En el marco de VB Transform 2026, Kel Vanee, ingeniero jefe de aprendizaje automático en Capital One, compartió cómo el banco ha desarrollado una arquitectura de inteligencia artificial (IA) escalable basada en modelos abiertos profundamente personalizados, en lugar de depender de modelos de referencia estándar. Según Vanee, en Capital One no solo se utiliza IA, sino que se está en el proceso de construirla. Esta visión ha sido posible gracias a una sólida inversión previa en transformación de datos y adopción de la nube, lo que les ha permitido tomar decisiones arquitectónicas precisas en el contexto actual de IA.
La estrategia de Capital One destaca la importancia de personalizar modelos de IA utilizando datos propios y exclusivos. Vanee subrayó que esta personalización representa una ventaja significativa frente a modelos estándar, los cuales carecen del contexto necesario que ofrecen los datos internos. Esta iniciativa no solo aporta un valor concreto en cada caso de uso, sino que también supone beneficios a nivel organizativo, ya que al entrenar estos modelos se eleva el desempeño general de la empresa.
Arquitectura multi-agente en Capital One
Un ejemplo ilustrativo del enfoque de Capital One es su flujo de trabajo de atención al cliente en casos de fraude bancario. Este sistema maneja millones de llamadas anualmente, con interacciones que pueden durar desde cuatro hasta sesenta minutos. La iniciativa de Capital One incluye una arquitectura de múltiples agentes, que se encarga de dirigir las interacciones a través de agentes especializados, todos ellos bajo un marco de gobernanza definido. Este sistema no solo considera la consulta inicial del cliente sino que también establece un proceso de razonamiento, verificación y explicación de respuestas.
El sistema, denominado MACAW, facilita la labor de cientos de agentes de servicio al cliente que abordan llamados complejos relacionados con el fraude. Este proceso reduce la necesidad de reconstruir manualmente las interacciones previas, ya que se generan resúmenes post-llamada eficaces y automáticos.
Optimización de costos y eficiencia
La empresa también está aplicando IA multi-agente para automatizar tareas rutinarias para sus empleados, liberando tiempo para que se concentren en aspectos más estratégicos de su trabajo. Un ejemplo de ello es una solución de optimización autónoma diseñada específicamente para ajustar la infraestructura de hosting en backend. Vanee enfatizó que, en el mundo de los modelos de lenguaje, en el que las optimizaciones están en constante evolución, contar con un sistema que maneje las experiencias y resultados puede ofrecer una ventaja significativa en términos de latencia y costos.
Tendencias a futuro en IA
De cara al futuro, Vanee anticipa que la validación de capas de abstracción para modelos será un área clave a explorar. Esta estrategia permitirá alcanzar una mayor precisión a través de la integración de múltiples modelos, cada uno optimizado para diferentes tareas. Otra tendencia sugerida es la emergencia de sistemas proactivos y basados en eventos que puedan ejecutar acciones sin la necesidad de solicitarlas. Esto podría ser particularmente útil en la detección y gestión de fraudes, ofreciendo una vigilancia más efectiva.
Innovación continua en el sector financiero
La estrategia adoptada por Capital One resalta una verdad importante para los líderes en tecnología empresarial: generar valor medible a través de la IA exige ir más allá de las soluciones estándar y hacia arquitecturas altamente personalizadas y reguladas. Al combinar modelos de peso abierto ajustados, una estructura de orquestación multi-agente y activos de datos propios, el banco ha establecido un modelo replicable para la implementación escalable de IA en el sector financiero.
Con la intención de ampliar estas capacidades a nuevos casos de uso, la plataforma empresarial de Capital One sigue garantizando que los avances técnicos se traduzcan en experiencias más seguras, rápidas y personalizadas para su extensa base de clientes.