Ir al contenido

Agentes de IA para empresas: el caso Revolut

17 de noviembre de 2026 por
Agentes de IA para empresas: el caso Revolut
ContentFlow

Los agentes de IA para empresas son sistemas autónomos a los que se les entrega un conjunto de reglas, fuentes de información y herramientas para que ejecuten un proceso completo sin que una persona lo haga paso a paso. En el caso de Revolut, documentado por OpenAI en noviembre de 2026, esa capacidad se tradujo en una reducción de entre 30% y 60% en el tiempo de programación, desde el inicio de una tarea hasta la integración del cambio, y en un agente que investiga transacciones sospechosas de forma automática.

La historia no empieza con una promesa de productividad, sino con un problema de escala. Revolut opera en más de 40 mercados y su base de clientes creció 23% en los últimos doce meses, según el caso publicado por OpenAI. Cada transacción es una oportunidad para detectar actividad sospechosa, pero el volumen supera cualquier cantidad de investigadores que un banco pueda contratar. Ahí es donde entra la IA, no como un experimento, sino como una forma de atender la demanda sin multiplicar la planilla.

Lo que sigue es un desglose de qué hicieron, qué no demuestra el caso y qué puede copiar una empresa peruana de tamaño medio sin necesidad de tener mil ingenieros. También veremos por qué la parte más valiosa no es la velocidad, sino dónde se coloca el criterio humano.

¿Qué cambió realmente en el trabajo de los ingenieros de Revolut?

El cambio más citado es el tiempo. Según el caso de OpenAI, Codex entregó una reducción de 30% a 60% en el tiempo de programación medido desde que arranca una tarea hasta que el cambio se integra. Esa cifra aparece atribuida a David Abitbol, AI Lead de Revolut, y conviene leerla como un rango reportado por la propia empresa, no como un promedio de la industria.

El segundo cambio es más interesante y menos publicitado: dónde se gasta el tiempo recuperado. Abitbol señala que los equipos ahora dedican más horas a discutir el diseño y la mejor solución, y menos a implementar. Un ingeniero de plataforma, Dmitry Pitik, cuenta que al construir un servicio interno de revisión de código asumió primero que necesitaría un equipo completo. Terminó lanzando distintos agentes, asignándole una tarea a cada uno y esperando los resultados, mientras él se concentraba en diseñar el sistema y revisar lo que volvía.

Ese patrón tiene una consecuencia práctica para cualquier equipo de desarrollo: el cuello de botella se mueve. Si escribir el código deja de ser la parte lenta, lo que empieza a frenar los proyectos es la claridad de las decisiones, la calidad de las especificaciones y la capacidad de revisar. Un equipo que no sabe qué quiere construir no se vuelve más rápido por tener agentes; se vuelve más rápido equivocándose.

¿Cómo funciona un agente autónomo en un proceso real?

El caso más concreto es el FinCrime Agent, un agente autónomo que hace screening de transacciones, monitoreo e investigación. La empresa le entrega un conjunto de reglas, fuentes y herramientas, y el agente completa por su cuenta la investigación de un caso. Antes, un investigador tenía que reunir manualmente cada expediente elegible; ahora el agente examina la información, aplica las reglas de Revolut y cierra el proceso definido.

El punto de quiebre, según Abitbol, fue la llegada de GPT-5.5: recién ahí los modelos resultaron lo bastante capaces y lo bastante económicos para delegar por completo los flujos de screening e investigación. Ese detalle importa más de lo que parece. La adopción no ocurrió cuando el modelo fue más inteligente en abstracto, sino cuando la relación entre capacidad y costo volvió razonable para el volumen de casos que maneja la empresa.

Aquí conviene ser honesto sobre lo que el caso no demuestra. Es un testimonio de cliente publicado por el proveedor de la tecnología, con cifras reportadas por la propia empresa y sin metodología independiente. No hay datos sobre falsos positivos del agente, sobre cuántos casos requirieron revisión humana adicional ni sobre el costo real por transacción. Tampoco hay una comparación contra un grupo de control. Sirve como señal de dirección, no como prueba de resultados replicables. Mi lectura es que el valor del caso está en el diseño del proceso, no en los porcentajes.

Ese diseño tiene una regla clara: la IA puede reunir evidencia, escribir código y recomendar una acción, pero una persona sigue respondiendo. El ingeniero de seguridad Mo Amiri lo dice sin rodeos: la decisión más crítica siempre es la responsabilidad. Si una herramienta de IA sugiere un cambio de código, un ingeniero humano necesita entenderlo lo suficiente para respaldarlo. Por eso, cuando un equipo quiere introducir una aplicación de IA, Amiri revisa toda la cadena: qué información ve el sistema, a dónde va esa información, a qué herramientas puede llegar, qué puede hacer con ese acceso y qué pasa cuando algo falla.

La automatización con IA que funciona no es la que elimina a las personas, es la que les cambia la tarea. El investigador deja de armar el expediente y pasa a decidir si la explicación tiene sentido. El ingeniero deja de escribir cada línea y pasa a diseñar y revisar. En ambos casos el trabajo se vuelve más difícil, no más fácil, y por eso requiere más criterio, no menos.

¿Qué significa esto para una empresa en Perú o Latinoamérica?

La reacción natural al leer estas cifras es pensar que se trata de un caso irrepetible, propio de una fintech con cientos de ingenieros. Pero el patrón que se repite en el caso es barato de copiar: identificar un proceso repetitivo y de alto volumen, escribir las reglas con claridad, darle al agente las herramientas necesarias y dejar a una persona en el punto de aprobación.

Piensa en una empresa peruana de servicios con un área de soporte que recibe cientos de correos al mes. O en un área de cobranzas que revisa caso por caso si corresponde insistir, escalar o dar de baja. O en un equipo de TI que recibe solicitudes internas y las clasifica a mano. Ninguno de esos procesos necesita un modelo de frontera para empezar; necesitan reglas escritas y alguien que revise la excepción.

El otro aprendizaje es sobre el conocimiento acumulado. Según el caso, los diseñadores de Revolut convirtieron siete años de documentación de su sistema de diseño en contexto legible por IA en un solo día. Ese ejercicio no requiere un equipo grande, requiere tener la documentación ordenada. Para muchas empresas de la región, el obstáculo real no es la tecnología: es que el conocimiento vive en la cabeza de dos personas y en correos dispersos. La IA no arregla eso, lo expone.

También hay una advertencia sobre el ritmo. En el caso se menciona que los equipos creen que pueden llevar productos al mercado unas tres veces más rápido que el estándar razonable del mercado, y que las metas mensuales se vuelven más agresivas pero también más alcanzables. Eso suena bien hasta que se convierte en una expectativa impuesta sin cambiar los procesos ni las herramientas. Si tu equipo va a adoptar agentes de IA para empresas, la conversación sobre metas debería venir después de la conversación sobre reglas, accesos y revisión.

¿Cómo aplica esto en tu empresa?

Empieza por elegir un proceso, no una herramienta. Elige uno que sea repetitivo, de alto volumen y con reglas que ya puedas escribir en una hoja. Si no puedes describir el proceso en pasos claros, ningún agente lo va a ejecutar bien.

Segundo, define quién responde. Antes de conectar cualquier sistema, decide qué persona revisa y aprueba el resultado, y qué necesita ver para confiar en él. En el caso de Revolut esa decisión es explícita y se toma antes de escalar, no después.

Tercero, mapea los accesos. Qué información ve el sistema, a dónde va, a qué herramientas puede llegar y qué ocurre cuando falla. Es la parte menos divertida y la que más problemas evita.

Cuarto, mide dos cosas: el tiempo que ahorras y los errores que aparecen. Un agente que reduce el trabajo a la mitad pero genera casos mal cerrados no es un avance, es una deuda. Si quieres revisar cómo se vería esto en tu operación, puedes conversar con nosotros sobre tu caso.

Quinto, empieza pequeño y con un proceso que no sea crítico. La experiencia de delegar implementación a agentes se gana en proyectos acotados, no en el sistema que sostiene la facturación. Y si tu interés está en automatizar flujos internos con herramientas concretas, vale la pena conocer ContentFlow.

Preguntas Frecuentes

¿Qué es un agente de IA y en qué se diferencia de un chatbot?

Un chatbot responde preguntas dentro de una conversación. Un agente de IA recibe reglas, fuentes de información y herramientas, y ejecuta un proceso completo por su cuenta, como investigar un caso o completar una tarea de implementación. En el caso de Revolut, el FinCrime Agent examina información, aplica las reglas de la empresa y cierra el proceso de investigación definido, sin que un investigador arme cada expediente a mano.

¿Cuánto tiempo se puede ahorrar con agentes de IA en desarrollo de software?

Depende del proceso y de la calidad de las especificaciones. En el caso publicado por OpenAI sobre Revolut, la empresa reporta una reducción de entre 30% y 60% en el tiempo de programación, desde el inicio de la tarea hasta la integración del cambio. Es una cifra reportada por la propia empresa y sin metodología independiente, así que conviene tomarla como referencia de dirección y no como resultado garantizado para otro equipo.

¿Se puede adoptar agentes de IA sin perder control sobre las decisiones?

Sí, pero el control tiene que diseñarse antes de escalar. En el caso de Revolut, cada ingeniero responde por el código que produce y un humano debe entender un cambio antes de respaldarlo. Además, antes de incorporar una aplicación de IA se revisa qué información ve el sistema, a dónde va, a qué herramientas puede acceder y qué ocurre cuando falla. La velocidad no reemplaza la responsabilidad: la traslada a otro punto del proceso.

Conclusión: ¿vale la pena empezar con agentes de IA en una empresa mediana?

El caso de Revolut es un testimonio de proveedor, no un estudio independiente, y sus cifras vienen de la propia empresa. Aun así, deja tres ideas útiles para cualquier organización de la región: el valor no está en escribir más rápido sino en decidir mejor, la automatización funciona cuando alguien sigue respondiendo por el resultado, y el conocimiento desordenado es el primer obstáculo real.

No hace falta ser una fintech global para empezar. Hace falta un proceso repetitivo, reglas claras y una persona dispuesta a revisar. Si quieres evaluar por dónde empezar en tu operación, puedes contactar a Consultoría TI y revisar tu caso concreto, o explorar más recursos en el blog de Consultoría TI.

Por Edgar Vásquez, Consultoría TI · actualizado el 17 de noviembre de 2026

Fuentes y Referencias



✨ Contenido generado con ContentFlow — Consultoría-Ti

Compartir
Etiquetas
Ciberseguridad con IA: de horas a minutos