Agentes de IA en gestión patrimonial: Arca deja que la IA lleve el proceso, pero solo un humano mueve el dinero

«Los agentes le piden cosas a las personas más de lo que las personas se lo piden a los agentes». Con esa frase, Aman Singh, ingeniero líder de IA en Arca, resume una idea que cambia cómo se diseñan los agentes de IA en gestión patrimonial: la máquina hace el trabajo pesado y marca el ritmo, pero la decisión final, sobre todo cuando hay dinero de por medio, sigue en manos de un asesor humano. Arca, una firma de gestión de patrimonio «nativa de IA», acaba de levantar $48,5 millones en una ronda liderada por General Catalyst, con Index Ventures y Venrock.

Singh lo contó en AI Engineer New York y en el podcast de Latent Space. Lo más revelador es la naturaleza del trabajo financiero: es de largo horizonte, aunque no de larga ejecución. Una tarea de un agente en Arca puede durar hasta diez días, con pausas, muchos actores, puntos de decisión y traspasos. Para sostenerlo, la firma construyó un sistema de memoria por cliente que registra qué ha pasado, qué se vigila a corto y largo plazo y quién es responsable de cada acción. Los agentes alimentan esa memoria. Además, Arca usa modelos de Anthropic y OpenAI (Claude es el principal), pero opera su propio harness, que elige automáticamente el mejor modelo para cada tarea según benchmarks internos. Ser dueña de esa capa le permite cambiar de proveedor sin rehacer el sistema.

Guardrails deterministas: por qué el agente no mueve dinero

El rol del agente se limita a analizar y proponer. Operar en bolsa o mover fondos lo hace un asesor. «Todas nuestras restricciones de seguridad son totalmente deterministas», explicó Singh, «y le quitan la decisión de las manos al agente». Es decir, reglas de código, no instrucciones en un prompt que el modelo podría ignorar.

El agente tampoco corre aislado sin más: usa sandboxes para computar y, cuando el código que escribe necesita consultar datos sensibles, un sistema traduce esa lógica a un formato estricto, descarta el código y aplica guardrails sobre ese formato antes de que llegue al backend. Así puede agregar y procesar datos para armar un plan financiero sin acceso libre. A esto se suman verificaciones contra amenazas conocidas como la inyección de prompts.

El ciclo de mejora también destaca: un meta-agente analiza el feedback de los asesores y las trazas de los agentes para proponer cambios al harness. Esto mejora el sistema sin depender solo de ingenieros.

Lo que dicen otros casos del sector

Arca no está sola en esta filosofía. Según Codebridge, el análisis de Accenture de enero de 2026 sitúa a solo un tercio de las firmas financieras con IA escalada en procesos centrales; los otros dos tercios siguen en piloto, y lo que los separa rara vez es el modelo. Los sistemas que llegan a producción comparten rasgos: flujos con inicio y fin definidos, sistema de registro identificado y un límite de aprobación decidido antes de elegir el modelo.

Morgan Stanley lo ilustra: su herramienta Debrief resume reuniones con clientes (con su consentimiento), redacta el correo de seguimiento y guarda la nota en Salesforce, pero el asesor edita y envía. Codebridge reporta una adopción voluntaria del 98%. Por su parte, Kore.ai recuerda lo que está en juego: pérdidas por fraude superiores a $190.000 millones y equipos de cumplimiento que dedican hasta 42% de su presupuesto a falsos positivos.

Cómo aplicar los agentes de IA en gestión patrimonial en tu empresa

Aunque no seas una firma financiera, el patrón sirve para cualquier proceso regulado o de alto riesgo:

Define el límite de autonomía primero. Lista qué puede ejecutar el agente solo, qué debe aprobar una persona y qué dispara una escalada. Hazlo antes de elegir el modelo.

Implementa guardrails deterministas. Las acciones de riesgo (pagos, cambios de contrato, envíos masivos) deben bloquearse por código, no por instrucciones al modelo. Es la lección de fondo de la evaluación de agentes de IA en producción tras el caso del agente de AWS que confundió $410 con $410 millones.

Dale memoria persistente al proceso. Si tus flujos duran días y pasan por varias manos, registra por caso el estado, los próximos pasos y los responsables. Sin eso, el agente pierde el hilo.

Considera ser dueño del harness. Enrutar entre modelos según benchmarks propios reduce la dependencia de un solo proveedor y te permite negociar costos, algo que también buscan Revolut, Lloyds y bunq con modelos abiertos.

Convierte el feedback humano en mejora continua. Guarda las correcciones de tus expertos junto con las trazas del agente y úsalas como evaluaciones.

Diseña para la auditoría desde el día uno. Registra cada acción de forma que un auditor pueda revisarla, como logró Capital One al reducir 85% los errores de auditoría.

Cuándo es el momento de adoptar

El mejor momento no depende de que los modelos sean perfectos, sino de que tengas un flujo acotado, datos controlados y un responsable humano claro. Arca demuestra que se puede invertir la lógica habitual: en vez de que la persona dirija a la IA, la IA organiza el trabajo y pide intervención solo donde importa.

La pregunta para tu equipo es sencilla: ¿en qué proceso largo, con muchos traspasos y decisiones, podrías probar agentes que propongan y personas que decidan? Quien responda primero a eso tendrá una ventaja real en agentes de IA en gestión patrimonial y en cualquier sector donde la confianza sea el producto.