IA en servicios financieros: Revolut, Lloyds y bunq construyen su propia inteligencia con modelos abiertos y recortan hasta 60% el costo por respuesta

Un asistente bancario que iguala la calidad de los mejores modelos cerrados cuesta un 60% menos por respuesta. Ese es el dato que bunq presentó en GTC Berlin, y resume hacia dónde se mueve la IA en servicios financieros en Europa: menos dependencia de proveedores de modelos cerrados y más inteligencia propia, entrenada con datos propios y ejecutada en infraestructura controlada. No es un experimento de laboratorio. Revolut ya opera su modelo fundacional PRAGMA en producción para 80 millones de clientes y lo ha diseñado para escalar hasta 3 veces esa cifra.

La lista de casos es larga. Revolut está reconstruyendo su stack tecnológico sobre un único modelo fundacional de transacciones, con GPU NVIDIA Blackwell Ultra y las herramientas cuDF y Dynamo-Triton. Lloyds Banking Group creó ATUM, que convierte miles de millones de transacciones en inteligencia reutilizable para casos de uso de todo el banco. Starling Bank se convirtió en el primero en entrenar un modelo agéntico sobre nube soberana británica (la de Civo) con sus propios datos transaccionales. Santander adopta los modelos abiertos Kumo para datos financieros estructurados, y Modulr desarrolla modelos especializados para pagos sobre Nemotron-3-Ultra-550B. En fraude, HSBC logra un procesamiento de datos 5 veces más rápido con el motor GPU de Starburst, y Stripe reporta pipelines 42 veces más rápidos y un 92% de ahorro en Stripe Radar. Ojo: esa cifra de Stripe proviene de pruebas offline, y todo el conjunto de datos se presentó en un evento de NVIDIA, que vende el hardware sobre el que corre todo. Conviene leer los números como señales de dirección, no como garantías para tu caso.

Por qué los modelos de pesos abiertos cambian la economía de la IA bancaria

La idea de fondo es simple: los modelos de pesos abiertos permiten que un banco adapte, ajuste y despliegue el modelo donde quiera, sin enviar datos sensibles a un tercero. Eso resuelve tres problemas a la vez: costo, cumplimiento normativo y diferenciación. Si todos tus competidores consumen la misma API cerrada, tu ventaja competitiva se parece mucho a la de ellos. Si entrenas sobre años de transacciones propias, el modelo refleja lo que solo tú sabes de tus clientes.

El caso de SBS apunta en la misma dirección: lanzó una plataforma de inteligencia soberana para que los bancos ejecuten modelos generativos y agénticos sin que los datos salgan de sus muros. Es la misma lógica que alimenta la migración a proveedores locales que analizamos en el giro hacia la soberanía digital de las empresas europeas. Otras aplicaciones del paquete muestran que el enfoque no se limita al chat. NatWest desarrolla reconocimiento de voz que entiende acentos y dialectos británicos con terminología financiera. LSEG analiza datos históricos de mercado hasta 10 veces más rápido. RavenPack convierte una hipótesis escrita en lenguaje natural en un conjunto de datos listo para backtesting.

Qué puedes aplicar en tu empresa

No hace falta ser Revolut para extraer lecciones útiles. Estas son las que más se repiten en los casos:

Empieza por el dato que ya tienes. Lloyds, Starling y Revolut parten de sus propias transacciones. Antes de elegir un modelo, audita qué datos propios, limpios y accesibles tienes y quién es su dueño.

Mide el costo por respuesta, no solo la calidad. bunq no dijo que su modelo abierto fuera mejor, sino que igualaba a los cerrados a un 60% del costo. Define tu métrica unitaria (costo por consulta, por caso resuelto) y compara alternativas con ella. Un enfoque similar, con otro patrón técnico, está detrás de la arquitectura híbrida local-first que recortó 75% el costo de IA.

Ataca primero los cuellos de botella de datos. Los mayores saltos (42x en Stripe, 5x en HSBC) vienen de acelerar pipelines, no de un modelo más grande. Si tu equipo de fraude espera horas por sus datos, ahí está tu primer proyecto. Para ver cómo se traduce esto en resultados de negocio, mira cómo Kueski bajó el fraude BNPL del 15% al 4%.

Decide dónde viven los datos antes de escalar. Si operas en un sector regulado, la nube soberana o el despliegue en infraestructura propia es una decisión de arquitectura temprana, no un parche posterior.

Prefiere modelos especializados a un modelo para todo. Modulr y Santander construyen modelos para partes concretas de su operación. Es más fácil de evaluar, de auditar y de justificar ante el regulador.

Valida con pruebas en producción. El propio caso de Stripe recuerda que las pruebas offline no son producción. Planifica un piloto con tráfico real y criterios de salida claros.

El momento de decidir

El patrón es claro: los neobancos como Revolut, bunq y Starling se movieron primero, pero los bancos tradicionales (Lloyds, Santander, HSBC, NatWest) ya están en la misma ruta. Esperar a que la tecnología «madure» tiene un costo, porque quienes entrenen hoy sobre sus datos acumularán ventaja en la próxima ola. Aun así, la hoja de ruta sensata no consiste en copiar la infraestructura de Revolut, sino en elegir un caso acotado (atención al cliente, fraude o análisis de datos), medirlo con rigor y decidir con cifras si el modelo abierto compensa.

La pregunta para tu comité de dirección ya no es si usar IA en servicios financieros, sino quién controlará la inteligencia que se construya con tus datos: tú o tu proveedor. ¿Sabes hoy cuánto te cuesta cada respuesta de tu asistente y qué parte de tus datos sale de tu perímetro?