Agentes de IA autónomos para operaciones bancarias

El banco contaba con numerosos procesos que no podían automatizarse fácilmente mediante reglas tradicionales, ya que requerían consultar múltiples sistemas, interpretar información no estructurada, tomar decisiones intermedias, ejecutar acciones en diferentes plataformas y manejar excepciones.

Un proceso típico podía involucrar consultar el CRM, revisar documentación, consultar el core bancario, validar reglas, tomar una decisión, actualizar sistemas y notificar al cliente. Esta complejidad generaba tiempos de ciclo elevados, tareas repetitivas, dependencia de operadores especializados, errores humanos y dificultades para escalar las operaciones.

Además, existía una necesidad crítica de mantener trazabilidad sobre las decisiones y acciones ejecutadas. El objetivo era crear agentes capaces de consultar, razonar y actuar sin otorgar al LLM acceso irrestricto a los sistemas bancarios.

Rootstack diseñó e implementó una arquitectura de agentes de IA autónomos y gobernados basada en el flujo:

Usuario / Evento → AI Agent → Orquestador → MCP Tools → APIs / Microservicios → Sistemas empresariales

El agente utilizaba Claude para interpretar el objetivo, analizar los resultados y determinar los siguientes pasos, mientras que MCP y Rootlenses proporcionaban acceso controlado a las capacidades reales de la organización. El ciclo de ejecución seguía el modelo Consultar → Analizar → Decidir → Actuar → Verificar → Continuar, con cada acción limitada por herramientas, permisos y guardrails previamente definidos.

La arquitectura incorporó un Agent Orchestrator encargado de administrar el objetivo, estado de ejecución, pasos completados, resultados de herramientas, próximas acciones, errores y condiciones de escalamiento. La capa de razonamiento basada en Claude determinaba qué herramienta utilizar, pero no ejecutaba directamente operaciones sobre los sistemas empresariales.

MCP funcionó como una capa estructurada de acceso a las capacidades bancarias. Los agentes podían utilizar herramientas como consulta de clientes, cuentas, historial de transacciones, validación de clientes y creación de solicitudes, pero únicamente cuando dichas tools estaban explícitamente disponibles y autorizadas. Rootlenses permitió gobernar las herramientas, permisos, autenticación, versiones, integraciones, ambientes, logs y observabilidad.

La solución permitió automatizar workflows de hasta múltiples pasos, desde la recepción de una solicitud y consulta de información hasta la validación, evaluación de reglas, ejecución de acciones y verificación del resultado. n8n complementó esta arquitectura mediante triggers, webhooks, llamadas API, procesamiento asíncrono, notificaciones y workflows determinísticos.

Un principio fundamental fue separar el razonamiento de la IA de la ejecución de operaciones. Claude podía determinar que necesitaba consultar información adicional, pero la acción real debía ejecutarse mediante una MCP Tool autorizada. Esto redujo el riesgo de que el modelo pudiera realizar operaciones fuera del perímetro definido.

Los agentes incorporaron guardrails para limitar las tools disponibles, validar parámetros e identidad, aplicar permisos, restringir operaciones por proceso y ambiente, detectar condiciones de riesgo y establecer límites sobre el número de pasos. Para operaciones críticas se implementó un modelo human-in-the-loop, en el que el agente podía preparar una acción, pero debía detenerse y solicitar aprobación humana antes de ejecutarla.

La arquitectura también contempló manejo de excepciones, memoria y contexto de ejecución, observabilidad, auditoría y resiliencia mediante retries controlados, timeouts, idempotencia, manejo estructurado de errores, circuit breakers y persistencia del estado del workflow. Esto permitió reconstruir el recorrido completo de cada operación y evitar la pérdida de procesos ante fallos temporales de sistemas externos.

El proyecto tuvo una duración de 6 meses y permitió automatizar 15+ workflows multi-paso, integrando 10+ sistemas empresariales. Se alcanzó una reducción estimada del 50% en el tiempo de ciclo, con 60–70% de las tareas operativas automatizadas y una reducción estimada del 40% en errores manuales. El 100% de las acciones críticas requirió aprobación humana, el 100% de las interacciones agente-sistema fue auditado y la plataforma alcanzó una disponibilidad de 99.9%+.