Con la participación de Abstracta, el Bantotal Meetup 2025 confirmó que la inteligencia artificial ya es un eje central en la modernización del core bancario y en la eficiencia del testing.

La calidad en banca depende de la capacidad de mantener la estabilidad del core mientras se acelera la entrega de valor. En ese contexto, la inteligencia artificial tiene un rol fundamental en las pruebas de software, para ampliar la trazabilidad, optimizar el análisis y sostener la fiabilidad operativa.

Esa línea de trabajo en común marcó la participación de Abstracta en el Bantotal Meetup 2025, celebrado el 8 y 9 de octubre en Punta del Este. El encuentro reunió a más de 250 líderes de banca, tecnología y calidad de software de 14 países, como un espacio de referencia para la comunidad Bantotal.

Durante el panel “¿Cómo se aplica la IA al testing?”, representantes de Bantotal, Abstracta, CPA Ferrere y el Centro de Ensayos de Software analizaron cómo la IA puede fortalecer la precisión y la eficiencia en los procesos de validación.

El debate se centró en un eje común: cómo aprovechar la IA para comprender mejor el core, reducir la incertidumbre y aumentar la previsibilidad técnica.

En Abstracta impulsamos la adopción de inteligencia artificial en banca a través de soluciones técnicas, prácticas de testing avanzadas y herramientas diseñadas para fortalecer la calidad del core bancario. Contáctanos.

Modernización del core con foco en fiabilidad

Las instituciones que operan con Bantotal buscan acelerar la entrega de valor sin poner en riesgo la estabilidad. Sin embargo, la complejidad del entorno bancario, sumada a la documentación fragmentada y la dependencia del conocimiento individual, genera demoras y pérdida de visibilidad técnica.

A continuación, compartimos algunos de los problemas introducidos por el panel y las soluciones específicas que compartimos desde Abstracta:

Problema N°1: Acceso limitado a la información técnica

En muchos procesos de testing y análisis, los equipos necesitan entender con precisión cómo funciona un requerimiento: qué programas se ejecutan, qué tablas se actualizan o qué servicios externos intervienen. 

Sin embargo, esa información suele estar distribuida entre distintos sistemas o áreas, lo que puede volver más difícil acceder a una visión completa del proceso.

Cómo lo resolvimos

El agente de observabilidad de usuario permite que Bantotal se explique a sí mismo. Con este agente, el sistema muestra en tiempo real qué procesos ejecuta, qué servicios externos utiliza y cómo se relacionan los distintos componentes entre sí. 

Esto cambia la dinámica del trabajo ya que los equipos de testing y análisis ya no dependen de terceras partes para investigar un problema. Les permite contar con una visión completa del comportamiento del sistema, identificar la causa raíz de un problema y llegar a las conversaciones técnicas con un análisis sólido en la mano.

Impacto

Esta nueva forma de acceder a la información agiliza los diagnósticos, mejora la colaboración entre equipos y promueve decisiones más informadas. El resultado es un flujo de trabajo más ágil y enfocado, donde la energía se dirige a resolver y mejorar con precisión y velocidad, lo cual potencia el ecosistema Bantotal.

Problema 2: Incidentes inesperados en producción

En algunos ciclos de desarrollo, los equipos se enfrentaban a errores o comportamientos imprevistos una vez que las funcionalidades llegaban a producción. En la mayoría de los casos, el origen estaba en la falta de documentación actualizada o en la dificultad para visualizar el impacto que un cambio generaba en otras áreas del sistema.

Sin esa información, resultaba complejo anticipar riesgos y definir correctamente el alcance de las pruebas.

Cómo lo resolvimos

El agente de documentación automatiza la generación de documentación técnica y funcional directamente a partir del código. De esta forma, cada cambio queda asociado a las reglas de negocio que lo sustentan, y los equipos pueden comprender qué afecta, por qué y en qué medida.

El enfoque comparte fundamentos con la ingeniería inversa de código, ya que busca reconstruir conocimiento técnico a partir del propio sistema, pero lo hace de manera automatizada y continua.

Impacto

Con esta información accesible y actualizada, los equipos de testing pueden planificar mejor sus pruebas y cubrir todos los escenarios relevantes. Se reducen así los incidentes en producción, mejora la estabilidad del sistema y se gana claridad sobre cómo evoluciona el software a lo largo del tiempo.

Estas soluciones abren una nueva etapa en la relación entre calidad e inteligencia artificial. El conocimiento deja de estar fragmentado y pasa a formar parte del flujo de trabajo, gracias a lo cual se fortalece la colaboración entre análisis, desarrollo y QA.

Aún así, la adopción también plantea desafíos que son fundamentales de abordar.

Desafíos al adoptar inteligencia artificial

Podría parecer que la adopción de IA por parte de equipos de sectores regulados como la banca no debería ser algo complejo. Sin embargo, la realidad es que adoptar inteligencia artificial es un proceso que atraviesa tanto lo técnico como lo humano. Requiere cuidar los datos con los que trabajamos y, al mismo tiempo, desarrollar nuevas formas de pensar y decidir.

En el plano tecnológico, el principal riesgo está en la privacidad y la confidencialidad. Los modelos aprenden a partir de información sensible, por lo que es esencial establecer reglas claras sobre cómo se almacenan, procesan y comparten los datos. La confianza en la herramienta depende de la solidez de esas prácticas.

Desde la perspectiva humana, el desafío pasa por la mentalidad con la que se adopta la IA. Usarla no es lo mismo que comprenderla. Por eso, fomentar el pensamiento crítico es clave: aprender a analizar las respuestas, cuestionarlas y repreguntar cuando algo no encaja. Esa capacidad de reflexión es lo que permite aprovechar el potencial de la tecnología sin perder criterio propio.

Riesgos de no adoptar IA

Retrasar la adopción de IA también tiene consecuencias. La competencia avanza con rapidez, y quienes no incorporan estas herramientas pierden ritmo y capacidad de respuesta. En el plano interno, la falta de avance genera incertidumbre y desmotivación.

Los equipos perciben que el entorno propio se queda quieto mientras otras empresas progresan, y eso erosiona la confianza colectiva. Adoptar con criterio, en cambio, permite moverse con claridad, con la comprensión de por qué se elige cada paso y qué valor aporta.

Cómo medimos el impacto de la adopción de IA en Bantotal

El impacto de incorporar inteligencia artificial en Bantotal se evalúa a partir de evidencias concretas. Las métricas DORA permiten observar cómo evoluciona la capacidad de los equipos para entregar software con mayor velocidad, estabilidad y calidad:

• Frecuencia de despliegues
• Tiempo de entrega de cambios
• Tasa de fallos en producción
• Tiempo medio de recuperación
  

Estos indicadores reflejan cómo los agentes de IA pueden ayudarnos a reducir los tiempos de análisis, evitar errores en producción y fortalecer la colaboración entre áreas. Además de una clara mejora técnica, implican una transformación en la forma en que los equipos de Bantotal aprenden, se organizan y toman decisiones apoyadas en información confiable.

IA aplicada a entornos complejos

La experiencia con Bantotal forma parte de una línea de trabajo que en Abstracta busca integrar inteligencia artificial en sistemas críticos sin interrumpir su operación.

Desde esa visión desarrollamos AS400/iSeries MCP Server, un proyecto open source que permite que agentes de IA interactúen directamente con sistemas IBM i, AS400 o iSeries. 

Esta tecnología traduce las operaciones tradicionales de terminal en flujos conversacionales, lo que habilita nuevas formas de automatización y análisis en plataformas que siguen siendo esenciales en banca y servicios financieros.

AS400/iSeries MCP Server se encuentra disponible en GitHub.
Accede al repositorio aquí.

Cómo podemos ayudarte

Con casi 20 años de experiencia y presencia global, Abstracta es una empresa líder en soluciones tecnológicas, especializada en servicios de pruebas de software y desarrollo de software con IA.

A lo largo de nuestro trayecto, hemos forjado alianzas estratégicas con líderes de la industria tales como  Microsoft, Datadog, Tricentis, Perforce, Saucelabs y PractiTest, e incorporamos tecnologías de vanguardia como parte de nuestros servicios.

En Abstracta colaboramos con instituciones financieras que avanzan en la integración de IA. Acompañamos la adopción con soluciones personalizadas y el desarrollo de herramientas que fortalecen la calidad y la modernización del core bancario. Contáctanos.

¡Síguenos en LinkedIn, X, Facebook, Instagram y YouTube para ser parte de nuestra comunidad!

Recomendados para tí

Superar los desafíos de adopción de herramientas de IA

Nuevo producto de Abstracta para conectar agentes AI con sistemas AS400/iSeries

Cómo modernizar sistemas IBM en banca con AI y sin migraciones