julio 30, 2026 · 6min de lectura
Lo que consideramos que los nuevos informes Gartner® Hype Cycle™ señalan sobre las tendencias en prevención del fraude
Los bancos están rodeados de proveedores que les aseguran que la IA transformará la prevención del fraude. Lo que les falta es una forma confiable de saber cuáles de esas afirmaciones ya son una realidad y cuáles siguen siendo puramente aspiracionales.
Desde nuestra perspectiva, ese es el verdadero valor de la investigación Gartner Hype Cycle. Mapea la posición real de una tecnología, independientemente de lo que sostienen los proveedores. En junio de 2026, Gartner publicó cuatro nuevos informes sobre la IA en el sector bancario: Hype Cycle for Artificial Intelligence in Banking, 2026, Hype Cycle for Banking Customer Experience, 2026, Hype Cycle for Data and Analytics in Banking, 2026, y Hype Cycle for AI-Driven Trade Finance Transformation in Banking, 2026.
El informe general para el sector bancario inicia con una observación contundente: “La adopción de la IA en la banca está aumentando drásticamente, sin embargo, solo el 38% de las organizaciones obtienen beneficios financieros.”1
En Feedzai estamos entusiasmados por ser reconocidos en estos cuatro informes. Tres de ellos se destacan en particular: Hype Cycle for Artificial Intelligence in Banking, 2026,1 Hype Cycle for Banking Customer Experience, 2026,2 y Hype Cycle for Data and Analytics in Banking, 2026.3 Sin embargo, a nuestro juicio, la historia principal no gira en torno a los proveedores, sino en lo que la curva de madurez revela sobre dónde deberían estar invirtiendo los bancos ahora, qué deberían vigilar de cerca y ante qué discursos comerciales deberían mostrarse más escépticos.
El aprendizaje automático ya ha entrado en la meseta de productividad
El informe Hype Cycle for Artificial Intelligence in Banking, 2026 ubica al aprendizaje automático (machine learning – ML) en la banca dentro de la fase “Entrando en la Meseta” (Entering the Plateau), con una calificación de beneficio “Transformacional” (Transformational) y una penetración de mercado de “más del 50% del público objetivo”. Para nosotros, esta es una señal clara de que la detección de fraudes basada en ML, la toma de decisiones crediticias y el monitoreo de PLA (prevención del lavado de activos) ya no son apuestas emergentes, sino prácticas totalmente consolidadas.
No obstante, no consideramos que “maduro” sea sinónimo de “resuelto”. Uno de los obstáculos señalados en el informe es que “los modelos de ‘caja negra’ reducen la confianza de las empresas, los reguladores y los clientes, y limitan la claridad sobre las transacciones rechazadas.”1 Este es el mismo problema que los organismos reguladores plantean constantemente, representando un desafío tanto de gobernanza como de tecnología.
A nuestro entender, la tecnología ha madurado a un ritmo más acelerado que las prácticas de gestión de riesgos de modelos y de explicabilidad que la rodean. Para los líderes de riesgo y cumplimiento (compliance), la pregunta ya no es si se debe adoptar el ML (esa decisión quedó atrás hace años), sino si sus prácticas de gestión de riesgos de modelos y de explicabilidad han evolucionado al mismo ritmo.
La simulación es la capa que la mayoría de los bancos aún no ha desarrollado
La ubicación que más nos llama la atención —por figurar en todos los nuevos informes— es la simulación de IA en la banca. Gartner la clasifica con un beneficio “Alto” (High) en una etapa de madurez “Adolescente” (Adolescent), mientras que la matriz de prioridades en todos los informes la sitúa a “5 a 10 años” de una adopción masiva.1 La simulación de IA cobra especial relevancia en la era de los agentes (Agentic era), donde se están creando con rapidez casos de uso cada vez más diversos.
La simulación resuelve un problema concreto y persistente en el ámbito de los delitos financieros: los datos que más se necesitan son precisamente los más escasos. El fraude y el lavado de dinero son, por naturaleza, problemas desbalanceados y de eventos poco frecuentes; los datos históricos por sí solos no pueden anticipar el siguiente patrón de ataque.
Consideramos que los factores citados en los informes para esta categoría coinciden de forma directa con los puntos donde los equipos de prevención del fraude suelen estancarse: generar datos sintéticos realistas cuando los datos reales son escasos, someter los modelos a pruebas de estrés frente a escenarios inéditos y demostrar ante los reguladores que un modelo se mantiene firme bajo condiciones que van más allá de su entrenamiento original. Feedzai es mencionada en Predictive Analytics in Banking dentro del Hype Cycle for Data and Analytics in Banking, 2026,3 y en AI Simulation in Banking dentro del Hype Cycle for Artificial Intelligence in Banking, 2026.1
La simulación y los datos sintéticos no solo constituyen una funcionalidad fundamental de la Plataforma Feedzai, sino que también están disponibles de forma gratuita como parte de nuestra base de código abierto accesible para todos. Desde nuestro punto de vista, esto es clave porque la tecnología que protege a los bancos hoy y la que será determinante en los próximos cinco años o más no son la misma. Los bancos que solo invierten en la primera están optimizando sus sistemas para los patrones de fraude del pasado.
Lo que está sobrevalorado en este momento y por qué es útil saberlo
En nuestra opinión, uno de los aportes más valiosos de estos informes es la claridad con la que identifican lo que actualmente está prometiendo más de lo que puede cumplir.
En el informe Hype Cycle for AI-Driven Trade Finance Transformation in Banking, 2026, tecnologías como la IA basada en agentes para la banca (agentic AI in banking) y la analítica de agentes (agentic analytics) —ambas posicionadas en el punto más alto de la cima— resultan clave para esta transformación, permitiendo a las entidades bancarias agilizar sus operaciones y optimizar la ejecución de transacciones.4
El mismo informe destaca que los asistentes de ventas con IA (AI sales assistants) se han desplazado al “Abismo de la Desilusión” (Trough of Disillusionment), lo que señala una etapa de reevaluación tras el entusiasmo inicial. En cambio, los agentes de IA en pagos (AI agents in payments) continúan ascendiendo hacia el “Pico de Expectativas Infladas” (Peak of Inflated Expectations), impulsados por el creciente interés y las altas expectativas sobre su potencial transformador. Gartner señala que la “IA Generativa en la Banca se ha movido al Abismo de la Desilusión.1” Esta posición refleja una visión más realista sobre sus límites y el esfuerzo requerido para llevarla a escala.
Creemos que esto no significa que dichas tecnologías no vayan a dar resultados eventualmente —de hecho, el informe coincide al otorgar a varias de ellas calificaciones transformacionales a largo plazo en los cuatro documentos. Sin embargo, en nuestra opinión, cualquier proveedor que venda hoy agentes de pago autónomos listos para producción está ofreciendo algo que se encuentra bastante más adelante en la curva de lo que el mercado realmente permite.
Esa brecha entre lo que se puede entregar hoy y lo que aún está en fase de prueba es justamente lo que un Hype Cycle busca visibilizar, sirviendo como un baño de realidad muy útil antes de iniciar cualquier conversación sobre la hoja de ruta (roadmap) basada en promesas de proveedores más que en capacidades actuales.
El patrón que vale la pena considerar para la planificación de 2027
Consideramos que estos informes, analizados en conjunto, transmiten un mensaje claro y coherente. La tecnología que realmente protege a las instituciones en la actualidad puede no parecer deslumbrante, pero es madura y enfrenta una presión creciente para ser explicable.
La tecnología que valdrá la pena seguir de cerca en la siguiente etapa es la simulación, junto con la capacidad de construir una capa de resiliencia que permita a los equipos antifraude prepararse para lo que los datos históricos no pueden revelar.
Esa es una perspectiva mucho más práctica para diseñar una hoja de ruta de IA hacia 2027 que el nombre de cualquier proveedor en cualquier lista.
GARTNER y Hype Cycle son marcas registradas de Gartner, Inc. y/o sus filiales.
Gartner no respalda a ningún proveedor, producto o servicio representado en sus publicaciones de investigación, ni aconseja a los usuarios de tecnología seleccionar únicamente a los proveedores con las calificaciones más altas u otra designación. Las publicaciones de investigación de Gartner consisten en las opiniones de la organización de investigación y consultoría de Gartner y no deben interpretarse como declaraciones de hecho. Gartner renuncia a todas las garantías, expresas o implícitas, con respecto a esta investigación, incluida cualquier garantía de comerciabilidad o idoneidad para un propósito particular.
Preguntas Frecuentes (FAQs)
¿Qué sugieren los informes Gartner® Hype Cycle™ 2026 sobre la IA en la banca?
Los informes Hype Cycle for Artificial Intelligence in Banking, 2026 comienzan con un dato revelador: “La adopción de la IA en la banca está aumentando drásticamente, sin embargo, solo el 38% de las organizaciones obtienen beneficios financieros.” A nuestro modo de ver, esto evidencia una clara división en el panorama de la IA. Consideramos que el aprendizaje automático ha alcanzado la madurez como una práctica consolidada, mientras que la simulación de IA representa una capa emergente clave que la mayoría de los bancos aún no ha desarrollado. Tecnologías como la IA basada en agentes y los agentes de IA en pagos siguen siendo, a nuestro juicio, las más lejanas de ser comprobadas, a pesar de concentrar una atención significativa.
¿Qué significa que el aprendizaje automático en la banca esté "entrando en la meseta"?
El informe Hype Cycle for Artificial Intelligence in Banking, 2026 ubica al aprendizaje automático en la banca en la fase “Entrando en la Meseta”, con una clasificación de beneficio “Transformacional” y una penetración de mercado de “más del 50% del público objetivo”. Desde nuestra perspectiva, esto indica que el ML dejó de ser una apuesta emergente para convertirse en una práctica consolidada. Creemos que la madurez no implica que la tecnología esté resuelta, por lo que los bancos deberían enfocar sus esfuerzos en escalar la gestión de riesgos de modelos y las prácticas de explicabilidad, en lugar de centrarse únicamente en la adopción básica.
¿Por qué es importante la explicabilidad en la prevención del fraude mediante aprendizaje automático?
El informe Hype Cycle for Artificial Intelligence in Banking, 2026 señala que “los modelos de ‘caja negra’ reducen la confianza de las empresas, los reguladores y los clientes, y limitan la claridad sobre las transacciones rechazadas.” A nuestro entender, la tecnología de aprendizaje automático ha avanzado más rápido que las prácticas de gobernanza que la acompañan. Sostener la explicabilidad de los modelos se ha convertido en un requisito normativo y de gobernanza fundamental para las instituciones financieras.
¿Qué es la simulación de IA en la banca?
Los informes Hype Cycle for Artificial Intelligence in Banking, 2026 otorgan a la simulación de IA en la banca una calificación de beneficio “Alto” con una madurez “Adolescente”, mientras que la matriz de prioridades en ambos documentos la sitúa a “5 a 10 años” de una adopción masiva. En nuestra opinión, esta tecnología resuelve uno de los obstáculos más complejos en el combate a los delitos financieros: la falta de los datos más críticos. Creemos que tiene el potencial de permitir que los equipos antifraude se preparen ante patrones de ataque impredecibles mediante datos históricos, generando información sintética, realizando pruebas de estrés en modelos ante escenarios inéditos y demostrando resiliencia ante los entes reguladores.
¿Cómo deberían utilizar los bancos la investigación Gartner Hype Cycle para la planificación de IA hacia 2027?
A nuestro criterio, los informes son muy útiles como un punto de contraste frente a las promesas de los proveedores. Consideramos que la planificación de IA para 2027 debe dar prioridad a escalar la explicabilidad en el aprendizaje automático maduro, monitorear la simulación como una inversión de resiliencia a largo plazo y mantener un escepticismo saludable ante las soluciones “listas para producción” en tecnologías que —como la IA basada en agentes y los agentes de IA en pagos— ambos informes ubican en el Pico de Expectativas Infladas o cerca de él.
Footnotes
All expertise and insights are from human Feedzaians, but we may leverage AI to enhance phrasing or efficiency. Welcome to the future.
