste, la latencia, las condiciones de privacidad y el comportamiento de los modelos. Un cambio de proveedor no puede debilitar un flujo de trabajo regulado sin ser detectado.

Ninguna plataforma de gobernanza puede eliminar todos los fallos. Su valor reside en hacer coherentes los controles, visibles las evidencias y posible la intervención. Esa es una base más creíble que confiar en la fluidez o la reputación de marca de un modelo.

La presión competitiva consiste en una interfaz bancaria más sencilla

Los rivales de Itaú no compiten solo en la calidad de los modelos. Compiten por convertirse en el primer lugar donde los clientes expresan su intención financiera.

Los bancos llevan años utilizando aprendizaje automático para la detección de fraude, el análisis crediticio, la personalización y el enrutamiento de servicios. La IA conversacional cambia la capa de presentación, no la existencia de la automatización.

Bank of America ofrece el precedente más claro a gran escala. Su asistente virtual Erica se lanzó en 2018, antes del actual ciclo de IA generativa. En agosto de 2025, el banco informó más de 3.000 millones de interacciones con clientes y casi 50 millones de usuarios.

Los datos de uso de Erica del banco también muestran la disciplina detrás de un asistente maduro. Bank of America afirmó que Erica utilizaba una biblioteca controlada de más de 700 respuestas y había recibido más de 75.000 actualizaciones.

Ese diseño prioriza resultados predecibles frente a la generación abierta. Itaú persigue una interfaz generativa más amplia, pero el ejemplo de Erica demuestra por qué el mantenimiento continuo importa. Un asistente financiero se convierte en un servicio operativo, no en una función de software terminada.

Nubank también comenzó a probar un asistente generativo de crédito con un grupo restringido de clientes en 2023. Su alcance inicial cubría preguntas sobre límites de crédito, crédito garantizado, NuPay y préstamos personales. El lanzamiento limitado reflejaba los riesgos de entrar de inmediato en conversaciones de crédito personalizadas.

Estos enfoques generan presión sobre todos los bancos minoristas con una aplicación compleja. Una vez que los clientes pueden expresar una intención directamente, las experiencias cargadas de menús empiezan a parecer ineficientes. La comparación deja de centrarse en la cantidad de funciones y pasa a medir cuán rápido el banco entiende y completa una solicitud.

Itaú tiene una ventaja en la variedad de servicios que puede conectar. Las cuentas, tarjetas, seguros, crédito, pagos e inversiones pueden aportar contexto. Esa amplitud puede generar orientación más útil que un asistente de propósito único.

También puede generar conflictos. Un banco puede beneficiarse cuando un cliente adopta otro producto. El cliente necesita confiar en que la orientación generada refleja sus intereses, elegibilidad y perfil de riesgo, en lugar de un objetivo comercial no señalado.

Por lo tanto, la interfaz debe preservar las distinciones entre educación, asistencia, recomendación y promoción. Estas categorías conllevan expectativas diferentes. Combinarlas dentro de una conversación amistosa podría dificultar la percepción de sus límites.

La IA generativa también otorga a los proveedores tecnológicos más influencia sobre las interfaces bancarias. Los proveedores de modelos aportan capacidades de lenguaje y razonamiento, mientras los bancos contribuyen con datos, flujos de trabajo, reglas de cumplimiento y relaciones con los clientes.

La arquitectura multimodelo de Itaú reduce la dependencia de un único proveedor. No elimina la dependencia externa, porque los modelos de frontera, los sistemas en la nube y la infraestructura especializada siguen evolucionando fuera del banco.

Por lo tanto, la competencia estratégica no es Itaú contra OpenAI, ni un banco contra un proveedor de modelos. Es el contexto institucional controlado frente a la inteligencia genérica de los modelos. El banco debe demostrar que sus datos y su gobernanza generan una experiencia más segura y útil.

Si ia.i tiene éxito, los competidores enfrentarán presión para unificar sus propios asistentes entre productos. Un chatbot fragmentado para preguntas de soporte parecerá menos capaz junto a una interfaz que puede interpretar objetivos y completar transacciones.

Si ia.i enfrenta dificultades, la industria podría favorecer asistentes más acotados con acciones cuidadosamente delimitadas. Los bancos podrían seguir utilizando IA generativa internamente mientras mantienen las herramientas para consumidores más deterministas.

Ese resultado no significaría que la tecnología haya fracasado. Mostraría que las conversaciones de alto riesgo con clientes requieren un equilibrio distinto al de los resúmenes de documentos, las herramientas de redacción o la búsqueda para empleados.

La promesa de escala de Itaú se enfrenta a la realidad regulada

La cuestión pendiente es si Itaú puede preservar la precisión, el consentimiento y la responsabilidad humana a medida que ia.i se expande más allá de cohortes controladas.

El sistema financiero brasileño impone requisitos en materia de seguridad, protección al consumidor, manejo de datos, mantenimiento de registros y resiliencia operativa. La IA generativa añade resultados inciertos a ese marco existente.

El Banco Central do Brasil ha identificado la inteligencia artificial como un ámbito que requiere estudiar los riesgos y efectos en las instituciones financieras. Las normas actualizadas de ciberseguridad también hacen hincapié en los controles de acceso, la trazabilidad, la integración segura, las pruebas y la protección de la infraestructura.

Estos requisitos se alinean con el propósito declarado de IARA. Sin embargo, Itaú no ha publicado de forma detallada tasas de error, tasas de escalamiento, resultados de satisfacción del cliente ni desgloses de incidentes relacionados con ia.i. Los estudios de caso disponibles se centran principalmente en la arquitectura y los beneficios previstos.

Esta brecha de evidencia importa porque el tamaño del despliegue por sí solo no demuestra calidad. Un sistema puede llegar a millones de cuentas y, aun así, recibir un uso activo limitado. También puede gestionar bien solicitudes sencillas y tener dificultades con preguntas inusuales o importantes.

Tres riesgos merecen especial atención.

Primero, las respuestas generadas pueden sonar más seguras de lo que justifican sus evidencias. En un contexto bancario, una explicación incorrecta puede afectar al gasto, el endeudamiento, los seguros o las decisiones de inversión.

La recuperación de información aprobada puede reducir este riesgo, pero no puede eliminar la ambigüedad. Las condiciones de los productos cambian, las circunstancias de los clientes difieren y el modelo puede combinar hechos correctos en una conclusión inadecuada.

Segundo, la personalización depende de datos personales. La autoridad brasileña de protección de datos ha destacado riesgos relacionados con los prompts, las salidas de los modelos, el intercambio de datos, la retención, la transparencia y la reutilización de información personal.

El radar de IA generativa de la autoridad subraya que la innovación debe seguir siendo compatible con la Ley General de Protección de Datos de Brasil. También señala que los usuarios pueden introducir en los prompts sus propios datos, o los datos de otra persona, sin reconocer las consecuencias.

Para Itaú, la gobernanza debe abarcar más que los datos de entrenamiento. Debe abordar la información reunida para cada interacción, los datos enviados a cada modelo, la respuesta resultante y cualquier registro conservado posteriormente.

Tercero, la asistencia automatizada puede convertirse en una decisión automatizada en la práctica, incluso cuando el sistema técnicamente solo ofrece orientación. Los clientes pueden seguir una respuesta segura sin solicitar revisión humana.

La agenda brasileña de protección de datos incluye trabajo sobre el artículo 20 de la LGPD, que aborda la revisión de decisiones basadas únicamente en el tratamiento automatizado de datos personales. Itaú debe mantener líneas claras entre el soporte conversacional, las recomendaciones y las decisiones que afectan a los intereses de los clientes.

El escalamiento a una persona es una salvaguarda importante, pero su diseño determinará su valor. Una transferencia que pierde el contexto de la conversación genera frustración. Un escalamiento que ocurre solo después de un error puede llegar demasiado tarde.

El banco también debe protegerse contra la inyección de prompts, el fraude, la toma de control de cuentas y la ingeniería social. Un atacante podría intentar manipular al asistente, extraer información o activar un flujo de trabajo sensible mediante lenguaje engañoso.

Los pasos de confirmación siguen siendo necesarios para las transacciones. La capa conversacional no debería debilitar la autenticación simplemente porque la solicitud suene natural. La comodidad debe terminar donde la autoridad siga siendo incierta.

El sesgo plantea otro desafío. Un modelo puede producir tonos, supuestos u orientaciones distintos para clientes que expresan necesidades similares de manera diferente. Itaú afirma que sus políticas de IA responsable abordan el sesgo, pero no ha publicado resultados detallados de evaluaciones externas de ia.i.

La viabilidad económica es otra parte no demostrada del plan. El uso de modelos genera costes variables, especialmente cuando las conversaciones requieren un contexto extenso o un razonamiento más profundo. Distribuir las tareas entre modelos puede controlar el gasto, pero una adopción más amplia aún puede aumentar el consumo total.

Las expectativas comunicadas por Itaú sobre sus empleados también necesitan validación. El banco prevé que las herramientas de IA puedan dar a los gestores de relaciones tres veces más tiempo para las interacciones con clientes. Espera que el servicio sea dos veces más rápido y que las conversaciones sean hasta tres veces más eficaces.

Estas son expectativas empresariales orientadas al futuro. Los términos «tiempo disponible» y «eficacia» pueden depender de decisiones de medición internas. Los informes públicos deberían distinguir finalmente los beneficios proyectados de los resultados observados.

Por tanto, una evaluación responsable tiene dos lados. Itaú ha divulgado una arquitectura de gobernanza creíble y varios despliegues significativos. Aún no ha aportado suficiente evidencia independiente o longitudinal para confirmar que la arquitectura funciona en toda su base de clientes.

Tres señales decidirán si la apuesta de Itaú funciona

La próxima fase debe juzgarse por un comportamiento verificado, no por el número de clientes que reciben un icono dentro de la aplicación bancaria.

La primera señal es el uso sostenido por parte de los clientes tras la disponibilidad general. Itaú debería divulgar usuarios activos, uso repetido, tareas completadas, abandonos, transferencias a humanos y satisfacción del cliente. El crecimiento de 300.000 clientes elegibles al acceso universal solo importa si las personas confían en la interfaz para necesidades financieras reales.

La segunda señal es la evidencia sobre precisión y salvaguardas. Unos informes útiles incluirían categorías de errores, confirmaciones exitosas de transacciones, volumen de reclamaciones, correcciones de respuestas e incidentes graves. También deberían explicar cómo IARA evalúa los distintos modelos antes y después del despliegue.

Cualquier publicación del Banco Central o de la autoridad brasileña de protección de datos añadirá un referente externo. El banco central ya está estudiando los riesgos de la IA en las instituciones financieras, mientras la autoridad de datos desarrolla orientaciones sobre decisiones automatizadas y tratamiento responsable de datos.

La tercera señal es si los competidores amplían sus propios asistentes. Bank of America ha demostrado que un asistente financiero limitado puede soportar un enorme volumen de interacciones. JPMorganChase ha demostrado que una plataforma interna gobernada puede llegar a cientos de miles de empleados.

Itaú intenta combinar esos caminos. Quiere conversación a escala de clientes, productividad de los empleados, datos financieros contextuales y múltiples proveedores de modelos dentro de un marco controlado.

Un lanzamiento exitoso reforzaría la idea de que la IA generativa puede convertirse en una interfaz principal para servicios regulados. Un repliegue hacia preguntas limitadas respaldaría la conclusión contraria. Sugeriría que los flujos de trabajo deterministas siguen siendo más seguros para acciones de clientes con consecuencias importantes.

Los desarrolladores y compradores empresariales deberían observar cómo Itaú divide la responsabilidad entre el modelo, la capa de orquestación, los sistemas bancarios y el personal humano. Esa división importará en la atención sanitaria, los seguros, los servicios jurídicos y otros sectores regulados.

Los clientes deberían plantearse una pregunta más sencilla siempre que ia.i ofrezca orientación: ¿puede la respuesta mostrar su fundamento, sus límites y una vía fiable para la revisión humana?

La estrategia de IA generativa de Itaú no se decidirá por si ia.i puede mantener una conversación fluida. Se decidirá por si el banco puede hacer que esa conversación sea precisa, responsable, rentable y útil a gran escala.