Asistentes de IA en la banca peruana: el siguiente paso exige datos y confianza

Contexto

La conversación empieza a ocupar un lugar más importante en la experiencia bancaria digital. Para los equipos que construyen estos servicios, la pregunta ya va más allá de cómo responder una consulta: también importa cómo conectar una intención con información confiable y, cuando corresponda, con una operación autorizada.

En Perú, este cambio combina servicios existentes y una visión todavía en desarrollo. Entender la diferencia permite evaluar la innovación con más precisión y evita presentar cualquier chatbot como un agente capaz de gestionar dinero.

La noticia: una dirección de cambio, sin confundirla con un lanzamiento

El 15 de octubre de 2026, El Comercio informó que Rafael Lemor, gerente de IA de Credicorp, planteó una evolución hacia asistentes que ejecuten tareas con autonomía definida por el usuario. En la misma conferencia del BCP, Patricia Wissar anunció una próxima renovación de la experiencia de su aplicación. La información describe una dirección estratégica; no confirma que Banca Móvil BCP ya ofrezca un agente autónomo ni señala una fecha de lanzamiento para esa capacidad. [1]

La pregunta práctica es qué hace falta para pasar de esa visión a una experiencia cotidiana que el cliente pueda comprender y controlar.

Qué existe hoy y en qué canal

Las páginas oficiales muestran distintos puntos de partida:

• BCP presenta Clara con IA generativa en WhatsApp para consultas sobre productos e información bancaria. Esto no acredita la misma integración dentro de Banca Móvil. [2]
• BBVA Perú permite acceder a Blue desde su app para consultas y orientación, con derivación a un asesor. La página no demuestra ejecución autónoma de transferencias. [3]
• Interbank anunció el 6 de marzo de 2024 que AVI estaba integrado en su aplicación para responder consultas. [4]
• Los términos actuales de Mibanco describen una interfaz de WhatsApp basada en IA que permite contratar determinados productos. También advierten sobre posibles errores y contemplan asistencia humana. [5]

Otro anuncio relevante, fechado el 10 de agosto de 2026, es el acuerdo de Interbank con Anthropic para ampliar el uso empresarial de IA. Ese acuerdo no equivale a anunciar un asistente Claude para clientes dentro de la app. [6]

Estas diferencias importan: canal, tecnología y alcance funcional son dimensiones distintas. Tener un asistente disponible no permite deducir qué modelo utiliza, qué información puede consultar o qué acciones puede ejecutar.

Tres niveles que conviene separar

El siguiente marco es un análisis de Cloudata para evaluar productos; no describe una arquitectura confirmada de los bancos mencionados.

El primer nivel es responder. El asistente explica cómo funciona un producto o dónde encontrar una opción. Aquí, el principal desafío es recuperar información vigente y reconocer cuándo la pregunta supera su alcance.

El segundo nivel es interpretar. Una pregunta como “¿cómo cambiaron mis gastos este mes?” exige acceder a movimientos autorizados, definir períodos y categorías, y explicar los resultados. Una respuesta fluida puede ser incorrecta si los datos están incompletos o si una devolución se cuenta como un ingreso ordinario.

El tercero es actuar. Una instrucción que modifica el estado de una cuenta necesita un proceso diferente al de una explicación. Debe quedar claro qué solicitó la persona, qué está por ocurrir, qué requiere confirmación y cuál fue el resultado efectivo.

Esta separación ayuda a diseñar pruebas y permisos específicos. También facilita que el usuario entienda por qué una consulta se resuelve inmediatamente mientras otra requiere pasos adicionales.

La integración define la utilidad

Como propuesta de implementación, el modelo de lenguaje debería trabajar sobre servicios delimitados. La interfaz conversacional interpreta la solicitud; los sistemas autorizados entregan información o procesan operaciones bajo reglas verificables.

Esto obliga a resolver preguntas prácticas antes de diseñar una conversación atractiva. ¿Qué sistema es la fuente válida para un saldo? ¿Cómo se identifica una operación pendiente? ¿Qué ocurre si dos servicios responden con horarios de actualización diferentes? ¿Cómo se evita repetir una instrucción cuando falla la conexión?

Un equipo puede organizar la integración alrededor de contratos claros: entradas aceptadas, respuestas esperadas, errores posibles y condiciones para continuar. La calidad de estos contratos influye directamente en lo que el asistente puede prometer.

Conviene además separar el conocimiento general de los datos particulares del cliente. Una explicación sobre una comisión y la verificación de un cargo concreto requieren fuentes y autorizaciones diferentes. Mezclarlas sin control dificulta detectar errores y explicar de dónde salió una respuesta.

La confianza se diseña en cada paso

En nuestra lectura, una experiencia confiable muestra límites comprensibles. El cliente necesita saber si está recibiendo una explicación, una estimación o la confirmación de una operación registrada.

Cuando una acción puede producir consecuencias, la interfaz debería presentar los datos relevantes antes de ejecutarla. El nivel de verificación puede variar según el riesgo, pero una conversación natural no elimina la necesidad de identidad, permisos y consentimiento.

También importa cómo se presenta la incertidumbre. Si el asistente no encuentra un movimiento o recibe información incompleta, debería decirlo y ofrecer una ruta de resolución. Completar una respuesta con una suposición puede convertir un problema de datos en un problema de confianza.

La continuidad con atención humana es parte del diseño. Una derivación útil conserva el contexto necesario, evita preguntas repetidas y permite revisar qué intentó hacer el usuario. Todo ello debe construirse con controles de acceso y minimización de datos, en lugar de trasladar indiscriminadamente el historial completo.

Medir resultados, no solamente conversaciones

Para una implementación gradual proponemos medir tareas resueltas correctamente, respuestas respaldadas por fuentes vigentes, errores detectados, derivaciones útiles y comprensión de las confirmaciones. La velocidad de respuesta sirve, pero no reemplaza la verificación del resultado.

Un piloto acotado permite probar consultas frecuentes antes de incorporar acciones más sensibles. Las evaluaciones deberían incluir lenguaje ambiguo, solicitudes fuera de alcance, interrupciones y discrepancias entre sistemas. Son situaciones que revelan si la experiencia sigue siendo segura cuando abandona el escenario ideal.

La banca conversacional abre una oportunidad real para simplificar interacciones. Convertirla en valor sostenido exige un trabajo menos visible: datos consistentes, integración robusta, permisos explícitos y mecanismos para corregir errores. La próxima evolución de la app dependerá tanto de esas decisiones como de la capacidad del modelo para conversar.