{"id":18860,"date":"2025-10-27T12:29:45","date_gmt":"2025-10-27T15:29:45","guid":{"rendered":"https:\/\/es.abstracta.us\/blog\/?p=18860"},"modified":"2025-10-31T09:33:18","modified_gmt":"2025-10-31T12:33:18","slug":"bantotal-ia-como-eje-de-modernizacion-bancari","status":"publish","type":"post","link":"https:\/\/es.abstracta.us\/blog\/bantotal-ia-como-eje-de-modernizacion-bancari\/","title":{"rendered":"Bantotal Meetup 2025: IA como eje de modernizaci\u00f3n del core bancario"},"content":{"rendered":"\n

Con la participaci\u00f3n de Abstracta, el Bantotal Meetup 2025 confirm\u00f3 que la inteligencia artificial ya es un eje central en la modernizaci\u00f3n del core bancario y en la eficiencia del testing.<\/strong><\/p>\n\n\n\n

\"Bantotal<\/figure>\n\n\n\n

La calidad en banca depende de la capacidad de mantener la estabilidad del <\/strong>core<\/em><\/strong> mientras se acelera la entrega de valor.<\/strong> En ese contexto, la <\/strong>inteligencia artificial<\/strong><\/a> tiene un rol fundamental en las pruebas de software<\/strong>, para ampliar la trazabilidad, optimizar el an\u00e1lisis y sostener la fiabilidad operativa.<\/p>\n\n\n\n

Esa l\u00ednea de trabajo en com\u00fan marc\u00f3 la participaci\u00f3n de Abstracta<\/strong> en el Bantotal Meetup 2025<\/strong>, celebrado el 8 y 9 de octubre en Punta del Este<\/strong>. El encuentro reuni\u00f3 a m\u00e1s de 250 l\u00edderes de banca, tecnolog\u00eda y calidad de software de 14 pa\u00edses, como un espacio de referencia para la comunidad Bantotal.<\/p>\n\n\n\n

Durante el panel \u201c\u00bfC\u00f3mo se aplica la IA al testing?\u201d, representantes de Bantotal<\/strong>, Abstracta<\/strong>, CPA Ferrere<\/strong> y el Centro de Ensayos de Software<\/strong> analizaron c\u00f3mo la IA puede fortalecer la precisi\u00f3n y la eficiencia en los procesos de validaci\u00f3n.<\/p>\n\n\n\n

El debate se centr\u00f3 en un eje com\u00fan: c\u00f3mo aprovechar la IA para comprender mejor el core<\/strong>, reducir la incertidumbre y aumentar la previsibilidad t\u00e9cnica.<\/p>\n\n\n\n

En Abstracta impulsamos la adopci\u00f3n de inteligencia artificial en banca a trav\u00e9s de soluciones t\u00e9cnicas, pr\u00e1cticas de testing avanzadas y herramientas dise\u00f1adas para fortalecer la calidad del core bancario. <\/strong>Cont\u00e1ctanos<\/strong><\/a>.<\/strong><\/p>\n\n\n\n

Modernizaci\u00f3n del core con foco en fiabilidad<\/h3>\n\n\n\n

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<\/strong>, sumada a la documentaci\u00f3n fragmentada y la dependencia del conocimiento individual, genera demoras y p\u00e9rdida de visibilidad t\u00e9cnica<\/strong>.<\/p>\n\n\n\n

A continuaci\u00f3n, compartimos algunos de los problemas introducidos por el panel y las soluciones espec\u00edficas que compartimos desde Abstracta<\/strong>:<\/p>\n\n\n\n

Problema N\u00b01: Acceso limitado a la informaci\u00f3n t\u00e9cnica<\/h3>\n\n\n\n

En muchos procesos de testing y an\u00e1lisis, los equipos necesitan entender con precisi\u00f3n c\u00f3mo funciona un requerimiento: qu\u00e9 programas se ejecutan, qu\u00e9 tablas se actualizan o qu\u00e9 servicios externos intervienen. <\/p>\n\n\n\n

Sin embargo, esa informaci\u00f3n suele estar distribuida entre distintos sistemas o \u00e1reas, lo que puede volver m\u00e1s dif\u00edcil acceder a una visi\u00f3n completa del proceso.<\/p>\n\n\n\n

C\u00f3mo lo resolvimos<\/h4>\n\n\n\n

El agente de observabilidad de usuario<\/strong> permite que Bantotal se explique a s\u00ed mismo. Con este agente, el sistema muestra en tiempo real qu\u00e9 procesos ejecuta, qu\u00e9 servicios externos utiliza y c\u00f3mo se relacionan los distintos componentes entre s\u00ed. <\/p>\n\n\n\n

Esto cambia la din\u00e1mica del trabajo ya que los equipos de testing y an\u00e1lisis ya no dependen de terceras partes para investigar un problema. Les permite contar con una visi\u00f3n completa del comportamiento del sistema, identificar la causa ra\u00edz de un problema y llegar a las conversaciones t\u00e9cnicas con un an\u00e1lisis s\u00f3lido en la mano.<\/p>\n\n\n\n


Impacto<\/h4>\n\n\n\n

Esta nueva forma de acceder a la informaci\u00f3n agiliza los diagn\u00f3sticos, mejora la colaboraci\u00f3n entre equipos y promueve decisiones m\u00e1s informadas. El resultado es un flujo de trabajo m\u00e1s \u00e1gil y enfocado, donde la energ\u00eda se dirige a resolver y mejorar con precisi\u00f3n y velocidad<\/strong>, lo cual potencia el ecosistema Bantotal.<\/p>\n\n\n\n

Problema 2: Incidentes inesperados en producci\u00f3n<\/h3>\n\n\n\n

En algunos ciclos de desarrollo, los equipos se enfrentaban a errores o comportamientos imprevistos <\/strong>una vez que las funcionalidades llegaban a producci\u00f3n<\/strong>. En la mayor\u00eda de los casos, el origen estaba en la falta de documentaci\u00f3n actualizada o en la dificultad para visualizar el impacto que un cambio generaba en otras \u00e1reas del sistema.<\/p>\n\n\n\n

Sin esa informaci\u00f3n, resultaba complejo anticipar riesgos y definir correctamente el alcance de las pruebas.<\/strong><\/p>\n\n\n\n

C\u00f3mo lo resolvimos<\/h4>\n\n\n\n

El agente de documentaci\u00f3n automatiza la generaci\u00f3n de documentaci\u00f3n t\u00e9cnica y funcional directamente a partir del c\u00f3digo.<\/strong> De esta forma, cada cambio queda asociado a las reglas de negocio que lo sustentan, y los equipos pueden comprender qu\u00e9 afecta, por qu\u00e9 y en qu\u00e9 medida.<\/p>\n\n\n\n

El enfoque comparte fundamentos con la ingenier\u00eda inversa de c\u00f3digo<\/strong>, ya que busca reconstruir conocimiento t\u00e9cnico a partir del propio sistema, pero lo hace de manera automatizada y continua.<\/p>\n\n\n\n

Impacto<\/h4>\n\n\n\n

Con esta informaci\u00f3n accesible y actualizada, los equipos de testing pueden planificar mejor sus pruebas<\/strong> y cubrir todos los escenarios relevantes. Se reducen as\u00ed los incidentes en producci\u00f3n, mejora la estabilidad del sistema y se gana claridad sobre c\u00f3mo evoluciona el software a lo largo del tiempo.
<\/p>\n\n\n\n

Estas soluciones abren una nueva etapa en la relaci\u00f3n 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 colaboraci\u00f3n entre an\u00e1lisis, desarrollo y QA.<\/strong><\/p>\n\n\n\n

A\u00fan as\u00ed, la adopci\u00f3n tambi\u00e9n plantea desaf\u00edos que son fundamentales de abordar.<\/p>\n\n\n\n

Desaf\u00edos al adoptar inteligencia artificial<\/h2>\n\n\n\n

Podr\u00eda parecer que la adopci\u00f3n de IA por parte de equipos de sectores regulados como la banca no deber\u00eda ser algo complejo. Sin embargo, la realidad es que adoptar inteligencia artificial es un proceso que atraviesa tanto lo t\u00e9cnico como lo humano<\/strong>. Requiere cuidar los datos con los que trabajamos y, al mismo tiempo, desarrollar nuevas formas de pensar y decidir.<\/p>\n\n\n\n

En el plano tecnol\u00f3gico, el principal riesgo est\u00e1 en la privacidad y la confidencialidad<\/strong>. Los modelos aprenden a partir de informaci\u00f3n sensible, por lo que es esencial establecer reglas claras sobre c\u00f3mo se almacenan, procesan y comparten los datos. La confianza en la herramienta depende de la solidez de esas pr\u00e1cticas.<\/p>\n\n\n\n

Desde la perspectiva humana, el desaf\u00edo pasa por la mentalidad con la que se adopta la IA.<\/strong> Usarla no es lo mismo que comprenderla. Por eso, fomentar el pensamiento cr\u00edtico es clave: aprender a analizar las respuestas, cuestionarlas y repreguntar cuando algo no encaja. Esa capacidad de reflexi\u00f3n es lo que permite aprovechar el potencial de la tecnolog\u00eda sin perder criterio propio<\/strong>.<\/p>\n\n\n\n

Riesgos de no adoptar IA<\/h2>\n\n\n\n

Retrasar la adopci\u00f3n de IA tambi\u00e9n 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 desmotivaci\u00f3n<\/strong>.<\/p>\n\n\n\n

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 comprensi\u00f3n de por qu\u00e9 se elige cada paso y qu\u00e9 valor aporta.<\/p>\n\n\n\n

C\u00f3mo medimos el impacto de la adopci\u00f3n de IA en Bantotal<\/h2>\n\n\n\n

El impacto de incorporar inteligencia artificial en Bantotal se eval\u00faa a partir de evidencias concretas. Las m\u00e9tricas DORA<\/strong><\/a> permiten observar c\u00f3mo evoluciona la capacidad de los equipos para entregar software con mayor velocidad, estabilidad y calidad:<\/p>\n\n\n\n