Adoptar inteligencia artificial en el sector financiero sin una política clara no es una opción neutral: es un riesgo operativo cuantificable. Datos recientes indican que la IA no autorizada —conocida como shadow AI— estuvo involucrada en el 43% de los incidentes de filtración de datos en organizaciones, más del doble que el año anterior, con un costo promedio por incidente de 5,39 millones de dólares, por encima de la media global. En Argentina, el 61% de la población ya utiliza herramientas de IA en su trabajo, y cerca del 27% lo hace a diario, muchas veces desde cuentas personales y fuera del radar de las áreas tecnológicas.

El modelo de política: una herramienta oficial, excepciones controladas

Frente a este escenario, una entidad bancaria argentina optó por un enfoque estructurado: definir una herramienta de IA institucional respaldada por contrato y servicio formal, y prohibir explícitamente el uso de alternativas no autorizadas. Sin embargo, la política reconoce que ciertas áreas —marketing, capital humano y desarrollo de software— tienen necesidades específicas que justifican el acceso a plataformas externas como ChatGPT, Gemini o Claude.

En esos casos, la excepción no opera sin supervisión. Se implementan controles activos para prevenir la fuga de datos: si el sistema detecta un intento de cargar una base de datos en una herramienta externa, la acción se interrumpe de inmediato. Este esquema combina permisividad funcional con trazabilidad operativa, un equilibrio que muchas organizaciones financieras aún no han logrado formalizar.

Gobernanza como prioridad estratégica

Más allá de la seguridad perimetral, el desafío central es de gobernanza: establecer reglas claras sobre qué datos pueden procesarse con IA, bajo qué condiciones y con qué nivel de supervisión humana. Adoptar múltiples nubes o herramientas de forma indiscriminada puede generar inconsistencias de control que se vuelven difíciles de auditar a escala.

Para estructurar esta transición, la entidad realizó un taller con una consultora especializada, con el objetivo de mapear la adopción de IA desde las dimensiones tecnológica y de seguridad antes de escalar su uso. Este tipo de ejercicio previo —frecuentemente omitido en organizaciones que priorizan velocidad de implementación— reduce significativamente la superficie de exposición.

El área de desarrollo como caso de uso crítico

Dentro de la organización, el área de desarrollo concentra la mayor adopción de IA, utilizándola como acelerador de tareas en colaboración directa con el equipo de seguridad. Esta sinergia no es casual: los modelos de lenguaje pueden generar código funcional pero con vulnerabilidades no evidentes, lo que hace indispensable la revisión humana de los resultados.

La advertencia es directa: confiar ciegamente en lo que produce un agente de IA, sin validación, puede derivar en errores que trascienden la seguridad y afectan la calidad del producto o la integridad de los procesos. En un entorno regulado como el bancario, esa validación no es una recomendación de buenas prácticas —es un requisito de gestión de riesgo.