La inversión en IA financiera se dispara, pero el retorno sigue sin estar claro

La inteligencia artificial ya no es una apuesta marginal para bancos, aseguradoras, gestoras y otras compañías financieras. La inversión crece y la adopción es generalizada. Sin embargo, el dato que define el momento del sector no es cuánto se está gastando, sino cuántas organizaciones pueden demostrar que ese gasto mejora ingresos, reduce costes, controla riesgos o eleva la experiencia del cliente.

Quinlan & Associates estima que los servicios financieros invirtieron 76.000 millones de dólares en iniciativas relacionadas con IA en 2025 y prevé que el gasto del sector supere los 130.000 millones de dólares en 2030. 14 A la vez, el 95% de las instituciones financieras tradicionales está explorando la IA o ya la utiliza en sus operaciones, pero el 71% reconoce dificultades para lograr o demostrar un retorno de la inversión (ROI) claro. 3

Mucha actividad, poco valor verificable

Esta brecha importa porque adoptar herramientas no equivale a crear valor sostenible. Las organizaciones pueden contratar modelos, lanzar pruebas de concepto y acumular pilotos sin modificar los procesos, las responsabilidades y los controles necesarios para obtener un resultado financiero medible.

Los hallazgos vinculados a Quinlan también apuntan a que el 43% de las iniciativas de IA se cancela. 15 El problema, por tanto, no parece ser la falta de interés ni de presupuesto, sino la incapacidad de llevar una parte relevante de esos proyectos desde la experimentación hasta una operación estable y escalable.

Los tres frenos que identifica Quinlan

Quinlan atribuye la dificultad para materializar retornos a tres obstáculos conectados entre sí:

1. Una estrategia centrada en la tecnología. Algunas entidades empiezan por una herramienta disponible en vez de partir de un problema de negocio bien definido, un recorrido de cliente, un cuello de botella operativo y una meta concreta de valor. Así resulta más difícil elegir casos de uso con una vía creíble hacia el impacto. 6
2. Gobernanza incorporada demasiado tarde. Si las áreas de riesgo, cumplimiento y control entran solo como una fase de aprobación posterior al diseño, los equipos pueden descubrir limitaciones después de haber comprometido tiempo y dinero. 6
3. Modelos operativos que no están preparados para escalar. Datos fragmentados, bases de implementación débiles y una capacidad insuficiente para gobernar, desplegar y ampliar la IA pueden dejar iniciativas prometedoras atrapadas entre el piloto y la adopción corporativa. 6

Son, sobre todo, problemas de ejecución. La tecnología puede estar disponible, pero sin procesos rediseñados, datos fiables, responsables claros y métricas de negocio, la inversión difícilmente se traduce en resultados duraderos.

La gobernanza no es un freno al ROI: es parte de cómo se consigue

En las finanzas, una gobernanza de IA sólida no está separada del rendimiento comercial. Determina si un caso de uso puede aprobarse, desplegarse, supervisarse y utilizarse con el nivel de autonomía que exige su justificación económica.

El manual del Foro Económico Mundial para servicios financieros recomienda integrar la gestión de riesgos y las prácticas de IA responsable en todas las capas: definir desde el principio el apetito de riesgo, validar rigurosamente los modelos y garantizar que las acciones de la IA sean explicables, trazables y controlables. 1

Estas condiciones ganan peso a medida que las empresas pasan de sistemas que asisten a empleados a otros capaces de ejecutar acciones de varios pasos. Límites claros, vías de escalado y supervisión humana pueden reducir la incertidumbre operativa que impide ampliar los casos de uso con mayor potencial.

La evidencia sectorial también apunta a la importancia de los fundamentos. La encuesta de IIF-EY sitúa la calidad y la disponibilidad de los datos entre los principales desafíos para desplegar IA en producción, junto con la necesidad de personal cualificado y salvaguardas de gobernanza. 4

BCG y NVIDIA: resultados desiguales, no ausencia de resultados

Las investigaciones de BCG y NVIDIA respaldan, desde muestras y métricas distintas, el diagnóstico de Quinlan: la IA puede dar retorno, pero no de forma automática.

BCG encuestó a más de 280 ejecutivos de finanzas y encontró un ROI mediano declarado del 10% para IA e IA generativa, por debajo del 20% al que aspiraba buena parte de los participantes; casi un tercio afirmó haber obtenido ganancias limitadas. 43 En otro estudio de más de 1.250 empresas, BCG concluyó que solo el 5% estaba obteniendo valor de la IA a escala, mientras que el 60% reportaba poco valor material pese a inversiones sustanciales.

La encuesta de NVIDIA de 2025 para servicios financieros muestra el otro lado: algunos usos ya desplegados sí están produciendo beneficios concretos. Cerca del 70% de los encuestados dijo que la IA había impulsado aumentos de ingresos de al menos el 5%, y más del 60% señaló reducciones de costes anuales de al menos el 5%. La negociación y optimización de carteras, así como la experiencia del cliente, fueron los principales casos de uso de IA generativa por ROI reportado.

Los resultados no se contradicen. La diferencia está en la ejecución: seleccionar un caso de uso de alto valor, transformar el flujo de trabajo relacionado, construir datos y controles confiables, y medir el efecto operativo y financiero.

El desafío pasa de adoptar a ejecutar

La señal más clara del informe de Quinlan es el contraste entre inversión, participación y valor realizado: 76.000 millones de dólares invertidos en 2025, actividad de IA en la gran mayoría de las instituciones y persistentes dificultades para demostrar el retorno. 14 3

Para los directivos del sector financiero, la respuesta práctica pasa por tratar la IA como un programa de transformación empresarial, y no como una cartera de pilotos desconectados. Eso implica comenzar con un objetivo de negocio medible; fijar requisitos de riesgo y gobernanza antes del desarrollo; asignar responsables de los resultados; y seguir métricas durante todo el ciclo de vida tras el despliegue.

BCG plantea una receta similar para las compañías que capturan valor significativo: concentrarse en pocas iniciativas, escalarlas con rapidez, cambiar procesos centrales, capacitar a los equipos y medir sistemáticamente los retornos operativos y financieros.

La próxima brecha competitiva, por tanto, no separará a las entidades que tienen IA de las que no la tienen. Separará a quienes son capaces de operarla de forma segura, medible y escalable en procesos críticos de quienes siguen acumulando experimentos sin una ruta repetible hacia el valor.