La Reserva Federal de Estados Unidos y el Consejo de Estabilidad Financiera han dado un paso formal para convertir la inteligencia artificial en materia de supervisión bancaria global. Michelle W. Bowman, vicepresidenta de Supervisión de la Fed, intervino ante el FSB para establecer las bases de cómo deben gestionarse los riesgos que la IA introduce en el sistema financiero internacional.
Bowman ante el FSB: la IA entra en la agenda de la estabilidad sistémica
El Financial Stability Board no es un organismo cualquiera. Fundado en 2009 tras la crisis financiera global, agrupa a los reguladores, bancos centrales y ministerios de finanzas de las principales economías del G20. Sus recomendaciones no son vinculantes en sentido estricto, pero en la práctica se convierten en estándar de referencia para los supervisores de España, México, Colombia, Argentina y el resto de economías que integran el foro.
Que Bowman haya llevado la IA a esa tribuna no es un gesto simbólico. Significa que la Reserva Federal considera que los modelos de inteligencia artificial desplegados en banca ya representan un vector de riesgo con potencial de propagación sistémica, no un experimento interno de cada entidad.
El mensaje central que transmitió es preciso: cuando un banco automatiza decisiones de crédito, gestión de riesgos o detección de fraude mediante IA, un fallo en ese sistema puede propagarse con una velocidad y una escala que ningún error humano equivalente alcanzaría.
Qué hace la IA en un banco y por qué un fallo se amplifica
Para entender la preocupación del FSB conviene concretar. Un banco mediano puede utilizar hoy modelos de aprendizaje automático para evaluar la solvencia de un solicitante de hipoteca en segundos, para ajustar dinámicamente los límites de crédito de millones de tarjetas o para detectar transacciones anómalas en tiempo real.
Esos sistemas no operan de forma aislada. Muchos bancos compran o licencian los mismos modelos de proveedores tecnológicos externos, lo que genera una concentración de dependencia: si el modelo falla, o si fue entrenado con sesgos que distorsionan las decisiones, el problema no afecta a un banco sino a todos los que comparten esa infraestructura.
Es exactamente el patrón que los reguladores vieron con los modelos de valoración de activos antes de 2008: herramientas idénticas en manos de actores distintos, con fallos que se correlacionaron en el peor momento posible. La IA reproduce esa lógica con mayor velocidad de ejecución y menor transparencia interna.
Gobernanza, auditoría y el vacío que el FSB quiere cerrar
Las orientaciones que Bowman presentó ante el FSB giran en torno a tres ejes: gobernanza interna de los modelos de IA, capacidad de auditoría externa y definición de buenas prácticas que los supervisores nacionales puedan adoptar como marco de referencia.
En materia de gobernanza, la propuesta implica que los consejos de administración de los bancos deben poder rendir cuentas sobre los sistemas de IA que despliegan, no solo sus equipos tecnológicos. Eso exige documentación, trazabilidad de las decisiones automatizadas y mecanismos de intervención humana cuando el modelo opera fuera de los parámetros esperados.
La auditoría es el punto más complejo. A diferencia de un balance contable, un modelo de IA de gran escala no tiene una representación estándar que cualquier auditor pueda leer. El FSB busca que los supervisores desarrollen capacidad técnica propia para inspeccionar esos sistemas con el mismo rigor con que inspeccionan las cuentas de resultados.
El riesgo de concentración en proveedores tecnológicos
Uno de los focos de atención que subyace en el debate del FSB es la dependencia del sector financiero respecto a un número reducido de proveedores de infraestructura de IA. Empresas como Microsoft, Google o Amazon Web Services alojan y procesan datos de una fracción significativa del sistema bancario global.
Esa concentración no es nueva: ya existía en computación en la nube antes de que la IA entrara en escena. Pero la IA añade una capa adicional de riesgo operativo, porque no se trata solo de que los servidores fallen, sino de que el modelo tome decisiones incorrectas de forma sistemática y silenciosa antes de que nadie lo detecte.
El FSB ha trabajado en los últimos años en marcos de supervisión para el riesgo de proveedores externos en servicios financieros. La incorporación de la IA a esa agenda es una extensión natural, pero técnicamente más exigente que cualquier análisis de continuidad operativa convencional.
España y Latinoamérica en el radio de acción del FSB
Las recomendaciones del FSB llegan a los sistemas financieros hispanohablantes a través de dos canales principales. El primero es directo: España forma parte del G20 y sus reguladores, el Banco de España y la CNMV, participan en los grupos de trabajo del FSB y adaptan sus guías de supervisión a las orientaciones del organismo.
El segundo canal es indirecto pero igualmente eficaz. El Fondo Monetario Internacional y el Banco Mundial toman como referencia los estándares del FSB en sus evaluaciones de estabilidad financiera, los llamados FSAP, que se aplican periódicamente a México, Colombia, Argentina, Chile y Brasil.
Eso significa que un banco en Ciudad de México o en Bogotá que use IA para la concesión de créditos al consumo estará, en un horizonte de dos a cuatro años, sujeto a criterios de supervisión que tienen su origen en lo que Bowman presentó ante el FSB.
El antecedente regulatorio europeo y la presión sobre el sector
Europa no llegó a este debate sin equipaje. El Reglamento de Inteligencia Artificial de la Unión Europea, aprobado en 2024, clasifica los sistemas de IA usados en decisiones de crédito y evaluación de solvencia como aplicaciones de alto riesgo, sujetas a requisitos de transparencia, documentación técnica y supervisión humana obligatoria.
Eso coloca a los bancos europeos, incluidos los españoles, ante una doble presión regulatoria: por un lado, el marco europeo de IA; por otro, las orientaciones del FSB que ahora incorporan las posiciones de la Fed. Ambos marcos apuntan en la misma dirección, pero con calendarios y mecanismos de enforcement distintos.
Para los bancos con presencia transatlántica, esa convergencia regulatoria es a la vez una carga de cumplimiento y una ventaja competitiva respecto a entidades que operan en jurisdicciones con menor presión supervisora.
Auditar la IA bancaria: el desafío técnico que los supervisores deben resolver
El problema práctico más inmediato que plantea la agenda del FSB es la capacidad técnica de los propios supervisores. Auditar un modelo de IA que evalúa créditos implica entender cómo fue entrenado, con qué datos, qué variables usa como predictores y si esas variables introducen sesgos discriminatorios o prociclicidad en los ciclos económicos.
Ningún banco central del mundo tiene hoy plantillas suficientes de ingenieros de aprendizaje automático integrados en sus equipos de supervisión bancaria. Esa brecha es reconocida en los círculos regulatorios y es uno de los argumentos que justifican la necesidad de estándares comunes: si todos los bancos documentan sus modelos de la misma manera, la curva de aprendizaje del supervisor se reduce.
La propuesta de Bowman ante el FSB busca precisamente eso: un lenguaje común entre entidades y reguladores que haga posible la supervisión sin que cada banco central tenga que reinventar la metodología desde cero.
Bowman, el FSB y el mapa de poder regulatorio que viene
Lo que está en juego en este proceso va más allá de las buenas prácticas técnicas. La posición que adopte el FSB sobre IA en banca determinará qué estándares se convierten en norma global y, con ello, qué modelos de supervisión, qué herramientas tecnológicas y qué proveedores quedan validados por el sistema regulatorio internacional.
Si los criterios que impulsa la Fed a través de Bowman se consolidan en el FSB, los bancos de todo el mundo que quieran operar con contrapartes estadounidenses o acceder a mercados de capitales internacionales tendrán que adaptar sus sistemas de IA a esos parámetros. No es una imposición formal, pero el efecto práctico se le parece mucho.
Para el sector financiero hispanohablante, el escenario más probable es una adopción gradual de estos estándares en un plazo de tres a cinco años, liderada primero por los grandes bancos con presencia internacional y extendida después al resto del sistema a través de las guías de los supervisores nacionales.
Las implicaciones éticas y regulatorias
La ventana para prepararse es estrecha, y los bancos que anticipen la auditoría de sus modelos de IA llevarán una ventaja real sobre los que esperen a que la regulación llegue con fecha límite.
Imagen ilustrativa generada con inteligencia artificial.
Edición con asistencia de herramientas de IA bajo supervisión editorial. Cómo trabajamos.
Fermín Sánchez es el responsable editorial de LaPrensaIA, diario de divulgación sobre inteligencia artificial. Cubrimos la actualidad de la IA con criterio propio —tecnología, empresas y sociedad— de forma clara para el público no técnico. Cada artículo se elabora con la asistencia tecnológica de Iberia y se revisa antes de publicarse. Más sobre cómo trabajamos →
