La etapa del cheque en blanco para los departamentos de tecnología en Wall Street ha llegado formalmente a su fin. Lo que comenzó como una carrera desesperada por liderar la adopción de la inteligencia artificial generativa ha derivado en una auténtica encrucijada presupuestaria para los directores financieros de la banca internacional. Tras meses de sorpresas en las facturas por consumo computacional, las principales entidades crediticias han comenzado a racionar los recursos e imponer rigurosas auditorías operativas.

El problema central radica en la naturaleza de los modelos de vanguardia y la proliferación de sistemas agénticos, diseñados para ejecutar tareas complejas de múltiples fases de forma autónoma. Mientras que la banca tradicional busca que estas herramientas asuman desde la detección de lavado de activos hasta el análisis de expedientes hipotecarios, el cálculo de su costo resulta impredecible. Por ejemplo, en el Canadian Imperial Bank of Commerce (CIBC), el uso de herramientas de alto rendimiento como Opus, de Anthropic, llegó a representar un costo de hasta 3,000 dólares canadienses por empleado al mes, obligando a la dirección de Jaime Tatis a limitar el acceso masivo para evitar que el presupuesto colapsara.

Estrategias de contención: del modelo prémium al cálculo eficiente

Frente a este escenario, las instituciones están reconfigurando su arquitectura tecnológica para no asfixiar sus balances. El Banco Santander ha implementado una política donde los modelos más potentes se emplean únicamente en etapas de validación de calidad; una vez probadas las aplicaciones, la carga de trabajo se transfiere a versiones más ligeras. Esta medida permitió reducir el costo de procesamiento en la aprobación de préstamos de unos 5 euros a apenas 0.03 euros por operación, según detalló Ignacio Bernal, responsable de inteligencia artificial de la firma española, quien advirtió que la inferencia computacional ya no puede verse como un simple error de redondeo.

Por su parte, entidades como Deutsche Bank han optado por canalizar a sus desarrolladores hacia modelos especializados de menor tamaño en lugar de restringir por completo el consumo, mientras ingenieros de la banca europea recurren a técnicas de almacenamiento en caché para responder consultas frecuentes sin necesidad de quemar tokens innecesariamente en plataformas de primer nivel como ChatGPT o Claude.

Presupuestos blindados y la encrucijada geopolítica

El cambio de paradigma es palpable en los gigantes financieros estadounidenses. En JPMorgan Chase, donde su director financiero Jeremy Barnum estimó el gasto anual en IA en unos 700 millones de dólares, se han fijado topes mensuales de 2,000 dólares para ingenieros en herramientas especializadas, alejándose de los días en que ciertos analistas consumían en procesamiento computacional cifras superiores a sus propios sueldos. Al mismo tiempo, el banco francés BNP Paribas, liderado en esta área por Hugues Even, no aprueba ningún proyecto sin un modelo predictivo riguroso que justifique el retorno frente al costo por token estimado.

La presión por recortar costos también ha abierto el debate sobre la incorporación de modelos alternativos procedentes de China, que ofrecen un rendimiento equiparable con costos sustancialmente inferiores. No obstante, las advertencias de reguladores como la Reserva Federal de Estados Unidos respecto a la seguridad y gobernanza limitan la flexibilidad de los comités de riesgo. El sector bancario se enfrenta ahora a una nueva realidad: la verdadera ventaja competitiva no la tendrá quien despliegue más inteligencia artificial, sino quien logre rentabilizarla sin erosionar su margen operativo.