Casos de uso de la IA conversacional en la banca: siete patrones reales que merece la pena copiar

La IA conversacional, el término general para los sistemas de chat, voz y mensajería basados en procesamiento del lenguaje natural y aprendizaje automático, ha superado con creces la fase piloto en la banca. En enero de 2025, solo el 37 % de los clientes bancarios estadounidenses encuestados dijo no haber interactuado nunca con el chatbot de un banco, según la Consumer Banking Survey de Deloitte, lo que significa que aproximadamente dos terceras partes ya lo habían hecho. La adopción nunca fue de verdad la cuestión abierta en la historia de la IA conversacional en la banca. La propia revisión de la CFPB concluyó que, entre los diez mayores bancos comerciales del país, todos tienen ya algún tipo de chatbot en producción.

Lo que la mayoría de esas interacciones entregó realmente resultó ser lo más difícil. El World Retail Banking Report más reciente de Capgemini concluyó que el 61 % de los clientes bancarios que probaron un chatbot acabó contactando con una persona de todos modos porque no quedó satisfecho con la respuesta, y que más de seis de cada diez valoraron toda la experiencia como simplemente normal. Mientras tanto, el abandono de llamadas crece tanto en los bancos de nivel I como en los de nivel II.

Eso no es tanto un fallo de la tecnología como del despliegue, y es una de las pruebas más claras de si la transformación digital y la inversión en inteligencia artificial de un banco están cambiando de verdad cómo se presta el servicio, y no solo añadiendo una nueva interfaz. Llámalo banca conversacional, agentes virtuales o simplemente un contact center más inteligente: los siete casos de uso que siguen, que abarcan el desvío de volumen, el diseño de la derivación, la next-best-action, la cobertura de canales, la preparación para auditorías, la detección de fraude y la productividad del personal, marcan la diferencia entre un chatbot que se gana un lugar permanente en la oferta de servicio de la banca y otro que solo añade una cola delante de la cola.

Absorber el volumen rutinario es el caso de uso que se paga solo primero

Las consultas de más volumen y menos complejidad siguen siendo el retorno más rápido de cualquier despliegue de IA conversacional.

El contact center de PostFinance gestionó más de 240.000 conversaciones con agentes en 2023, en paralelo a 1 millón de interacciones con agentes virtuales que cubrían el volumen rutinario: consultas de saldo, búsquedas del historial de movimientos, restablecimientos de contraseña y similares. Esa proporción es la clave: el bot no compite con el agente por las mismas consultas de clientes, sino que despeja las que nunca necesitaron que interviniera una persona, a la vez que reduce al instante los tiempos de respuesta de las que sí gestiona.

El mismo patrón se repite en todo el sector. En ING, en los Países Bajos, un chatbot clásico basado en reglas resolvía entre el 40 y el 45 % de las 85.000 conversaciones semanales con clientes antes de que el banco lo reconstruyera con IA generativa. El volumen restante, más de 16.500 conversaciones cada semana, no tenía otro destino que un agente en directo. El valor de este caso de uso no tiene nada que ver con lo ingeniosas que suenen las respuestas del bot. Tiene que ver con qué conversaciones no necesitan a ninguna persona, liberando justo la capacidad de la que depende el segundo caso de uso.

La mayoría de los bancos aún no ha capturado ese valor, y conviene decirlo sin rodeos. La investigación de Capgemini concluyó que solo el 6 % de los bancos minoristas ha construido una hoja de ruta de toda la empresa para ampliar a escala la transformación impulsada por IA, frente a una mayoría que sigue ejecutando pilotos desconectados. El despliegue de PostFinance es un buen punto de referencia precisamente porque allí el desvío de volumen no es un piloto; lleva funcionando el tiempo suficiente, y a una escala lo bastante alta, como para reflejarse en un cambio estructural en cómo está dotada de personal la operación de atención al cliente del banco.

El verdadero valor está en la derivación, no en el desvío

Un chatbot que no sabe traspasar limpiamente crea más riesgo del que elimina.

Las entidades financieras deberían evitar usar chatbots como canal de servicio principal cuando está razonablemente claro que el bot no puede cubrir la necesidad del cliente, advirtió la CFPB en su revisión de 2023, después de que una proporción creciente de reclamaciones describiera a clientes atrapados en bucles sin resolver y sin vía hacia una persona.

El despliegue de Swiss Post es un contraejemplo claro. Su tasa de atención del bot subió del 55 al 72 % en unos 18 meses, y no por hacer el bot más listo de forma aislada, sino por ponerlo a funcionar junto a Live Chat y WhatsApp con un traspaso a una persona integrado. El chatbot no intenta ser toda la respuesta. Es una etapa de una conversación que una persona puede retomar sin que el cliente tenga que empezar de nuevo. Esa decisión de diseño, y no el modelo subyacente, es la que fija el techo de cuánto volumen puede automatizar un banco con seguridad.

Hay también una dimensión de confianza y de experiencia de cliente, que se acumula con las malas experiencias repetidas. La investigación de Capgemini concluyó que el 17 % de los clientes bancarios desconfía sin más de los chatbots y prefiere a un agente humano, con independencia de lo bien que funcione el bot. Una vía de derivación clara y visible no solo resuelve la consulta inmediata de ese segmento de clientes. Es lo que mantiene intacta la interacción con el cliente tras un mal primer intento, dispuesto a probar de nuevo el bot la próxima vez, en lugar de esquivarlo llamando al call center por costumbre.

Una conversación de servicio se convierte en el momento de la next-best-action

La misma conversación que resuelve una consulta es también el momento mejor elegido para que un asesor humano haga una oferta relevante.

En BPER Banca, el tiempo medio de gestión en las conversaciones de Live Chat y del chatbot con IA bajó un 20 %, con 700 asesores trabajando con el Asistente IA para asesores, integrado en el CRM Salesforce del banco, junto con documentos de conocimiento aprobados por el banco. Una conversación más corta y mejor informada no solo se cierra antes. Deja margen, dentro de la misma interacción, para que sea el asesor y no el bot quien plantee el siguiente producto relevante, una recomendación personalizada ajustada a la conversación y no una campaña genérica, mientras el contexto sigue vivo.

Esa secuencia importa más que la propia automatización. El trabajo del bot es despejar la carga informativa; el del asesor, liberado de esa carga, es la decisión de criterio que exige de verdad un momento de next-best-action. Ese tipo de integración, con datos del CRM y de los sistemas bancarios centrales alimentando la misma conversación que el asesor ya mantiene, es lo que distingue una verdadera sugerencia de next-best-action de un banner genérico de venta cruzada.

Esto es coherente con la dirección que Capgemini ve tomar al mercado en general: los bancos que combinan datos avanzados de clientes con IA para ofrecer propuestas más a medida comprueban que esa personalización se traduce directamente en crecimiento de los ingresos, y no solo en puntuaciones de satisfacción, a medida que se intensifica la competencia por la cuota de cartera. El mecanismo es el mismo que señalan las cifras de BPER. Una conversación más rápida y bien informada no solo es más barata de gestionar. Es el momento en que un banco tiene más contexto y más atención, lo que lo convierte en el peor momento para malgastarlo en una consulta que el bot podría haber resuelto treinta segundos antes.

Los clientes eligen el canal; la IA conversacional tiene que seguirlos

Desplegar IA conversacional en un canal mientras los clientes viven en otros tres anula el propósito.

Swiss Post gestiona ahora más de 200.000 consultas de atención al cliente al mes entre chatbot, Live Chat y WhatsApp, y solo WhatsApp registró más de 4.000 conversaciones a las pocas semanas de su lanzamiento. El 20 % de las consultas que antes llegaban por teléfono o correo electrónico se producen ahora por canales de texto en directo.

Nada de ese cambio ocurrió porque WhatsApp sea un canal superior a la atención telefónica. Ocurrió porque ahí es donde ya estaban los clientes. Un caso de uso de IA conversacional limitado a un solo canal no es más que un piloto con mejores relaciones públicas; la versión que cambia la economía del contact center es la que se ha construido para seguir al cliente, no la que espera a que el cliente venga a ella.

La cobertura de canales funciona en ambos sentidos, sin embargo. La misma población que recurre cada vez más a WhatsApp o al chat en la app sigue incluyendo al 17 % que prefiere hablar con una persona antes que con un bot, mencionado arriba. Seguir al cliente significa mantener un agente en directo accesible en esos mismos canales, y no solo un bot, de modo que la elección de canal y el diseño de la derivación acaben resolviendo el mismo problema desde dos direcciones.

La lista de canales sigue creciendo, además. La investigación de McKinsey concluyó que el 23 % de los consumidores ya usa IA generativa para tareas financieras al menos una vez al mes, un canal que apenas existía en la estrategia de contacto de la mayoría de los bancos hace dos años. Un despliegue de IA conversacional concebido para extenderse por varios canales, en lugar de apropiarse de uno solo, es la versión que no hay que reconstruir cada vez que el comportamiento de los clientes cambia de nuevo.

Toda conversación asistida por IA tiene que superar una auditoría

Un despliegue de IA conversacional que no puede producir un registro limpio es un pasivo de cumplimiento normativo a punto de aflorar.

La revisión de la CFPB de 2023 fue explícita en que las respuestas inexactas o incompletas de un chatbot pueden constituir una infracción de la Consumer Financial Protection Act, con independencia de si alguien en el banco pretendía causar el daño. Ese riesgo no desaparece con un modelo mejor; es una cuestión de cumplimiento normativo tanto como de producto. Se aborda a nivel de plataforma, mediante lo que se registra, se conserva y se puede presentar a petición frente a los requisitos regulatorios que correspondan.

Aquí es donde la certificación auditada, y no el lenguaje de marketing, hace el trabajo de convencer, ya se trate de SOC 2, ISO 27001 o PCI DSS para todo lo que toque datos de tarjetas de pago. La plataforma de Unblu cuenta con la certificación SOC 2 Type 2, auditada por BDO conforme a los AICPA Trust Service Criteria, junto con las certificaciones ISO 27001, 27017 y 27018, que cubren la seguridad de las aplicaciones en la nube y la privacidad de los datos. Para un responsable de cumplimiento que evalúa la IA conversacional frente a esos requisitos regulatorios, ese es el caso de uso que hay debajo del caso de uso: no si el bot sabe responder a una pregunta, sino si el banco puede reconstruir exactamente qué dijo y por qué, meses después, a demanda.

El alcance auditado importa tanto como los propios certificados. La atestación SOC 2 Type 2 de Unblu cubre la infraestructura concreta sobre la que se ejecutan las conversaciones, los despliegues en Google Cloud Platform y en Swiss Open Telekom Cloud, respaldados por un SLA comprometido del 99,75 % en Unblu Financial Cloud. Esa es la diferencia entre un proveedor que cita una certificación en abstracto y otro cuyos auditores han examinado de verdad el entorno por el que pasan las conversaciones de los clientes de un banco.

Detectar el fraude antes de que el cliente tenga que denunciarlo

La detección de fraude es uno de los casos de uso que los propios empleados de los bancos más desean automatizar, y la IA conversacional ocupa cada vez más la primera línea.

Los empleados de banca muestran más entusiasmo por que los copilotos de IA generativa automaticen la detección de fraude que por casi cualquier otra aplicación, según la investigación de Capgemini, por delante de la visualización de datos y la redacción de contenido personalizado para clientes. En la práctica, eso significa que la misma capa conversacional que atiende una consulta de saldo puede mostrar también una alerta de fraude o de seguridad en cuanto un patrón de transacciones parece anómalo, avisando al cliente o al asesor antes de que se llegue a plantear una disputa.

Esto se solapa de forma deliberada con el caso de uso de preparación para auditorías de más arriba. Una alerta de fraude entregada por un canal registrado y auditable cumple dos funciones a la vez: señala la anomalía y crea el registro que necesitaría un equipo de cumplimiento si esa señal acaba convirtiéndose en una disputa formal.

El caso de la productividad va más allá del cliente, hasta las personas que están detrás del bot

El caso de uso de IA conversacional más duradero no es de cara al cliente en absoluto. Es lo que el bot permite hacer después al asesor o al agente.

McKinsey estima que la IA generativa podría añadir entre 200.000 y 340.000 millones de dólares de valor anual a la banca, el equivalente a entre un 9 y un 15 % del beneficio operativo del sector, y se prevé que la mayor parte proceda de ganancias de productividad y no de nuevos ingresos. Los casos de uso de cara al cliente de la IA conversacional son los visibles. Aquí es donde se acumula realmente la mayor parte del valor.

En los contact centers de asesoramiento patrimonial en concreto, Capgemini comprobó que la IA conversacional puede reducir en un 26 % las llamadas gestionadas por personas y hasta en un 30 % los costes de servicio en un plazo de 12 a 24 meses, y un banco de inversión británico anonimizado elevó la contención del chatbot del 30 % a entre el 65 y el 70 % en el proceso. El propio despliegue de PostFinance comunica ganancias de eficiencia equivalentes a unos 40 puestos a tiempo completo, logradas mediante la automatización en todos los canales que gestiona.

Cifras así rara vez aparecen en un panel de cara al cliente, y por eso mismo este caso de uso queda infravalorado en la mayoría de los casos de negocio de IA conversacional. El resultado más medible del bot no es la conversación que mantiene. Es la conversación que quita del día de otra persona, y la cifra de 40 puestos a tiempo completo de PostFinance es uno de los pocos lugares donde esa estimación abstracta de McKinsey se convierte en un número en torno al cual un responsable de contact center puede planificar una plantilla.

Lo que une a estos siete

Ninguno de estos casos de uso trata realmente del bot. Tratan de dónde decide un banco poner el traspaso: qué conversaciones deja ir por completo, cuáles pasa a una persona y cuándo, y qué se registra por el camino. Si esa secuencia se acierta, un despliegue de IA conversacional acumula valor a la vez en coste de servicio, tiempo de los asesores y preparación para auditorías. Si se falla, solo traslada el mismo cuello de botella una pantalla más atrás, que es exactamente el resultado que hay detrás de la cifra del 61 % de Capgemini al principio de este artículo.

Nada de esto exige, además, pasar a un agente de IA totalmente autónomo. Cada uno de estos siete patrones funciona con una capa conversacional combinada con supervisión humana en el momento adecuado, muy lejos del territorio de la Agentic AI al que apuntan ahora algunos despliegues del sector bancario.

PostFinance, BPER Banca y Swiss Post llevan despliegues bastante distintos, de absorción de volumen minorista, de servicio asistido por asesores y de orquestación multicanal respectivamente, pero cada una trata el diseño del traspaso como el verdadero producto, no como un añadido posterior a un chatbot. Ese es el patrón que merece la pena copiar, más que cualquier proveedor o modelo concreto.

Unblu lo respalda con Secure Messenger, Live Chat y Co-Browsing, desplegables en cloud, en la nube soberana suiza o on-premise según los requisitos de residencia de datos de cada banco.