a16z: La conformidad está en todas partes, una pista de IA con enormes oportunidades

Autor: James da Costa, Angela Strange; Fuente: a16z; Traducción: Shaw, Jinjie Caijing

En los últimos veinte años, la profesión de mayor crecimiento en Estados Unidos ha sido la de manicurista y terapeuta podal.

Y justo después, está el especialista en cumplimiento.****

El volumen de negocios de cumplimiento es mucho mayor de lo que la mayoría imagina. Cada entrada y salida de fondos de una empresa está bajo regulación de cumplimiento: pagar salarios debe cumplir con las leyes laborales, declarar ingresos debe ajustarse a los requisitos fiscales, las transferencias de fondos deben seguir reglas de pago y anti lavado, y los procedimientos de verificación de identidad del cliente también están regulados. En industrias altamente reguladas, incluso la forma y frecuencia de comunicación entre empresas y clientes se consideran parte de la gestión de cumplimiento.

Actualmente, en EE. UU., hay más de 400,000 profesionales en cumplimiento en activo, con un gasto anual en recursos humanos que supera los 40 mil millones de dólares, y los trabajos relacionados con consultoría y externalización generan otros cientos de millones de dólares en gastos adicionales. Solo en la banca, entre 2010 y 2014, el número de regulaciones añadidas en la Sección 12 del Código Federal de Regulaciones (banca y operaciones bancarias) superó todo el contenido de esa sección en 1980.

A pesar de la fuerte demanda del mercado, la oferta de talento en cumplimiento sigue siendo escasa. La Oficina de Estadísticas Laborales de EE. UU. predice que en los próximos diez años, la brecha de profesionales en cumplimiento será de más de 33,300 cada año. La situación actual del sector agrava aún más la escasez: el 87% de los nuevos en el campo terminan dejando el trabajo, con una tasa de rotación anual superior al 20%, creando un ciclo constante de contratación y pérdida de profesionales especializados.

Con un entorno comercial global cada vez más complejo, las empresas enfrentan un aumento en las regulaciones y leyes, pero su respuesta sigue siendo muy homogénea: simplemente aumentan el personal para resolver los problemas.

Pero la realidad demuestra que sumar más personal no produce los resultados deseados. Por ejemplo, el Banco de Toronto (TD Bank) fue multado con 3 mil millones de dólares en 2024 por no haber monitoreado eficazmente el 92% de sus transacciones. Desde 2018, la entidad acumuló hasta 70,000 alertas de riesgo, sin poder gestionarlas a tiempo.

El Banco de Toronto no es un caso aislado. En la última década, casi todas las grandes instituciones financieras han enfrentado problemas de expansión de sus equipos y acumulación de tareas, mientras que gran parte del trabajo sigue dependiendo en gran medida de operaciones manuales, sin cambios significativos en la situación.

El trabajo de cumplimiento es una tarea tediosa: procesos complejos, burocracia excesiva y dependencia prolongada de documentos en papel, lo que mantiene el trabajo manual y los costos laborales elevados. Estas dificultades inherentes y la inercia del sector han convertido al cumplimiento en un “Waterloo” para muchas startups.

¿Pero por qué ha cambiado la situación?

1. La transformación tecnológica: de “solo piloto” a “confiable”

Un producto si solo es funcional, tiene un mercado muy limitado; pero una vez perfeccionado al máximo, puede ampliar su escala en cien veces. El sector de cumplimiento es exactamente así: un producto con una precisión del 90% en realidad no satisface completamente los requisitos.

El procesamiento de documentos es uno de los pasos centrales en el trabajo de cumplimiento y un ejemplo claro. La tecnología de Reconocimiento Óptico de Caracteres (OCR) lleva décadas existiendo, y puede realizar reconocimiento de texto con bastante precisión. Pero en escenarios como auditorías hipotecarias, acceso a empresas o verificaciones de reclamaciones de seguros, “básicamente útil” no basta. Hoy en día, los modelos de lenguaje visual (VLM) no solo reconocen contenido, sino que también comprenden el contexto general del documento, reduciendo significativamente los errores, y las empresas están adoptando masivamente estas tecnologías y firmando acuerdos de colaboración. Esto no es una simple iteración técnica menor, sino un salto clave: de “solo para pruebas piloto” a “suficientemente confiable para operaciones críticas”.

Además, la inteligencia artificial posee varias capacidades poderosas: Primero, puede leer, extraer información y razonar con una precisión cercana a la humana, ya sea en documentos de constitución, informes financieros o PDFs de regulaciones de 400 páginas, todo de manera eficiente. Segundo, los agentes inteligentes pueden operar sistemas antiguos como si fueran humanos, sin esperar desarrollo de interfaces ni meses de integración. Tercero, soportan tareas de larga duración en cadenas de procesos completas: pueden extraer datos, cruzar bases, marcar anomalías, generar y presentar informes, en lugar de solo asistir en tareas individuales.

En el ámbito legal, los grandes modelos de lenguaje se están volviendo cada vez más diversos y precisos, lo que ha dado confianza a los equipos del sector para adoptar AI a gran escala. Actualmente, varios modelos de lenguaje en pruebas legales en el conjunto de datos LegalBench alcanzan puntuaciones entre 80% y 100% en 162 tareas de razonamiento legal. Esto es muy relevante para el cumplimiento, ya que en esencia, el cumplimiento consiste en aplicar lógica legal en escenarios de negocio reales: leer regulaciones, compararlas con la situación concreta, identificar irregularidades y marcar cláusulas ambiguas.

2. Ciclo de ventas: de lento a rápido

Hoy en día, el riesgo de no actualizar los sistemas de cumplimiento supera por primera vez el riesgo que implica una transformación. Durante mucho tiempo, las empresas reguladas han utilizado herramientas de gestión, riesgos y cumplimiento (GRC) complejas y sistemas antiguos con poca estabilidad. Esto se debe a que migrar sistemas genera mucha resistencia, y en caso de fallos en auditorías, los costos son muy altos; en comparación, mantener el status quo y “apenas suficiente” parece más seguro.

Pero la inteligencia artificial ha cambiado radicalmente este escenario. El departamento de cumplimiento ya no es solo un centro de costos, sino que se convierte en un motor de ingresos. En servicios financieros, mejorar la eficiencia en la verificación de identidad (KYC/B) permite acelerar aperturas de cuentas, reducir la pérdida de clientes y aumentar rápidamente los ingresos. La optimización del monitoreo anti lavado reduce las falsas alarmas, evitando marcar clientes legítimos y fortaleciendo relaciones. La revisión de contenidos de marketing se agiliza, permitiendo que los anuncios lleguen más rápido a los usuarios.

Esto redefine la lógica competitiva del sector: las empresas que digitalicen completamente su cumplimiento no solo reducen costos, sino que también capturan clientes que sus competidores lentos no podrán retener. La competencia actual no gira solo en torno a la tecnología AI en sí, sino a qué empresas la implementan mejor.

Además, con la rápida adopción de agentes inteligentes como actores principales en operaciones en línea, surge un nuevo riesgo. Los sistemas tradicionales de cumplimiento están diseñados para humanos. Cuando los contrapartes en transacciones son agentes autónomos, se requiere una nueva estrategia basada en AI para verificar identidades, entender intenciones y definir responsabilidades.

Estos cambios indican que los departamentos de cumplimiento, que antes casi no adquirían software especializado, ahora están empezando a adoptar activamente herramientas digitales.

Componentes del sistema de cumplimiento

El trabajo de cumplimiento en cualquier empresa regulada se compone de tres partes principales:

• Reglas regulatorias: incluyen leyes externas, políticas internas, y una gran cantidad de interpretaciones y conexiones entre ellas.

• Sistemas de software: implementan las reglas en programas, incluyendo plataformas GRC, sistemas de gestión de casos, herramientas de screening de sanciones, y automatizaciones tradicionales que conectan diferentes sistemas. Estos sistemas suelen ser poco estables.

• Personal de cumplimiento: opera los sistemas siguiendo las reglas, realizando revisión de documentos, llenado de formularios, verificación cruzada de datos y redacción de informes.

El trabajo principal en cumplimiento consiste en extraer información de documentos, verificar manualmente la precisión y coherencia de los datos, y realizar monitoreo periódico (repetir estas tareas regularmente).

Un ejemplo real en banca: el reporte de actividades sospechosas (SAR). Cuando el sistema NICE Actimize genera una alerta de transacción anómala, la especialista en cumplimiento Sara interviene para verificar. Ella accede al sistema bancario principal, obtiene el historial completo de transacciones, y revisa en bases de datos independientes y archivos compartidos la documentación de identidad, los documentos de apertura y las pruebas de origen de fondos del cliente. Luego, en función de las políticas internas, decide si la transacción debe reportarse como actividad sospechosa. Finalmente, vuelve al sistema NICE y redacta la explicación, copiando manualmente la información de diferentes sistemas y documentos.

Cada uno de estos pasos puede ser una oportunidad para que startups de IA ingresen en el mercado.

3. Convertir reglas regulatorias en código

El Capítulo 12 del Código Federal de Regulaciones de EE. UU. (que cubre la Oficina de Supervisión de Moneda, la Reserva Federal, la FDIC, con más de 70 capítulos), la Oficina de Regulación Financiera, la SEC, la CFTC, y las distintas políticas estatales, publican todas las nuevas regulaciones en formato PDF. Antes, solo era posible leerlas y analizarlas manualmente, para convertirlas en políticas internas y hacer seguimiento de cambios.

La inteligencia artificial puede transformar estas reglas en código estandarizado, permitiendo su almacenamiento estructurado, actualización automática y ejecución por agentes inteligentes. Un documento de 400 páginas ahora puede dividirse en una lista clara de obligaciones de cumplimiento, que el sistema verifica automáticamente. Las reglas regulatorias dejan de ser solo documentos para lectura humana, para convertirse en lógica de programas ejecutables. Esto genera dos cambios principales: la monitorización de cumplimiento pasa de revisiones periódicas a vigilancia continua en tiempo real; y la implementación de nuevas regulaciones en toda la empresa se reduce de meses a minutos.

Por ejemplo, en Brasil, la tarea principal del especialista en cumplimiento es revisar continuamente el sitio web del gobierno para detectar cambios en las regulaciones, organizar la información en hojas de cálculo y recalcular manualmente los salarios.

Caso: Tako ha desarrollado un sistema inteligente que automatiza las complejas regulaciones laborales en Brasil (que cuenta con más de 10,000 sindicatos y cerca de 900 cambios anuales). Este sistema puede, en función de la situación de la empresa, auditar automáticamente el cumplimiento de las cláusulas sindicales, responder en lenguaje natural a consultas complejas de recursos humanos y alertar en tiempo real antes de que ocurran incumplimientos.

2. Reemplazar completamente sistemas antiguos

Muchos sistemas de cumplimiento surgieron antes de la era de la computación en la nube, y todavía dependen de copiar y pegar manualmente entre diferentes plataformas. Esto provoca que, aunque una herramienta funcione bien, el proceso global sea ineficiente: el personal actúa como un puente entre sistemas. Además, reemplazar estos sistemas tradicionales puede tomar años, con riesgos y costos muy altos, y los responsables de riesgos suelen ser reacios a aprobar proyectos de migración.

Con el tiempo, muchas empresas (especialmente bancos) acumularon décadas de deuda tecnológica, lo que ahora se convierte en un gran obstáculo para implementar AI.

Hoy en día, las empresas tienen tres opciones principales para su transformación con AI:

1. Mantener los sistemas existentes, usando arquitecturas sin cabeza (headless): seguir usando los sistemas actuales como backend, y construir agentes inteligentes o nuevas interfaces sobre ellos.

2. Desarrollar sistemas sustitutos propios: reconstruir desde cero los sistemas clave, incluyendo modelos de datos, permisos, procesos, interfaces y auditorías.

3. Adquirir plataformas AI nativas: cambiar directamente a plataformas de nueva generación diseñadas para agentes inteligentes, legibles por máquina y orquestación de procesos.

Si los sistemas actuales almacenan datos críticos de cumplimiento, conectan con decenas de fuentes internas y externas, y contienen la lógica de negocio acumulada en años, muchas empresas prefieren la primera opción por motivos de riesgo. Pero esto también las deja en desventaja: sus competidores que adopten AI reducirán costos y aumentarán ingresos rápidamente, y las limitaciones de los sistemas antiguos dificultan incluso desplegar agentes de voz o herramientas básicas similares (que requieren leer programas antiguos de los años 90).

Hoy, reemplazar sistemas tradicionales no solo es factible, sino que es una condición necesaria para liberar el valor de AI. Los sistemas antiguos están diseñados para operaciones manuales: datos en silos, difícil acceso, reglas codificadas rígidamente, actualizaciones lentas, procesos en lotes y sin respuesta en tiempo real. Ejemplos en banca incluyen sistemas como Jack Henry, NICE Actimize y Smarsh.

Ejemplo:

• Valon (servicios hipotecarios): esta startup construyó desde cero un sistema de préstamos hipotecarios, logrando que su rentabilidad subiera del equilibrio a más del 60%. Encapsuló los procesos complejos en ValonOS, un sistema operativo AI nativo, con procesos estandarizados, registros auditables y programación flexible, reemplazando más de 25 sistemas antiguos independientes. Actualmente, esta plataforma se ha licenciado y atiende a un sector de préstamos hipotecarios que supera los mil millones de dólares; a mayor cantidad de clientes, mayor efecto de datos y mayor capacidad de los agentes inteligentes, que se mejora continuamente.

• Vesta (créditos hipotecarios): integra las regulaciones del CFPB (incluyendo TRID, HMDA), y las normativas de los 50 estados, gestionando también las declaraciones regulatorias federales y estatales. La actualización de reglas se realiza simplemente con cambios en el código, sin necesidad de grandes implementaciones. Los prestamistas pueden auditar con precisión y mejorar la eficiencia operativa en un 25% a 50%.

• Sardine (fraudes y monitoreo de transacciones): esta plataforma basada en la nube reemplaza gradualmente a NICE Actimize. Puede detectar fraudes en tiempo real y realizar análisis complejos de lavado de dinero posterior. Los agentes inteligentes en la plataforma, que operan con datos en tiempo real, aumentan la eficiencia en casi 30 veces. Por ejemplo, la herramienta de resumen de reportes de actividades sospechosas (SAR) puede extraer información de múltiples sistemas y completar automáticamente entre 60 y 100 campos en un solo informe, reduciendo el tiempo de presentación de más de 30 minutos a menos de 1 minuto.

3. Colaboración humano-máquina, potenciando el trabajo humano

El núcleo del trabajo de cumplimiento siempre ha sido la repetición de tres tareas: análisis de documentos, revisión manual de procesos y monitoreo periódico de las dos anteriores.

Antes, la única forma de conectar estos pasos era mediante operaciones manuales en sistemas antiguos, pero los agentes inteligentes resuelven esta problemática.

Por ejemplo, en el proceso de apertura de cuentas bancarias: cuando un cliente solicita abrir una cuenta, el especialista en cumplimiento debe revisar y extraer información clave de documentos de identidad (DNI, pasaporte, documentos corporativos) y estados financieros, ingresar los datos en múltiples sistemas antiguos, y verificar listas de sanciones y registros corporativos en diferentes bases de datos. Con AI, todo el proceso puede automatizarse de extremo a extremo: reconocimiento y análisis instantáneo de documentos, verificación simultánea en varias bases, y solo se remite a revisión humana cuando se detectan anomalías, sin intervención manual en cada paso.

Ejemplo:

Factor Labs no reemplazó los sistemas existentes, sino que implementó aplicaciones sobre ellos. Su agente inteligente automatiza la gestión de disputas de pagos en bancos y plataformas de pago. Cada tarea sigue un manual de operaciones personalizado (adaptado a diferentes comerciantes y procesos de tarjetas), simulando la labor de un analista humano: accede a correos, hojas de cálculo, plataformas antifraude como CyberSource, obtiene comprobantes, los organiza en Word y finalmente genera un PDF para enviar al cliente.

Conclusión

Las tres vías de implementación descritas son útiles, y en el futuro, la mayoría de las plataformas integrarán estas capacidades. Las empresas pueden escoger el mejor punto de entrada según su escenario de mercado:

1. Escenarios con cambios regulatorios frecuentes: si operan en múltiples jurisdicciones, con regulaciones que cambian rápidamente, o si las sanciones y auditorías exigen ajustes frecuentes, conviene priorizar la conversión de reglas regulatorias en código.

2. Reemplazo de sistemas centrales: en dos casos:

   1. Oportunidades de mercado nuevas, sin productos fuertes existentes: por ejemplo, bancos emergentes en Arabia Saudita o asesores independientes en EE. UU., que preferirán sistemas nativos AI desde el inicio.
   2. Costos operativos muy altos y dificultad de modernización: solo una sustitución completa permitirá aprovechar el valor de AI.

3. Procesos con resultados definidos, acumulación de tareas o escasez de personal: cuando el trabajo de cumplimiento requiere producir informes, declaraciones o certificaciones, la prioridad será complementar con “trabajo humano”, y los agentes inteligentes, que trabajan 24/7 sin errores, pueden eliminar rápidamente tareas acumuladas (como los 70,000 alertas pendientes en el Banco de Toronto).

A largo plazo, estas tres vías convergerán. Las empresas líderes en el sector implementarán simultáneamente la codificación de reglas, control de nuevos sistemas clave y despliegue masivo de agentes inteligentes.