Risk Agents en bancos: el cuello de botella nunca fue el modelo

Cuando hablo con equipos de tecnología y compliance en fintechs e instituciones de pago en Brasil, la conversación casi siempre empieza en el mismo lugar: qué modelo usar, qué arquitectura de agente tiene sentido, cómo orquestar decisiones en tiempo real.

Es el punto de partida equivocado.

No porque el modelo no importe. Importa. Pero lo que va a trabar cualquier deployment de Risk Agent en producción, especialmente dentro de una institución financiera brasileña, no es la calidad del razonamiento. Es la calidad de los datos que alimentan ese razonamiento. Más precisamente, es si esos datos cumplen los estándares que el Banco Central do Brasil espera cuando revisa decisiones automatizadas.

Febraban Tech 2026 se realiza del 24 al 26 de agosto en el Anhembi de São Paulo, con el tema "Agentes Inteligentes, liderazgo humano." Decenas de demostraciones mostrarán agentes tomando decisiones autónomas: detectar fraudes, aprobar créditos, monitorear transacciones en tiempo real. Lo que raramente va a aparecer en esas demostraciones es lo que hace que esas decisiones sean auditables por un regulador brasileño. Ese es el gap de infraestructura que vale la pena discutir.

Qué necesita realmente un Risk Agent#

Un agente de riesgo que opera en flujos de pago sobre PIX, o en el onboarding de comercios de un subadquirente o proveedor de servicios de pago, necesita cinco insumos específicos para cada decisión que toma.

Validación continua de identidad. KYC no es un evento de onboarding. Es un estado. El CPF que estaba limpio al momento del registro puede tener una restricción hoy. El documento validado hace seis meses puede haber sido revocado. La estructura de beneficiarios finales que pasó por KYB al momento de la firma puede haber cambiado. Un agente que decide con datos de identidad desactualizados no está tomando una decisión regulatoria real. Está procesando un snapshot que puede no reflejar la realidad actual.

Historial transaccional con contexto de comportamiento. No solo si un CPF o CNPJ existe en una base de datos. El patrón de comportamiento: volumen típico de transacciones, frecuencia operativa, red de contrapartes, horarios y canales habituales. Sin ese contexto, el modelo genera alertas basadas en umbrales absolutos en vez de desviaciones del patrón individual, y la tasa de falso positivo hace que la operación sea inmanejable para cualquier equipo de compliance a escala.

Screening en tiempo real de listas regulatorias. Registros COAF, listas OFAC, bases de datos PEP, sanciones internacionales. Un falso negativo acá no es una métrica pobre. Es un pasivo regulatorio. Bajo la Lei 9.613/1998, ley base de AML en Brasil, y la Circular 3.978/2020 del BCB, las instituciones financieras tienen que mantener monitoreo continuo de actividades sospechosas y reportarlas al COAF dentro de plazos definidos. Un agente que consulta datos en caché introduce una ventana de exposición regulatoria que no se puede justificar en una inspección.

Bot detection e integridad de dispositivo. En flujos digitales de alto volumen, ya sean lotes de onboarding de comercios o transacciones PIX de retail, la diferencia entre un solicitante humano y un proceso automatizado malicioso tiene que ser detectable antes de que corra la decisión. La actividad de bots que llega a la capa de decisión ya pasó el punto de control donde era más barato detenerla.

Registro de auditoría completo por decisión. Cada bloqueo, cada aprobación, cada alerta necesita un registro asociado que incluya: la fuente de datos consultada, el timestamp de la última actualización de esa fuente, la versión de la regla aplicada, el nivel de confianza del output del agente, y la decisión final con su timestamp. El Banco Central do Brasil no pregunta qué modelo usás en una inspección. Pregunta: de dónde vino esta información? Quién la validó? Cuándo fue actualizada?

Esto no es una lista de deseos. Es el stack mínimo de compliance para operar flujos financieros regulados en Brasil.

La capa regulatoria que no se puede saltear#

El marco de AML y KYC de Brasil está construido sobre múltiples capas regulatorias que interactúan entre sí de maneras que importan para los sistemas automatizados.

En la base, la Lei 9.613/1998 establece la obligación anti-lavado de dinero y define al COAF, Conselho de Controle de Atividades Financeiras, como la unidad de inteligencia financiera responsable de recibir, analizar y diseminar los reportes de transacciones sospechosas de las entidades obligadas. Las instituciones financieras, subadquirentes y proveedores de servicios de pago bajo autorización del BCB son todos sujetos obligados.

La Circular 3.978/2020 del BCB operacionalizó los requisitos de monitoreo: las instituciones reguladas deben implementar políticas, procedimientos y controles internos para la prevención del lavado de dinero y el financiamiento del terrorismo, mantener registros por al menos cinco años, y comunicar operaciones sospechosas al COAF dentro de plazos definidos. La circular es explícita en que los sistemas de monitoreo deben calibrarse al perfil de riesgo de la base de clientes de la institución, no aplicarse de forma uniforme.

La agenda regulatoria 2025-2026 del BCB incluye explícitamente la gobernanza de inteligencia artificial, según Chambers and Partners, incluyendo lineamientos para el uso ético y seguro de IA dentro de instituciones reguladas y monitoreo activo de iniciativas legislativas locales relacionadas con IA. El Banco Central también creó un Centro de Excelencia en Ciencia de Datos e Inteligencia Artificial específicamente para desarrollar estos lineamientos.

Este contexto regulatorio tiene una implicación operativa directa para cualquier institución que despliega Risk Agents: cada decisión automatizada que afecta un flujo regulado, sea aprobar un comercio, señalar una transacción o bloquear un retiro, está sujeta a los mismos estándares de documentación que se aplican a las decisiones humanas. El agente no está exento de los requisitos de trazabilidad por ser automatizado. En muchos aspectos, las expectativas de trazabilidad son más altas, porque el volumen de decisiones automatizadas hace imposible la revisión individual, y el regulador necesita poder tomar cualquier decisión y reconstruirla a partir del registro.

Las instituciones que van a integrar Risk Agents exitosamente no son las que tienen los modelos más sofisticados. Son las que pueden demostrar, en una inspección, exactamente qué datos usó el agente, de dónde venían esos datos y qué tan actualizados estaban al momento de la decisión.

Cuando falta la capa de datos: qué se rompe en producción#

Trabajando con subadquirentes y proveedores de servicios de pago en Brasil que procesan volúmenes relevantes, el patrón de falla cuando se despliega un Risk Agent sin la infraestructura de datos adecuada es consistente: funciona bien en entornos de prueba donde los datos están controlados y saneados. Se rompe en producción, donde los datos reflejan el mercado real.

Un escenario que se repite: el agente bloquea una transacción legítima porque el CPF del titular de la cuenta coincide por nombre con una entrada en una lista de sanciones, un falso positivo de homonimia. El analista de compliance tiene que revisarlo manualmente. Cuando esto ocurre a bajo volumen, es manejable. Cuando un subadquirente procesa miles de transacciones diarias sobre una red de comercios, la cola de revisión manual crece más rápido de lo que el equipo puede despejarla. El cuello de botella no fue la lógica de decisión del agente. Fue la ausencia de resolución automática de falso positivo en la capa de datos, usando identificadores secundarios que ya estaban en el registro y que hubieran distinguido a la entidad sancionada del cliente.

Un segundo escenario: el agente aprueba un onboarding que debería haber sido señalado porque la consulta a la lista regulatoria corrió contra datos en caché con 48 horas de antigüedad. El evento que disparó la restricción había ocurrido en esa ventana. La latencia de los datos fue la falla, no el razonamiento del modelo. El modelo razonó correctamente con los datos que recibió. Los datos estaban desactualizados.

El "liderazgo humano" sobre agentes de riesgo no puede funcionar cuando la capa de datos no le da a los humanos algo confiable para revisar. Un supervisor que mira una transacción señalada necesita ver el estado de los datos al momento de la decisión, no el estado actual después de que el agente ya actuó. Cuando ese trail de auditoría no existe, el supervisor no puede evaluar si la decisión fue correcta. Solo puede observar el resultado.

Por eso el mercado está empezando a valorar la capa de datos y gobernanza de forma separada al modelo. Quantifind, una plataforma de inteligencia de riesgo enfocada en AML, KYC y screening de sanciones con explicabilidad como capacidad central, levantó 200 millones de dólares en junio de 2026. FIS, uno de los mayores proveedores globales de tecnología financiera, anunció una asociación con Anthropic para construir un Financial Crimes AI Agent. Ninguna de estas inversiones es principalmente una apuesta a la calidad del modelo. Son apuestas a la infraestructura que hace que los outputs del modelo sean accionables y defendibles en entornos regulados.

Qué significa realmente "liderazgo humano" sobre Risk Agents#

El tema de Febraban Tech 2026, "Agentes Inteligentes, liderazgo humano", es operativamente preciso de una manera que se pierde en la conversación más amplia sobre autonomía de IA.

Liderazgo humano sobre un sistema de agentes no significa que un humano aprueba cada decisión individual. A los volúmenes que hacen valiosa la automatización, eso es operativamente imposible y elimina la eficiencia que el agente fue desplegado para crear. Liderazgo humano significa que el sistema está diseñado de modo que cuando un humano interviene, sea en una disputa, una inspección, un caso borde o una escalada, puede entender exactamente qué pasó y por qué, y puede actuar a partir de ese entendimiento.

Para un agente de riesgo en un entorno regulado, eso requiere tres propiedades operativas.

Reconstruibilidad de decisiones: la capacidad de reproducir cualquier decisión pasada exactamente, con el estado de datos que existía al momento de la decisión, no el estado actual. Un oficial de compliance respondiendo a una consulta del COAF no puede trabajar con los datos actuales. Tiene que mostrar qué sabía el agente cuando actuó.

Lógica de escalada documentada: el agente necesita saber no solo qué decidir, sino cuándo no decidir. Cuándo rutear a un analista humano, qué información surfear en ese ruteo, y a qué umbral de confianza la decisión requiere confirmación humana en vez de ejecución automatizada. Esto no es una limitación del agente. Es el mecanismo por el cual el liderazgo humano se operacionaliza.

Consistencia entre decisiones automatizadas y humanas: un agente que aplica criterios inconsistentemente, bloqueando transacciones similares a tasas distintas basadas en factores que no se pueden documentar, falla la revisión regulatoria. Consistencia significa los mismos criterios de decisión, verificables desde el registro de auditoría, independientemente de si la decisión la tomó el agente o un analista siguiendo las reglas del agente.

Nada de esto es alcanzable si los datos que alimentan al agente están desactualizados, son inconsistentes o no son verificables al momento de la consulta. La estructura de gobernanza empieza en la capa de datos.

La infraestructura en producción: qué lleva Gu1 a Febraban Tech 2026#

En el Balcão 25 del Fintech Lounge en Febraban Tech, del 24 al 26 de agosto, vamos a demostrar Risk Agents operando sobre la infraestructura descripta arriba.

KYC en tiempo real, integrado con el ecosistema regulatorio brasileño a través de fuentes de datos primarias, con estado de identidad que se actualiza de forma continua en vez de solo al momento del onboarding. Monitoreo AML con reglas calibradas a los perfiles de riesgo del mercado brasileño, con flujos de alerta conectados a los requisitos de reporte al COAF. Bot detection integrado en flujos de onboarding de comercios de alto volumen. Y en cada decisión, un trail de auditoría completo: consultable, exportable, auditable por cualquier parte que necesite revisarlo.

Esto no es un entorno piloto. Gu1 opera en producción con 34 instituciones financieras en 6 países de América Latina, procesando más de 20 millones de transacciones mensuales para un solo cliente brasileño. La plataforma tiene certificaciones ISO 27001, SOC 2, GDPR y PCI DSS, y opera bajo un SLA contractual de disponibilidad del 99,5%. La demo corre sobre la misma infraestructura.

Lo que la demostración va a mostrar no es la sofisticación del modelo subyacente. Va a mostrar qué puede hacer realmente un Risk Agent cuando los datos que necesita están disponibles, actualizados y auditables: estado KYC que refleja el registro de hoy, no el snapshot del trimestre anterior. Alertas AML construidas sobre contexto de comportamiento, no solo umbrales absolutos. Consultas a listas regulatorias en tiempo real contra fuentes activas, no datos en caché. Y en cada decisión, el trail que una inspección del BCB o una consulta del COAF puede seguir.

Si vas a Febraban Tech y trabajás en compliance, prevención de fraudes o onboarding de comercios en una institución financiera en Brasil, el equipo está en el Balcão 25 del 24 al 26 de agosto. La conversación va a ser operacional.

---

Aryanne Reis lidera las operaciones de Gu1 en Brasil, cubriendo el ciclo completo desde el relacionamiento comercial hasta el onboarding de compliance y las operaciones de riesgo del día a día con subadquirentes, PSPs y fintechs.