El problema no es cuánta inteligencia artificial incorporarán las entidades, sino qué organización, qué profesionales y qué capacidad de juicio conservarán cuando empiece a funcionar de verdad.
Francisco Misiego | Ensayo de prospectiva y organización bancaria | Octubre de 2026
Elaboración propia a partir de los trabajos «Enseñar a trabajar», «Mujer, banca e inteligencia artificial» y el dossier sectorial de octubre de 2026. EXPANSIÓN figura como fuente de contraste, no como estructura narrativa.
Índice general · Pulse en el apartado para ir directamente
Prólogo. La pregunta que la banca todavía no ha respondido1
1. La revolución que comenzó antes de la IA1
2. De tener inteligencia artificial a saber qué hacer con ella1
La cadena de valor que conviene medir1
3. La segunda pregunta: ¿qué sucede si la IA funciona?1
4. Enseñar a trabajar: la deuda de experiencia1
5. La paradoja senior: ahorrar experiencia y necesitar más criterio1
6. El jefe que lo hace todo y el liderazgo aumentado1
7. La oficina bancaria y la relación humana que sí importa1
8. Mujeres en banca: quién ocupará los trabajos que ganen valor1
9. De la inteligencia propia a la inteligencia contratada1
10. Cuando la IA entra en el negocio y no solo en los costes1
11. La banca no puede delegar su responsabilidad1
12. Empleo: evitar la aritmética fácil1
13. Una matriz de investigación, no una profecía1
14. Conclusión: la inteligencia que no se puede instalar1
15. El negocio bancario: de dónde puede venir el valor1
16. La nueva distribución: SEO, GEO y AEG1
17. Infraestructuras distintas, transformaciones relacionadas1
18. Tres horizontes para observar la transformación1
2027: evidencia de adopción y aprendizaje1
2030: rediseño de estructuras y distribución1
2035: reproducción del conocimiento y carrera profesional1
19. Agenda empírica: cómo comprobar las hipótesis1
20. Cierre: una organización que aprende o una organización que solo ejecuta1
Fuentes, atribuciones y límites de verificación1
Prólogo. La pregunta que la banca todavía no ha respondido
La inteligencia artificial llega a una industria que conoce muy bien la automatización, la externalización y el ajuste permanente de sus estructuras. Durante décadas, la banca aprendió a producir más operaciones con menos oficinas, a convertir procesos presenciales en digitales y a integrar redes después de fusiones. Por eso no tiene sentido describir la IA como si fuera el primer cambio tecnológico del sector.
La novedad es que la frontera de la automatización alcanza ahora tareas que antes requerían lectura, síntesis, explicación, comparación y juicio preliminar. Si esos procesos se industrializan, no bastará con sustituir una aplicación por otra: habrá que redefinir puestos, responsabilidades, relaciones comerciales y mecanismos de aprendizaje. El interrogante de fondo es cómo conservar y reproducir la competencia profesional mientras cambia la forma de trabajar.
Este texto no pretende pronosticar cuántos empleos desaparecerán. Propone algo más útil: identificar qué debe medirse, qué riesgos organizativos aparecen y qué preguntas deberían formularse los consejos, los responsables de personas, los directores comerciales y los supervisores. Las cifras comunicadas por entidades y medios se tratan como contexto, nunca como sustituto de evidencia de resultados.
1. La revolución que comenzó antes de la IA
La banca lleva décadas cambiando sin pedir permiso a la inteligencia artificial. Primero desaparecieron operaciones del mostrador, después se trasladaron a cajeros, canales telefónicos, banca por internet y aplicaciones móviles. Se centralizaron procesos, se fusionaron entidades, se redujeron redes y se transformó la relación comercial. Atribuir ahora a la IA toda reducción de oficinas o de plantilla sería confundir una nueva aceleración con el origen del proceso.
La diferencia actual es de naturaleza, no solo de velocidad. Las tecnologías anteriores trasladaban o estandarizaban transacciones; los nuevos sistemas pueden intervenir en actividades cognitivas: interpretar documentos, sintetizar normativa, asistir al gestor, elaborar propuestas, detectar anomalías y ejecutar secuencias de trabajo. No significa que sean infalibles ni autónomos en sentido jurídico. Significa que se está desplazando la frontera entre lo que ejecuta una persona y lo que prepara o realiza una máquina.
«La cuestión no es si la banca será digital. Ya lo es. La cuestión es qué clase de organización quedará cuando también se digitalice una parte del juicio operativo.»
La perspectiva histórica obliga a distinguir digitalización, automatización convencional y sistemas generativos. Sus efectos pueden acumularse, pero no deben atribuirse retrospectivamente a una sola tecnología. En banca, la concentración empresarial, los cambios de hábitos y la regulación explican también una parte del rediseño de redes y plantillas.
Hablar de «banca española» únicamente a través de seis grandes grupos deja fuera parte de la realidad que importa para este análisis. CECA y las cooperativas de crédito aportan modelos de capilaridad y proximidad distintos; y una parte de la atención y de la operativa se presta desde empresas externas que no aparece en la plantilla directa de las entidades.
Las cooperativas de crédito asociadas a UNACC cerraron 2025 con 13.877 empleados —445 más que en 2024— y 3.462 oficinas —63 más que un año antes—.
Estos datos son importantes porque rompen una narrativa demasiado lineal. Mientras unas organizaciones reducen red y plantilla, otras mantienen o aumentan presencia física. La tecnología no determina por sí sola una única arquitectura bancaria.
2. De tener inteligencia artificial a saber qué hacer con ella
El anuncio de miles de licencias o usuarios suele confundirse con el éxito de una transformación. Pero acceso no es adopción, adopción no es productividad, productividad no es rentabilidad y rentabilidad no equivale a desarrollo profesional. Son eslabones distintos, y cada uno necesita sus propias pruebas.
Una entidad puede ahorrar minutos en una consulta y no reducir ni un euro sus costes; puede ahorrar costes y deteriorar la calidad; puede mejorar la atención y no incrementar los ingresos; puede desplegar un agente y multiplicar las tareas de revisión. Por eso la métrica decisiva no es cuántas veces se utiliza una herramienta, sino qué mejora neta obtiene la organización, para quién y con qué riesgos.
Los despliegues divulgados en octubre de 2026 por Santander, BBVA, CaixaBank, Sabadell y otras entidades muestran una dirección de viaje, no una demostración universal de retorno. Los objetivos anunciados —incluidas previsiones de valor económico— deben separarse de los resultados auditados. La escala es relevante, pero por sí sola no acredita transformación.3
La cadena de valor que conviene medir
La evaluación exige un contrafactual: qué habría sucedido con el mismo negocio, clientes y plantilla sin esa herramienta. Sin esa comparación, una mejora observada puede responder a estacionalidad, reorganización o crecimiento comercial y no a la IA.
La medición no debe limitarse al número de licencias. Proponemos un cuadro de mando con adopción activa, tiempo realmente liberado, volumen de trabajo, ingresos incrementales, ahorro neto, costes de integración, calidad, incidentes, reclamaciones y satisfacción de clientes.
En empleo y organización: evolución de plantilla, nuevas contrataciones, rotación, promociones, funciones eliminadas o creadas, carga de supervisión y productividad ajustada por mezcla de negocio.
En este modelo, la tecnología amplifica a un profesional que dispone de esquemas, experiencia y capacidad para discutir con la herramienta.
3. La segunda pregunta: ¿qué sucede si la IA funciona?
En «Enseñar a trabajar» he utilizado el Método de la Segunda Pregunta: no detenerse en el efecto inmediato de una innovación, sino imaginar que tiene éxito, se abarata y se generaliza. La primera pregunta es si la IA puede realizar tareas bancarias. La segunda es qué sucede con las personas y con la empresa cuando efectivamente las realiza.1
Si redacta los informes, ¿quién aprende a construirlos? Si analiza expedientes, ¿quién identifica una excepción? Si prepara las reuniones, ¿cómo se adquiere la comprensión del cliente? Si coordina tareas, ¿qué hace el mando intermedio? Si responde al cliente, ¿quién se responsabiliza de una recomendación equivocada? Y si toda la competencia puede contratar herramientas similares, ¿dónde estará la ventaja competitiva?
Esta perspectiva obliga a abandonar dos simplificaciones simétricas: que la IA destruirá inevitablemente una proporción determinada de empleo y que solo liberará a los profesionales para actividades más nobles. Ambas son hipótesis condicionales; ninguna sustituye el análisis de los procesos reales.
«La primera pregunta es qué trabajo hará la IA. La segunda, mucho más incómoda, es quién aprenderá a hacer el trabajo que dejemos de hacer.»
La metodología prospectiva no pretende acertar una cifra de empleos futuros, sino descubrir consecuencias de segundo orden que hoy quedan fuera del cuadro de mando: pérdida de entrenamiento, nuevas dependencias y redistribución de autoridad.
Esta pieza convierte la serie en un problema de mayor alcance. Algunas tareas que ahora podemos automatizar eran también ejercicios de formación profesional. Un junior puede producir antes, resumir antes y entregar más, sin que su curva de competencia avance a la misma velocidad que su curva de productividad.
Aparecen dos conceptos especialmente fértiles: la separación entre productividad y competencia, y la «deuda de experiencia»: productividad que se cobra hoy a cambio de una parte del entrenamiento que quizá será necesaria mañana.1
4. Enseñar a trabajar: la deuda de experiencia
Saber no es saber trabajar. Un profesional competente no solo dispone de información: comprende el contexto, prioriza, reconoce cuándo faltan datos, anticipa consecuencias, consulta cuando corresponde y responde de sus decisiones. Estas capacidades se adquieren con instrucción, práctica, errores corregidos, observación de expertos y exposición gradual a problemas reales.
La IA puede elevar rápidamente el rendimiento aparente de un junior. Pero si se delegan demasiado pronto las tareas que funcionaban como entrenamiento, la curva de producción puede separarse de la curva de aprendizaje. Llamo a esa separación «deuda de experiencia»: resultados inmediatos que quizá se obtienen a costa de reducir oportunidades futuras de desarrollar criterio.1
El jefe que rehace todo puede parecer eficiente porque asegura calidad a corto plazo. Sin embargo, convierte su propio tiempo en cuello de botella y priva al equipo de práctica deliberada, responsabilidad y feedback. El buen manager no desaparece del proceso: cambia su función. En lugar de sustituir el juicio del otro, diseña situaciones en las que ese juicio pueda formarse.
Esta distinción permite transformar «Enseñar a trabajar» en una propuesta para managers: delegar no es repartir tareas; es transferir progresivamente capacidad de decisión.
No hay que preservar mecánicamente tareas rutinarias solo porque antes enseñaban. Hay que sustituir su función pedagógica: simulaciones, análisis de excepciones, revisión argumentada, rotación, tutoría, responsabilidad progresiva y evaluación sin asistencia en momentos seleccionados.
Dos curvas, no una
La deuda de experiencia puede medirse indirectamente: tiempo hasta resolver casos inéditos, tasa de errores sin asistencia, calidad de las preguntas formuladas, capacidad de justificar decisiones y necesidad de escalado a perfiles expertos.1
Una de las conclusiones que se desprende del conjunto de publicaciones es que saber y saber trabajar son categorías distintas. La educación puede proporcionar conocimientos, metodologías y lenguajes. El trabajo añade contexto, restricciones, ambigüedad, consecuencias, relaciones y responsabilidad.
El aprendizaje profesional puede representarse como una secuencia: conocimiento → práctica → error → feedback → repetición → reconocimiento de patrones → criterio → decisión → responsabilidad → autonomía.
Esta secuencia desplaza el debate desde «qué sabe el candidato» hacia «cómo se convierte una persona en profesional». Y obliga a incorporar a la empresa al análisis: la organización no sólo consume talento; también puede producirlo, estancarlo o destruirlo.
5. La paradoja senior: ahorrar experiencia y necesitar más criterio
En la banca, el conocimiento tácito importa. No todo está en el manual de riesgos, en la ficha de producto o en la normativa. Hay memoria de crisis, conocimiento del cliente, experiencia con excepciones y comprensión de por qué ciertos controles existen. El profesional senior no es valioso por su edad, sino por la calidad y transmisibilidad de ese conocimiento.
La automatización puede reducir horas de ejecución experta y, al mismo tiempo, aumentar la importancia de validar resultados complejos. Esta es una hipótesis, no una ley. Dependerá de la fiabilidad de los sistemas, la complejidad del negocio y la calidad de la gobernanza.
El ejemplo de los «traductores del tiempo», entre sistemas heredados como COBOL y herramientas actuales, ilustra la necesidad de transferencia bidireccional: experiencia organizativa hacia el nuevo profesional y nuevas capacidades tecnológicas hacia quien conoce el negocio. Prescindir de cualquiera de las dos partes puede empobrecer a la organización.
«El conocimiento puede abaratarse. El criterio no necesariamente.»
La transferencia de conocimiento tácito no debe idealizarse: también puede transmitir rutinas obsoletas. La solución es una conversación estructurada entre experiencia y tecnología, con validación de aquello que merece conservarse y aquello que debe cambiar.
El ejemplo de COBOL y Python introduce la transmisión intergeneracional del conocimiento. El problema no consiste sólo en que desaparezcan programadores de una tecnología antigua. Puede desaparecer el conocimiento de por qué determinados sistemas fueron construidos así, qué excepciones esconden y cómo reaccionar cuando dejan de funcionar.
El senior aporta memoria organizativa y conocimiento tácito; el junior, herramientas y lenguajes nuevos. El profesional híbrido —el «traductor del tiempo»— conecta ambas capas. El aprendizaje deja de ser exclusivamente vertical: también puede ser bidireccional.
13/07/2026 — ENSEÑAR A TRABAJAR: ¿Se buscan «traductores del tiempo» de COBOL a Python?. Publicación original en LinkedIn
6. El jefe que lo hace todo y el liderazgo aumentado
En «Enseñar a trabajar» aparece la figura del jefe que resuelve cada problema por su equipo. Puede parecer eficiente y, sin embargo, impedir el aprendizaje. La IA introduce una variante: un directivo puede utilizarla para hacerlo todo más rápido y seguir concentrando las decisiones. Habrá automatizado la ejecución, no habrá desarrollado autonomía.1
El liderazgo aumentado no debería medirse por el número de informes que produce un manager ni por cuántas personas controla. Debería medirse por su capacidad para distribuir responsabilidades, construir criterio en otros, diseñar límites de delegación y detectar cuándo una decisión exige intervención humana.
Si un agente puede preparar una propuesta de crédito o una comunicación comercial, el responsable sigue necesitando comprender qué datos se utilizaron, qué restricciones operan, cómo se documenta la decisión y cómo se corrige un error. Un buen liderazgo no elimina la responsabilidad al incorporar tecnología; la hace más explícita.
La variable organizativa más importante puede no ser el número de subordinados, sino la calidad de la delegación: qué decisiones son reversibles, cuáles requieren doble validación y quién tiene capacidad para detener un proceso automatizado.
Aquí aparece de forma inequívoca la etiqueta «Enseñar a trabajar». La ironía del empleado cuyo jefe decide, corrige, piensa, reescribe y finalmente utiliza también la IA por él permite describir un mecanismo organizativo reconocible: la microgestión puede garantizar el resultado inmediato y destruir simultáneamente el aprendizaje.
La pieza identifica cuatro tareas del liderazgo que quedan desplazadas cuando el jefe se convierte en ejecutor universal: construir equipo, desarrollar talento, crear autonomía y generar criterio.
El problema no es sólo que el junior no sepa trabajar. Es que puede estar dentro de un sistema que no le permite aprender a hacerlo.
7. La oficina bancaria y la relación humana que sí importa
La oficina no puede defenderse únicamente por nostalgia ni condenarse por analogía con otras industrias. Su función depende del cliente, del territorio y de la complejidad de los servicios. La consulta rutinaria puede desplazarse a canales automáticos; una herencia, una refinanciación difícil, un fraude o una decisión patrimonial importante pueden requerir atención cualificada.2
Los datos de CECA aportan una dimensión relevante al análisis. En 2025 su sector declaraba 60.733 empleados, 56% mujeres, 25 millones de usuarios de banca digital y 7.260 oficinas.
Esta combinación es interesante porque evita presentar proximidad y digitalización como opuestos. Una organización puede tener elevada adopción digital y mantener simultáneamente una red extensa.
La hipótesis relevante es que una parte del valor de la oficina se desplace desde ejecutar transacciones hacia interpretar necesidades, construir confianza y resolver excepciones. No equivale a predecir cuántas sucursales cerrarán. Exige estudiar accesibilidad, exclusión digital, envejecimiento, banca rural, costes de servicio y calidad de atención.
En este escenario, la confianza no es una cualidad abstracta. Es una relación que se sostiene mediante competencia, claridad, trazabilidad y posibilidad de reclamar cuando algo sale mal.
En territorios envejecidos o con baja densidad de población, una tecnología puede ampliar la capacidad de servicio de una oficina pequeña. La alternativa no es siempre presencia humana o automatización: también puede ser presencia humana aumentada.
Si aproximadamente el 57% de la red son mujeres, la transformación de la oficina tiene inevitablemente una dimensión de género. Pero también una dimensión generacional y territorial.
La sucursal ya no es únicamente un punto transaccional. En muchos lugares funciona como espacio de asesoramiento, resolución de incidencias, acompañamiento digital y relación de confianza. Cuanto más se automatiza la operación simple, más puede desplazarse el valor del empleado hacia problemas complejos.
Esto es especialmente visible con clientes mayores. La digitalización puede reducir la necesidad de presencia para una parte de la población y aumentar el valor de la presencia para otra.
Por eso no deberíamos preguntar únicamente cuántas oficinas quedan. Deberíamos preguntar qué función cumplen las que permanecen y qué capacidades tienen quienes trabajan en ellas.
8. Mujeres en banca: quién ocupará los trabajos que ganen valor
Nuestro trabajo «Mujer, banca e inteligencia artificial» propone una pregunta distinta de la habitual: no solo cuántas mujeres trabajan hoy en el sector, sino dónde estarán cuando cambien las funciones y las carreras profesionales. El análisis debe distinguir red comercial, operaciones, riesgos, tecnología, dirección, cooperativas, entidades de CECA y empleo externalizado.2
Si aproximadamente el 57% de la red son mujeres, la transformación de la oficina tiene inevitablemente una dimensión de género. Pero también una dimensión generacional y territorial.
La sucursal ya no es únicamente un punto transaccional. En muchos lugares funciona como espacio de asesoramiento, resolución de incidencias, acompañamiento digital y relación de confianza. Cuanto más se automatiza la operación simple, más puede desplazarse el valor del empleado hacia problemas complejos.
No es metodológicamente correcto inferir que la IA perjudicará más a las mujeres sin cruzar composición por sexo, tareas expuestas, formación, movilidad y promoción. También sería insuficiente suponer que el acceso generalizado a herramientas genera igualdad de oportunidades. La nueva desigualdad puede aparecer en quién diseña procesos, valida modelos, accede a proyectos estratégicos y dirige equipos híbridos.
«Podemos medir perfectamente la igualdad de la banca que estamos dejando atrás y no medir la igualdad de la banca que estamos construyendo.»
La perspectiva de género debe incorporarse desde el diseño del indicador y no añadirse al final. El dato agregado de plantilla no informa por sí solo de la participación en los proyectos, en la gobernanza de modelos o en la promoción hacia nuevas funciones.
La OIT publicó en marzo de 2026 un análisis basado en microdatos armonizados de 84 países. Las ocupaciones predominantemente femeninas presentan una exposición a IA generativa del 29%, frente al 16% de las predominantemente masculinas. La explicación está relacionada con la concentración femenina en tareas administrativas, clericales y de soporte empresarial.
Pero la misma fuente subraya algo esencial: para la mayoría de las ocupaciones, el impacto más probable será el cambio en tareas, capacidades y condiciones de trabajo, no una desaparición generalizada del empleo.
También existen contrapesos importantes. Un working paper del BCE que analiza 16 países europeos entre 2011 y 2019 encuentra, en promedio, una asociación positiva entre exposición ocupacional a tecnologías habilitadas por IA y crecimiento de la participación femenina dentro de esas ocupaciones, aunque con heterogeneidad entre países.
La OCDE, por su parte, situó en 2025 la brecha agregada por sexo en uso de IA generativa en 4,2 puntos porcentuales, muy por debajo de las diferencias por edad, educación o renta.
9. De la inteligencia propia a la inteligencia contratada
Las alianzas con grandes proveedores de modelos, nube y software hacen posible desplegar capacidades con rapidez. Pero plantean una pregunta estratégica: si varias entidades pueden contratar tecnologías similares, ¿qué conserva cada banco como ventaja diferencial? La respuesta podría encontrarse en la calidad de los datos, los procesos, el conocimiento del cliente, la gestión del riesgo, la cultura de servicio y la ejecución organizativa.3
La IA modifica la búsqueda, comparación y contratación de productos financieros. El cliente puede comenzar su decisión en un asistente conversacional en lugar de visitar el sitio del banco o un comparador convencional.
Existe además una nueva forma de dependencia: no solo externalizar tareas, sino contratar capacidades de análisis y ejecución. La «soberanía» no exige desarrollar todo internamente; exige conocer las dependencias, disponer de alternativas razonables, proteger los datos, auditar proveedores y conservar la capacidad de explicar y controlar decisiones.
El coste total de la IA debe incluir licencias, infraestructura, integración, formación, validación, seguridad, dependencia y salida del proveedor. De otro modo, la promesa de ahorro puede ocultar un traslado de costes.
La dependencia de terceros no es necesariamente mala: puede ser eficiente y reversible. El problema aparece cuando la entidad no puede cambiar de proveedor, reconstruir una decisión o mantener operaciones críticas ante una interrupción.
La IA agéntica permite plantear una tercera globalización: después de desplazar fábricas y tareas intelectuales, las empresas pueden descargar parte de la capacidad cognitiva en sistemas inteligentes. La unidad productiva empieza a parecerse menos a «una persona» y más a «persona + agentes».
La consecuencia para «Enseñar a trabajar» es directa: el recurso escaso deja de ser únicamente el conocimiento. Ganan peso juicio, experiencia, comprensión del contexto y capacidad para dirigir inteligencias artificiales.
Hipótesis propia: la banca puede reducir dependencia de ciertas tareas humanas y simultáneamente aumentar dependencia de un número limitado de plataformas tecnológicas. El indicador decisivo no será la cantidad de acuerdos, sino la capacidad de mantener continuidad operativa, trazabilidad, portabilidad de datos y modelos, control del coste y alternativas técnicas y contractuales. No se afirma que los bancos hayan perdido el control de sus decisiones.
10. Cuando la IA entra en el negocio y no solo en los costes
La banca comercial no vive únicamente de reducir tiempos administrativos. Vive de captar recursos, gestionar riesgos, financiar actividad, prestar servicios, retener clientes y obtener rentabilidad dentro de un marco regulado. La IA puede intervenir en cada uno de esos eslabones, desde el asesoramiento hasta la prevención del fraude, pero sus resultados no pueden darse por supuestos.
En la comercialización emerge otra hipótesis: los asistentes que comparan productos podrían alterar el descubrimiento y la selección de ofertas financieras. Nuestros conceptos GEO y AEG apuntan al desplazamiento desde competir por la atención hacia competir por la probabilidad de aparecer en las recomendaciones de sistemas intermediarios. Es una línea prospectiva propia, no una conclusión demostrada por las noticias de la semana.
También debe distinguirse la IA de otras transformaciones conexas —blockchain, stablecoins, euro digital, nuevas infraestructuras de pagos—. Pueden converger en procesos comerciales y operativos, pero no son la misma tecnología ni comparten necesariamente sus causas y riesgos.
Una misma tecnología puede producir ahorro operativo y nuevas oportunidades comerciales, pero la personalización financiera está limitada por deberes de transparencia, protección del cliente y criterios de idoneidad cuando correspondan.
El marco SEO–GEO–AEG que hemos venido desarrollando es una propuesta conceptual propia para analizar visibilidad, recomendación y mediación algorítmica. No se presenta como terminología regulatoria ni como clasificación académica universal.
La investigación deberá estudiar cómo se seleccionan y presentan hipotecas, préstamos, depósitos, seguros y medios de pago; cómo se comunican costes y riesgos; y quién responde cuando una recomendación automatizada es incorrecta o incompleta.
11. La banca no puede delegar su responsabilidad
En un sector regulado, la eficiencia no puede medirse separada de la resiliencia. La automatización de decisiones, el uso de modelos externos y los agentes que ejecutan acciones requieren controles sobre datos, seguridad, cumplimiento, supervisión humana y posibilidad de intervención. La alerta supervisora sobre ciberseguridad y las preocupaciones aseguradoras por litigios deben tratarse como riesgos y obligaciones concretos, no como pruebas de daños inevitables.456
La pregunta decisiva es quién responde cuando una recomendación automatizada perjudica al cliente. La entidad puede contratar herramientas, pero no debe confundir contratación con transferencia de todas sus obligaciones. Cuanto más autónoma sea la ejecución técnica, más claro ha de ser el mapa de responsabilidad.
En banca, una decisión eficiente que no pueda explicarse, impugnarse o corregirse puede terminar siendo una decisión cara.
La gobernanza de IA debe conectarse con las tres líneas de defensa, la gestión de proveedores y los controles de modelo existentes, evitando crear una capa paralela de comités que aumente costes sin mejorar la responsabilidad.
La IA bancaria se desarrolla bajo varias capas regulatorias que deben analizarse por separado: solvencia y capital (marco de Basilea y normas europeas aplicables), supervisión prudencial, protección de datos, resiliencia operativa digital, protección del consumidor, normativa sectorial y régimen europeo de IA.
No toda aplicación de IA en banca tiene la misma clasificación de riesgo. Por ejemplo, determinados sistemas para evaluar solvencia crediticia de personas físicas pueden estar sujetos a obligaciones específicas del Reglamento europeo de IA; otras aplicaciones requieren análisis individual de su finalidad y contexto.
La supervisión humana debe ser operativa, no meramente nominal. El informe propone documentar trazabilidad, validación, escalado de incidencias, pruebas, proveedores, continuidad y atribución de responsabilidades.
12. Empleo: evitar la aritmética fácil
Los escenarios publicados sobre destrucción y creación de empleo deben leerse como escenarios. Una tarea automatizable no es un puesto suprimido; una vacante que no se repone no equivale a un despido causado por IA; y una reducción de plantilla puede responder a fusiones, demografía, estrategia comercial o transformación de canales.
La OIT publicó en marzo de 2026 un análisis basado en microdatos armonizados de 84 países. Las ocupaciones predominantemente femeninas presentan una exposición a IA generativa del 29%, frente al 16% de las predominantemente masculinas. La explicación está relacionada con la concentración femenina en tareas administrativas, clericales y de soporte empresarial.
Pero la misma fuente subraya algo esencial: para la mayoría de las ocupaciones, el impacto más probable será el cambio en tareas, capacidades y condiciones de trabajo, no una desaparición generalizada del empleo.
Para estudiar el efecto real deben observarse, por entidad y función, entradas y salidas, edad, cualificación, evolución de tareas, productividad, negocio, contratación externa y calidad del servicio. También hay que medir los empleos desplazados hacia proveedores y los nuevos perfiles de control, ingeniería y supervisión.
La pregunta sobre empleo debe complementarse con otra menos visible: qué capacidad profesional queda dentro de la organización después del ajuste.
Conviene analizar el empleo en términos de flujos y composición: salidas, incorporaciones, formación, movilidad interna, horas contratadas externamente y evolución del negocio. Una fotografía de plantilla no explica por sí sola la causalidad.
La banca española conoce bien las reestructuraciones. Fusiones, cierres de oficinas, digitalización, centralización, automatización y prejubilaciones forman parte de una transformación iniciada mucho antes de la actual ola de IA generativa.
En 2026 vuelven a aparecer movimientos relevantes, pero conviene no mezclarlos. Un ERE no es una prejubilación; una baja incentivada no es una salida natural; una reducción de plantilla global no equivale a una reducción en España.
Santander acordó en verano un marco de prejubilaciones voluntarias para empleados de mayor edad. En septiembre comunicó además un ERE en Santander Digital Services y Gravity. A 21 de septiembre todavía no se conoce el número final de afectados. Las causas comunicadas incluyen reorganización tecnológica, unificación de plataformas, duplicidades, menor demanda de determinados servicios, automatización y nuevas herramientas de desarrollo.
BBVA realizó en el primer trimestre un plan de salidas voluntarias que afectó a 750 empleados globalmente, 230 en España. Su consejero delegado señaló expresamente que esas bajas no habían tenido que ver con la IA.
13. Una matriz de investigación, no una profecía
La agenda de evaluación debería distinguir corto plazo (2027), medio plazo (2030) y escenarios de mayor incertidumbre (2035), con indicadores repetibles y una revisión de supuestos, no con extrapolaciones lineales.
Escenario A — Complementariedad: la IA libera tiempo y aumenta capacidad comercial sin ajustes de plantilla equivalentes. Escenario B — Sustitución selectiva: disminuyen tareas y puestos rutinarios, con reconversión parcial. Escenario C — Reorganización profunda: los agentes integran procesos y se rediseñan niveles jerárquicos, canales y proveedores.
No asignamos probabilidades a estos escenarios. Su evolución dependerá de costes tecnológicos, regulación, crecimiento económico, demanda, demografía, capacidad de adopción y decisiones de cada entidad.
Para 2035, cualquier proyección cuantitativa de empleo deberá identificar fuente, escenario base, destrucción bruta, creación de puestos y resultado neto. La cifra del 33 % citada en la cobertura requiere cotejarse con la metodología original antes de tratarla como estimación firme.
14. Conclusión: la inteligencia que no se puede instalar
La banca podrá contratar modelos más potentes, desplegar agentes, automatizar tareas y competir con nuevos intermediarios. Es probable que muchas de esas capacidades terminen siendo accesibles a todos los grandes competidores. La diferenciación, entonces, no residirá simplemente en tener IA sino en qué problemas decide resolver cada entidad, cómo organiza su trabajo y qué calidad de juicio conserva.
Si la IA permite ejecutar más sin comprender mejor, la organización habrá aumentado su velocidad, no necesariamente su inteligencia. Si elimina tareas sin rediseñar el aprendizaje, puede ganar productividad hoy y generar una deuda de experiencia mañana. Si reduce estructuras sin revisar la responsabilidad, puede desplazar el riesgo hacia clientes y supervisores. Y si forma empleados solo para utilizar herramientas, habrá confundido alfabetización tecnológica con desarrollo profesional.1
La oportunidad es otra: aprovechar la tecnología para que el trabajo humano sea más autónomo, mejor informado, más responsable y capaz de crear valor. Eso exige enseñar a trabajar, no solo enseñar a usar IA.
«La banca puede comprar inteligencia artificial. Lo que no puede comprar de forma instantánea es el criterio profesional que necesitará para gobernarla.»
Nota de fuentes y atribución
Este texto es un ensayo original construido a partir de líneas de trabajo previas del autor. Las noticias se utilizan como contraste sectorial y no se reproducen sus artículos. Las afirmaciones prospectivas se presentan como hipótesis, no como resultados empíricos.3
Obras de trabajo propias consultadas: Francisco Misiego, «Enseñar a trabajar. Arqueología de una idea sobre talento, experiencia, criterio e inteligencia artificial» (recopilación 2024–septiembre de 2026); «Mujer, banca e inteligencia artificial. Quién ocupará la banca que estamos construyendo» (septiembre de 2026); dossier de investigación «IA y banca» (octubre de 2026).
Contexto periodístico: EXPANSIÓN, serie «La IA revoluciona la Banca», entregas del 5 al 9 de octubre de 2026, incluidas las páginas facilitadas por el autor sobre productividad, alianzas tecnológicas, supervisión e IA agéntica. Las magnitudes divulgadas por entidades no se han convertido en resultados verificados cuando son objetivos o previsiones.
El cierre no es una defensa nostálgica del empleo existente. Es una exigencia de diseño institucional: producir más, formar mejor, conservar el conocimiento crítico, repartir responsabilidades y demostrar resultados sin confundir automatización con inteligencia organizativa.
¿Quién hará dentro de diez años el trabajo senior si hoy automatizamos el trabajo junior con el que antes se aprendía a ser senior?
Esta pregunta resume el punto de llegada de la serie. Desplaza el debate desde la sustitución de empleo hacia la reproducción del expertise. Una empresa puede ahorrar horas junior y, sin advertirlo, reducir el flujo futuro de profesionales capaces de supervisar, interpretar excepciones y asumir decisiones complejas.
15. El negocio bancario: de dónde puede venir el valor
El banco no es un centro de costes con una aplicación de inteligencia artificial. Su economía depende de captar recursos, prestar, gestionar riesgo y liquidez, obtener comisiones, mantener relaciones comerciales y cumplir obligaciones prudenciales. Cualquier promesa de IA debe traducirse a esa lógica. El ahorro de minutos en la preparación de una oferta no se convierte automáticamente en margen financiero; una mejora en detección del fraude tampoco debe contabilizarse como venta adicional.
La IA puede intervenir en la captación y retención de depósitos, la originación del crédito, la prevención del fraude, la atención, la recuperación de deuda, la documentación, los procesos de cumplimiento y la ingeniería del software. En cada función el indicador relevante es diferente. En crédito importa también la mora ajustada por riesgo; en depósitos, el coste de financiación y la persistencia de los saldos; en comercialización, la conversión junto con la idoneidad y las reclamaciones; en operaciones, el coste unitario sin deterioro de calidad.
La presión sobre la banca no procede únicamente de nuevos bancos. Los asistentes capaces de comparar productos podrían alterar quién descubre una oferta, quién explica sus condiciones y quién conduce la decisión. No es todavía una sustitución probada de los canales comerciales, pero sí un posible cambio en el poder de intermediación.
La matriz del valor bancario
| Función | Oportunidad | Control necesario |
| Crédito | Mejor preparación y análisis de expedientes | Sesgos, trazabilidad, calidad de decisión y morosidad |
| Depósitos | Atención y segmentación más precisas | Transparencia, idoneidad y coste de captación |
| Oficina | Más tiempo para casos complejos | Inclusión, confianza y acceso territorial |
| Operaciones | Menos reprocesos y documentación manual | Excepciones, continuidad y errores |
| Riesgos y fraude | Detección y priorización | Falsos positivos, seguridad y revisión humana |
| Software | Aceleración de desarrollo | Vulnerabilidades, deuda técnica y mantenimiento |
16. La nueva distribución: SEO, GEO y AEG
En los canales tradicionales, la banca compite por ubicación, recuerdo de marca, publicidad, presencia digital y relación comercial. En los entornos mediados por asistentes, podría competir también por ser considerada y recomendada por un sistema que organiza las alternativas para el cliente. El marco SEO–GEO–AEG que hemos venido elaborando describe una transición conceptual: de optimizar la visibilidad en buscadores a influir legítimamente en la recuperación y explicación de información por sistemas generativos, y después en los mecanismos de selección asistida.
La expresión «mercado de probabilidad» no describe una nueva regulación ni una métrica sectorial establecida; es una hipótesis para investigar qué determina que una oferta entre en el conjunto de opciones consideradas por un agente. Para un banco, esa hipótesis exige analizar estructura de datos de producto, claridad de condiciones, reputación, verificabilidad, experiencia de cliente y reglas de comercialización. La respuesta no puede consistir en manipular modelos o disfrazar publicidad de recomendación.
La consecuencia organizativa es relevante: marketing, cumplimiento, negocio, tecnología y experiencia de cliente tendrán que coordinarse en torno a información que pueda ser interpretada, comparada y auditada. Si el asistente se convierte en filtro, una marca poderosa sin datos claros podría perder oportunidades; una entidad con información verificable podría ganar consideración sin dominar la atención publicitaria.
17. Infraestructuras distintas, transformaciones relacionadas
La IA la tokenización, las stablecoins y el euro digital pueden coincidir en el mismo horizonte estratégico, pero deben analizarse por separado. La inteligencia artificial automatiza o asiste funciones cognitivas y procesos; la tecnología de registros distribuidos puede soportar determinados modelos de registro y liquidación; las stablecoins plantean modelos específicos de dinero tokenizado y riesgo de emisor; el euro digital es un proyecto de dinero público digital sujeto a decisiones institucionales. Ninguna de estas iniciativas implica por sí misma la adopción de las otras.
El análisis comercial debe preguntar si cambian el coste de distribución, los pagos, la relación con plataformas, la liquidez o el cumplimiento. La prudencia exige no convertir posibilidades tecnológicas en cronogramas asegurados ni atribuir a la IA efectos que corresponden a regulación monetaria o a nuevas infraestructuras de pagos.
18. Tres horizontes para observar la transformación
2027: evidencia de adopción y aprendizaje
En el corto plazo conviene observar usos efectivos por función, errores detectados, horas de supervisión, formación aplicada y rediseños de procesos. La pregunta no es cuántas licencias existen, sino si las personas trabajan mejor, si los clientes reciben mejor servicio y si la organización aprende.
2030: rediseño de estructuras y distribución
A medio plazo podría observarse un cambio más visible en la composición de equipos, la relación entre oficina y canales remotos, los mandos intermedios, los servicios externalizados y la dependencia de proveedores. No hay base para asignar una magnitud universal a esos cambios: las entidades, geografías y líneas de negocio son distintas.
2035: reproducción del conocimiento y carrera profesional
A mayor plazo aparece la pregunta más difícil: si las tareas de iniciación se automatizan, ¿qué mecanismos formarán a quienes deban dirigir, supervisar y corregir? La sostenibilidad de una organización depende de su capacidad para producir no solo resultados, sino también los profesionales que producirán y controlarán los resultados futuros.
| Escenario | Qué ocurriría | Señal a vigilar |
| Complementariedad | Más producción y mejor servicio con equipos transformados | Autonomía y calidad crecen junto a productividad |
| Sustitución selectiva | Desaparecen ciertas tareas y se contraen funciones | Caen horas/puestos en actividades identificadas |
| Dependencia | La capacidad operativa se concentra en proveedores | Coste de salida, incidentes, concentración |
| Deuda de experiencia | Mejora producción, no aprendizaje | Peor desempeño sin IA ante casos nuevos |
19. Agenda empírica: cómo comprobar las hipótesis
Una tesis de organización no debería limitarse a afirmar que el criterio importa. Debe definirlo de forma observable. Puede operacionalizarse mediante la capacidad de identificar información insuficiente, justificar decisiones, detectar errores plausibles, resolver excepciones y transferir conocimiento a otros. La autonomía puede medirse por la proporción de tareas resueltas sin escalado indebido, la calidad del resultado y la responsabilidad asumida; no por el mero uso individual de una herramienta.
El diseño recomendable combinaría mediciones antes/después y grupos comparables, entrevistas con managers y empleados, revisión de expedientes anonimizados y análisis de procesos. Los efectos sobre mujeres y hombres deben desagregarse por función y categoría; los de seniority, por experiencia relevante y no únicamente por edad. Una parte del trabajo debería estudiar también a los proveedores externos.
| Hipótesis propia | Indicador de contraste | Posible resultado contrario |
| IA y deuda de experiencia | Resolución de casos inéditos sin asistencia | La formación rediseñada acelera el criterio |
| Seniority y control | Errores evitados y tiempo de revisión | Modelos más fiables reducen necesidad de supervisión |
| Liderazgo aumentado | Autonomía del equipo y escalados | Aumenta control y disminuye delegación |
| IA y mujeres en banca | Movilidad, promociones, exposición por tarea | Las oportunidades se distribuyen de forma equilibrada |
| GEO/AEG financiero | Tráfico, recomendación y contratación asistida | La intermediación no altera los canales dominantes |
20. Cierre: una organización que aprende o una organización que solo ejecuta
El debate bancario suele oscilar entre el entusiasmo por la eficiencia y el temor a la desaparición de empleo. Ambos enfoques son incompletos. La pregunta decisiva es qué estructura productiva emerge y qué capacidad conserva para tomar decisiones, aprender de sus errores y mantener la confianza. El valor económico de la IA dependerá tanto de su calidad técnica como de la calidad organizativa que la rodee.
Una entidad que reduce tiempos pero destruye la formación de sus profesionales puede mejorar un trimestre y comprometer una década. Una entidad que preserva todos sus procesos por miedo al cambio puede perder competitividad. La alternativa no consiste en elegir entre humanos y máquinas, sino en diseñar una división del trabajo donde la tecnología amplíe las capacidades sin hacer desaparecer la responsabilidad, el aprendizaje ni la posibilidad de cuestionar sus resultados.
Por eso la cuestión de fondo no es si la banca puede comprar inteligencia. Puede hacerlo. La cuestión es si puede convertir esa capacidad comprada en una organización más inteligente, sin consumir el criterio profesional del que depende su continuidad.
«¿Quién hará dentro de diez años el trabajo senior si hoy automatizamos el trabajo junior con el que antes se aprendía a ser senior?»
Notas y referencias citadas
1. Misiego, F. (2026). «Enseñar a trabajar: arqueología de una idea sobre talento, experiencia, criterio e inteligencia artificial». Documento de trabajo y recopilación de publicaciones (2024–2026).
2. Misiego, F. (2026). «Mujer, banca e inteligencia artificial: quién ocupará la banca que estamos construyendo». Documento de trabajo, septiembre.
3. EXPANSIÓN (5–9 de octubre de 2026). Serie «La IA revoluciona la Banca». Páginas de prensa facilitadas para este análisis. Referencia de contexto, no fuente de las hipótesis originales.
4. Unión Europea (2024). Reglamento (UE) 2024/1689, por el que se establecen normas armonizadas en materia de inteligencia artificial. EUR-Lex: https://eur-lex.europa.eu/eli/reg/2024/1689/oj
5. Unión Europea (2022). Reglamento (UE) 2022/2554 sobre resiliencia operativa digital del sector financiero (DORA). EUR-Lex: https://eur-lex.europa.eu/eli/reg/2022/2554/oj
6. Unión Europea (2016). Reglamento (UE) 2016/679, Reglamento general de protección de datos. EUR-Lex: https://eur-lex.europa.eu/eli/reg/2016/679/oj
Fuentes, atribuciones y límites de verificación
FUENTES PROPIAS DE TRABAJO. Francisco Misiego, «Enseñar a trabajar. Arqueología de una idea sobre talento, experiencia, criterio e inteligencia artificial» (recopilación de publicaciones 2024–septiembre 2026); «Mujer, banca e inteligencia artificial» (estudio de trabajo, 2026); dossiers sobre banca, IA comercialización, GEO y AEG (2026). Las denominaciones «deuda de experiencia», «Método de la Segunda Pregunta», «curva del talento» y «mercado de probabilidad» se utilizan como marcos conceptuales del autor, no como teorías validadas universalmente.1
CONTEXTO PERIODÍSTICO. EXPANSIÓN, serie «La IA revoluciona la Banca», publicada en octubre de 2026; páginas aportadas sobre despliegues en bancos españoles, alianzas con proveedores, supervisión del BCE y agentes en banca internacional. No se reproducen artículos íntegros ni se atribuyen a esas noticias nuestras hipótesis.
MARCO NORMATIVO PARA CONTRASTE. Reglamento (UE) 2024/1689 sobre inteligencia artificial; Reglamento (UE) 2022/2554 (DORA); Reglamento (UE) 2016/679 (RGPD); normativa bancaria prudencial y de conducta aplicable. Su aplicación depende de la función y del sistema concreto; no todas las herramientas de IA están sujetas a idénticas obligaciones.
CRITERIO DE RIGOR. Las cifras de despliegue o ahorro comunicadas por bancos se consideran anuncios o mediciones de las entidades hasta contar con evidencia independiente. Los escenarios de empleo no son despidos constatados. Las referencias estadísticas de estudios previos que no se han podido contrastar de nuevo se han evitado o expresado sin cifras. Antes de una publicación académica deberán incorporarse citas bibliográficas completas y fuentes primarias para cada dato empírico.
