Las preguntas sobre AI, gobernanza, datos y costos que vale la pena hacer en Sibos en Miami.
por Junta Nakai, Erin Butler, Roshni Joshi, Antoine Amend, Jennifer Miller, Andrea DeSosa, Rajaram Suresh, Kim Hatton, Naeem Rehman, Spencer Cook, Ed Bullen y Felix Mutzl
El año pasado en Sibos Frankfurt, la pregunta era si la IA funcionaba. Este año: ¿puede su IA ganarse su confianza?
Los datos respaldan ese cambio. En la encuesta Banking Insights AI Impact Survey 2026 de Grant Thornton, la mitad de los ejecutivos bancarios afirmaron que la gobernanza y el cumplimiento ya estaban limitando el rendimiento de la IA; sin embargo, solo el 18 % se mostró seguro de poder superar una auditoría independiente de sus controles de IA. Nuestra propia investigación con Economist Enterprise, el informe de 2026 Making AI Deliver, reveló una brecha similar específicamente para la IA agéntica: menos de la mitad de las organizaciones exigen formalmente un marco de gobernanza para los sistemas autónomos.
Estas son las cinco preguntas que más escuchamos de los directores financieros (CFO), responsables de cumplimiento, líderes de tesorería y gestores de relaciones. Vale la pena hacérselas, vaya o no a Sibos este año.
"¿Cuál es nuestra posición de liquidez real en este momento, en cada entidad y divisa?" Esa es la pregunta que un responsable de tesorería se hace todos los días. Es la que la IA debería responder por fin sin necesidad de una maratón de tres días con hojas de cálculo.
Lograr que un modelo resuma un informe es sencillo. La parte más difícil es integrar datos gobernados e IA en las decisiones que los equipos financieros toman todos los días en relación con el balance, la liquidez, el gasto y las operaciones. El objetivo es ayudar a los equipos a detectar cambios, investigar qué los está impulsando y hacer algo más que automatizar el ciclo de generación de informes.
En el stand de Databricks (#DISL25) en Sibos Miami, presentaremos la charla Trapped Capital, Released by AI: Reconciliation Your Regulator Can Audit. En ella se analiza cómo las rupturas de datos de GL a riesgo inflan silenciosamente los activos ponderados por riesgo, se investigan con pruebas citadas y se libera el capital regulatorio atrapado, con un verificador humano (maker-checker) al mando y un registro de auditoría que un examinador realmente pueda seguir.
También analizaremos en detalle qué sucede después de que el dinero se mueve. Los canales de liquidación tokenizados resuelven parte del problema, pero la conciliación, los controles de delitos financieros y la gestión de la liquidez intradía aún deben realizarse fuera de la cadena (off-chain). Nuestra charla relámpago, Tokenization Moved the Money. It Didn't Move the Hard Part, recorre el modelo operativo para mantener continuamente alineadas las posiciones de tokens, los sublibros de depósitos y las cuentas de financiación. Además, podrá ver en vivo un panel de control de conciliación de depósitos tokenizados.
"¿Esta alerta es un riesgo real o solo ruido?" Esa es la pregunta que un analista de AML se hace docenas de veces al día, y es la que separa a la IA que realmente ayuda de la IA que solo añade otro sistema en el que nadie confía.
La IA puede investigar casos, conectar el contexto y respaldar las decisiones de los analistas. Pero cada recomendación necesita una fuente rastreable: qué datos la alimentaron, qué recomendó, si una persona revisó el resultado y si la institución puede reconstruir la investigación para una auditoría o revisión regulatoria. La gobernanza no puede existir solo en un documento de política. Debe estar integrada en los datos, los controles de acceso y el propio flujo de trabajo.
Tendremos una versión en vivo de esto en nuestro stand: un agente que procesa alertas reales de AML en el propio lakehouse del banco, viendo solo aquello para lo que el analista tiene autorización. Redacta el Reporte de Actividad Sospechosa (SAR) y deja la presentación en manos de un humano, registrando cada paso junto con las pruebas de KYC/AML y el modelo que se ejecutó. Es la misma cuestión que abordaremos en nuestra sesión del Discover Stage, How financial institutions are governing AI in financial crime operations, el jueves 1 de octubre a las 11:00 h, demostrando lo que hizo la IA, no solo lo que puede hacer.
"¿Qué necesita realmente este cliente de nosotros en este momento?" Todos los gestores de relaciones se hacen alguna versión de esa pregunta antes de una llamada, y la respuesta sincera suele depender de datos dispersos en tres sistemas y una carpeta de investigación que no tuvieron tiempo de leer.
RBC Brewin Dolphin utiliza IA generativa para automatizar la preparación de los paquetes de reuniones de revisión con clientes, lo que ahorra un estimado de 4700 horas al año. Otras firmas están yendo más allá. En una gestora de activos global, los flujos de trabajo multiagente generan comentarios sobre inversiones en cientos de fondos, ampliando la cobertura de los asesores mientras el equipo de cumplimiento se mantiene informado. En otra, los agentes combinan la puntuación de fondos patentada con documentos internos para producir análisis de cartera listos para auditoría en segundos, detectando oportunidades que un equipo no habría tenido tiempo de encontrar por sí solo.
El objetivo no es eliminar a las personas de las decisiones de alto valor. Es reducir el trabajo en torno a esas decisiones para que se dedique más tiempo al criterio y a la relación en sí.
"¿Por qué acabamos de rechazar una transacción válida?" Eso es lo que se pregunta un responsable de banca de transacciones cuando las decisiones de riesgo se basan en datos que tienen minutos de antigüedad, no milisegundos.
La mayoría de las instituciones ya tienen los datos. Solo que están dispersos en varios sistemas, retrasados por procesos por lotes (batch) o son difíciles de usar de manera gobernada. Coinbase ejecuta la detección de fraudes en tiempo real en Databricks con una latencia P99 inferior a 100 ms, un punto de referencia útil de lo que realmente debe significar "tiempo real".
La viabilidad económica de la IA parece manejable en un piloto y muy diferente en producción. En una sesión informativa reciente de Bloomberg para CFO, un director financiero calificó el gasto en tokens de IA como una "cifra insignificante" para la primera mitad de 2026, al tiempo que señaló que no todas las tareas necesitan el modelo más costoso. Eso no seguirá siendo insignificante por mucho tiempo, ni en ese banco ni en ningún otro lugar. La disciplina de costos debe comenzar antes de que el gasto sea difícil de rastrear, no después.
Para conocer más de cerca cómo los equipos de ingeniería ya están resolviendo este problema, consulte la publicación del blog de Databricks, Managing AI Coding Costs at Scale, que detalla los factores, desde el enrutamiento de modelos hasta la visibilidad del gasto, que evitan que los costos de la IA superen el valor que generan.
Si estas son las conversaciones que su equipo ya está teniendo, preferiríamos tenerlas en persona. Databricks estará en Miami para Sibos 2026, del 28 de septiembre al 1 de octubre. Envíe un correo electrónico a sibos@databricks.com o visite nuestra página del evento para ver la agenda completa y programar una reunión.
(Esta entrada del blog ha sido traducida utilizando herramientas basadas en inteligencia artificial) Publicación original
Suscríbete a nuestro blog y recibe las últimas publicaciones directamente en tu bandeja de entrada.