Cuando pensamos en agregar inteligencia artificial a una aplicación bancaria, es fácil imaginar un asistente capaz de consultar saldos, transferir dinero o resolver cualquier solicitud. Pero empezar por ahí aumenta la complejidad y el riesgo antes de demostrar que el producto realmente aporta valor.
El problema que queremos resolver
Los clientes necesitan comprender productos, requisitos, tasas, horarios y procesos. Esa información suele estar distribuida entre páginas web, documentos, centros de ayuda y equipos de servicio. Un agente dentro de la aplicación puede convertir ese contenido en respuestas directas, contextuales y fáciles de entender.
La primera responsabilidad del agente no es parecer inteligente. Es entregar información correcta, útil y segura.
Un MVP deliberadamente limitado
La primera versión será de solo lectura. Podrá responder preguntas usando información pública aprobada por la institución, pero no consultará datos personales ni ejecutará transacciones.
- Explicar productos y sus requisitos.
- Orientar sobre canales y procesos oficiales.
- Comparar opciones usando información pública.
- Reconocer cuándo debe escalar la conversación.
La arquitectura propuesta
El agente recibe la consulta, aplica reglas de seguridad, busca evidencia en una base de conocimiento controlada y genera una respuesta que debe mantenerse dentro del contexto recuperado.
Mastra puede funcionar como la capa de orquestación: coordina el agente, las herramientas, los flujos y la observabilidad. El modelo no accede directamente a las fuentes; trabaja a través de herramientas con permisos y contratos definidos.
Seguridad desde el diseño
En banca, los guardrails no son un añadido posterior. Deben controlar la entrada, el acceso a herramientas y la salida. La aplicación también debe evitar enviar información sensible innecesaria al modelo.
- Fuentes aprobadas y versionadas.
- Protección contra prompt injection.
- Respuestas con evidencia y nivel de confianza.
- Registro de decisiones sin almacenar datos sensibles.
- Escalamiento seguro cuando no existe una respuesta confiable.
Cómo saber si funciona
No basta con medir cuántas conversaciones se completan. Debemos evaluar exactitud, relevancia, tasa de respuestas sin evidencia, latencia, escalamiento y satisfacción del usuario. Un conjunto de preguntas reales y revisadas se convierte en la base de las evaluaciones continuas.
Empieza resolviendo bien un problema pequeño. Construye confianza antes de aumentar la autonomía.