Por Redacción Pangea IA · 14 de octubre de 2026
Los mayores bancos de Wall Street han puesto cifras y advertencias concretas a una paradoja que atraviesa el auge de la inteligencia artificial: obtienen negocio financiando centros de datos y ya registran mejoras de productividad al usar IA, pero al mismo tiempo temen créditos demasiado arriesgados, retornos que no lleguen a tiempo y agentes autónomos capaces de actuar sobre cuentas y sistemas. Las declaraciones, reunidas por Reuters tras los resultados trimestrales de Goldman Sachs, Citigroup, Wells Fargo, Morgan Stanley y JPMorgan, muestran que la IA ha dejado de ser una promesa tecnológica para convertirse en una cuestión de balance, seguridad y control operativo.
La información fue publicada el 14 de octubre a las 16:45 UTC —18:45 en la España peninsular—, después de la revisión editorial anterior de Pangea IA. No significa que los bancos estén pronosticando una crisis ni que hayan detectado pérdidas generalizadas por IA. La novedad es más precisa: las entidades que financian el despliegue y usan la tecnología dentro de sus propias operaciones reconocen dos grupos de riesgo distintos y empiezan a explicar cómo intentan contenerlos.
El primer riesgo: prestar dinero a una infraestructura sin precedentes
La construcción de centros de datos, redes eléctricas, sistemas de refrigeración y capacidad de chips abre uno de los mayores ciclos de financiación de las últimas décadas. Para los bancos, cada proyecto puede generar préstamos, emisiones de deuda, operaciones de capital y servicios de asesoramiento. El problema es que nadie conoce con seguridad cuánta capacidad de cálculo será necesaria, qué instalaciones mantendrán una utilización suficiente ni cuánto tardarán en producir beneficios.
David Solomon, consejero delegado de Goldman Sachs, explicó que la demanda futura de capital y computación solo se aclarará a medida que maduren la tecnología y el mercado. Wells Fargo añadió otra variable: buena parte del despliegue utiliza apalancamiento, de modo que unos tipos de interés elevados pueden encarecer el servicio de la deuda y reducir el retorno de proyectos cuyo éxito depende de contratos futuros.
La advertencia no equivale a afirmar que todos los centros de datos sean especulativos. Algunos cuentan con clientes de gran solvencia, contratos de largo plazo, garantías o activos reutilizables. Otros dependen de previsiones de demanda, suministros eléctricos pendientes y permisos locales. Por eso Morgan Stanley dice aplicar una selección estricta y vigilar que la competencia entre financiadores no relaje los criterios de crédito.
Este enfoque amplía la alerta macroeconómica que ya analizó Pangea IA en la advertencia del FMI sobre una posible corrección de la IA. El FMI miraba la concentración bursátil y la estabilidad financiera; las nuevas declaraciones muestran el problema desde dentro de la banca: quién presta, con qué garantías y qué ocurre si el uso real del cómputo no cubre el coste de la infraestructura.
La demanda sigue fuerte, pero la rentabilidad no está garantizada
Citigroup ofrece el contrapunto más optimista. Su consejera delegada, Jane Fraser, afirmó en la presentación de resultados que los tipos más altos no están frenando la inversión porque continúa faltando capacidad de cálculo y la energía sigue siendo un cuello de botella. Esa observación describe la demanda actual, no garantiza que todos los proyectos sean rentables durante toda su vida útil.
Los bancos distinguen así entre dos preguntas. La primera es si las empresas seguirán construyendo: por ahora, las grandes entidades no ven una desaceleración clara. La segunda es si cada instalación generará ingresos suficientes después de pagar electricidad, chips, terrenos, mantenimiento e intereses. Esa respuesta depende del cliente, el contrato, el coste de financiación y la posibilidad de adaptar la infraestructura cuando cambien los modelos.
Wells Fargo calificó la inversión en IA como una fuerza positiva para la economía, pero también reconoció los riesgos de los tipos, la inflación y el encarecimiento de determinadas cadenas de suministro. Su informe oficial del tercer trimestre muestra además que la entidad elevó la provisión para pérdidas crediticias hasta 1.029 millones de dólares, aunque el documento no atribuye ese incremento específicamente a la IA. Confundir ambas cosas sería incorrecto.
| Frente | Oportunidad | Riesgo que vigilan los bancos |
|---|---|---|
| Centros de datos | Préstamos, deuda, capital y asesoramiento. | Demanda insuficiente, sobrecapacidad o retornos tardíos. |
| Tipos de interés | Financiar proyectos con clientes sólidos. | Mayor coste de deuda y menor margen del proyecto. |
| Uso interno de IA | Más velocidad, automatización y menor gasto. | Resultados difíciles de medir y dependencia tecnológica. |
| Agentes autónomos | Atención, análisis y ejecución de tareas. | Acciones no autorizadas, fraude, ciberataques y responsabilidad. |
El segundo riesgo: agentes que pueden actuar sobre cuentas y sistemas
La otra mitad del problema no está en los préstamos, sino dentro del propio banco. Las entidades usan IA para programar, atender clientes, analizar información y automatizar procesos. Los agentes añaden una diferencia decisiva frente a un chatbot: pueden ejecutar acciones, encadenar herramientas y operar con permisos que tienen consecuencias financieras.
JPMorgan está desarrollando controles específicos para el riesgo de agentes autónomos. Reuters recoge que Jamie Dimon, su consejero delegado, se refirió a herramientas capaces de actuar en nombre del cliente. El reto no es solamente que una respuesta sea incorrecta; es impedir que un sistema transfiera dinero, modifique una instrucción, acceda a datos sensibles o siga órdenes manipuladas sin una autorización válida.
Este riesgo enlaza con la investigación que Pangea IA publicó sobre compras realizadas mediante agentes de IA y las alertas bancarias de fraude. En ambos casos, la seguridad depende de identificar al agente, limitar sus permisos, verificar la intención del usuario y conservar registros que permitan reconstruir cada acción.
Para una entidad financiera, abrir una cuenta a un agente externo o permitirle operar mediante credenciales compartidas plantea problemas de identidad, responsabilidad y prevención del blanqueo. Incluso un agente legítimo puede ser engañado mediante instrucciones maliciosas, datos manipulados o una herramienta comprometida. La solución no consiste en prohibir toda automatización, sino en diseñar límites proporcionales al daño posible.
Citi aporta cifras reales de productividad, con matices
La presentación oficial de Citigroup ofrece una de las mediciones más concretas publicadas hasta ahora por un gran banco. Fraser afirmó que la IA ha acelerado entre un 30 % y un 40 % el lanzamiento de productos. También indicó que 14.000 ingenieros utilizan Devin, su principal herramienta de programación con agentes, y relacionó la internalización de trabajo con una reducción interanual del 30 % en el gasto destinado a proveedores tecnológicos.
Citi añadió que alrededor de un centenar de procesos manuales se han rediseñado o están siendo rediseñados de extremo a extremo. En atención al cliente, sus herramientas funcionan en 82 países y la entidad declara una mejora del 21 % en los tiempos de respuesta. Son cifras comunicadas por la propia compañía, no una auditoría externa, pero permiten ir más allá de las promesas genéricas.
También exigen cautela al interpretarlas. Reducir el gasto en proveedores no equivale a ahorrar esa misma cantidad neta: el banco asume costes de personal, modelos, infraestructura, seguridad y supervisión. Acelerar un lanzamiento tampoco demuestra por sí solo que el producto genere más ingresos o menos incidencias. La métrica útil combina velocidad, calidad, coste total y resultado comercial.
El propio discurso de Citi reconoce el reverso. La entidad somete sus defensas a escenarios exigentes, despliega modelos mediante una capa controlada y trabaja con otras organizaciones porque la IA también amplía las capacidades de los atacantes. El mensaje es coherente: la productividad puede medirse, pero debe avanzar acompañada de pruebas de seguridad y trazabilidad.
Qué pueden aprender las pymes españolas y europeas
Una pyme no necesita reproducir la infraestructura de un banco para aplicar la lección. El primer paso es separar la inversión tecnológica de la expectativa comercial. Comprar licencias, integrar un agente o contratar capacidad de nube solo tiene sentido si se define antes qué proceso mejorará, cuánto cuesta hoy y qué indicador demostrará el retorno.
- Medir el punto de partida: horas empleadas, coste por operación, errores y tiempo de respuesta antes de introducir IA.
- Calcular el coste completo: licencias, integración, formación, revisión humana, seguridad y mantenimiento.
- Limitar permisos: un agente no debería poder pagar, borrar, contratar o modificar datos críticos sin aprobación.
- Registrar acciones: conservar instrucciones, herramientas utilizadas, resultados y decisiones humanas.
- Probar por fases: comenzar con un proceso reversible y ampliar solo si la mejora se mantiene.
Para proyectos con financiación, conviene añadir pruebas de sensibilidad: qué ocurre si el coste de nube sube, si el volumen real es la mitad del esperado o si el proveedor cambia sus precios. Esa disciplina resulta especialmente importante en Europa, donde las empresas deben combinar viabilidad económica con protección de datos, ciberseguridad y las obligaciones que correspondan del Reglamento de IA.
La experiencia de los bancos tampoco puede extrapolarse sin ajustar la escala. Citi dispone de miles de ingenieros y puede sustituir proveedores con equipos internos. Una empresa pequeña quizá obtenga más valor usando un servicio externo bien gobernado. El objetivo no es copiar el porcentaje de ahorro, sino utilizar una contabilidad comparable y controles acordes al riesgo.
No es una señal de colapso, sino de madurez
Las declaraciones no anuncian el fin del ciclo inversor. Citigroup sigue viendo escasez de cómputo; Goldman Sachs considera que la financiación ofrece oportunidades; y Wells Fargo señala que el impulso económico continúa superando por ahora los riesgos. Lo nuevo es que las entidades ya no hablan de IA únicamente como crecimiento: empiezan a describir condiciones de crédito, límites de exposición y amenazas operativas.
Esa transición puede ser saludable. Un mercado maduro diferencia proyectos con contratos y flujos de caja verificables de apuestas basadas solo en demanda futura. Del mismo modo, una empresa madura no despliega un agente por su novedad, sino después de definir identidad, permisos, supervisión y responsabilidad.
Conclusión: dos balances para una misma revolución
La banca observa la IA desde dos balances. En el financiero, debe decidir qué centros de datos y empresas merecen crédito y quién absorberá las pérdidas si las previsiones fallan. En el operativo, tiene que demostrar que la automatización ahorra más de lo que cuesta sin abrir vías de fraude o ciberataque.
Las cifras de Citi muestran que ya existen mejoras mensurables, mientras las advertencias de Goldman Sachs, Wells Fargo, Morgan Stanley y JPMorgan recuerdan que no todos los beneficios llegan al mismo ritmo ni todos los riesgos pueden trasladarse a terceros. Para empresas e inversores, la señal útil no es entusiasmo frente a pesimismo, sino la calidad de las métricas, los contratos y los controles.
Lecturas relacionadas
- El FMI alerta: una corrección de la IA podría sacudir los mercados
- Las tecnológicas respaldan 300.000 millones en IA fuera de balance
- Comprar con agentes de IA: los bancos alertan de fraude
Fuentes consultadas
- Reuters: los bancos de Wall Street afrontan riesgos al financiar y adoptar IA (14 de octubre de 2026; consulta: 14 de octubre de 2026).
- Citigroup: transcripción oficial de resultados del tercer trimestre de 2026 (13 de octubre de 2026; consulta: 14 de octubre de 2026).
- Wells Fargo: resultados oficiales del tercer trimestre de 2026 (13 de octubre de 2026; consulta: 14 de octubre de 2026).
Deja una respuesta