El banco suizo dice que sus empleados trabajan con más de 12.700 agentes de IA personales y que tiene 608 casos de uso en producción. Son dos cosas distintas, y la diferencia explica por qué el anuncio se lee de dos maneras.
Las dos cifras de UBS que se parecen y no son lo mismo
En los materiales del tercer trimestre, publicados el 28 de octubre, UBS escribió que sus empleados tienen en marcha más de 12.700 agentes de IA personales. La misma página habla de 608 casos de uso en producción, un 81 % más que un año antes.
Un agente personal es un asistente que un empleado monta o adapta para su propio trabajo: resumir correos, preparar una reunión, ordenar una hoja de cálculo. Un caso de uso en producción es un sistema que la empresa despliega, prueba y mantiene, con un dueño y un proceso detrás.
¿Y cuánto ahorra? El comunicado no lo dice. La primera cifra mide adopción. La segunda mide industrialización. Un banco puede tener miles de agentes personales y muy pocos sistemas en producción, o al contrario. UBS no desglosa cuánto aporta cada parte al negocio, y esa es la primera pregunta que queda sin respuesta.
Los 608 casos en producción y los 1.090 en camino
El dato del 81 % interanual indica que la cartera de sistemas desplegados casi se ha duplicado en un año. La entidad añade que tiene más de 1.090 aplicaciones en desarrollo, lo que sugiere que el ritmo no se va a frenar en los próximos trimestres.
Un caso en producción significa que alguien lo usa para trabajar de verdad y que hay un equipo responsable de que siga funcionando. Eso incluye mantenimiento, control de errores y revisión cuando el modelo cambia de versión.
Ese último punto es el que suele subestimarse. Un sistema que depende de un modelo externo puede comportarse distinto tras una actualización, y un banco no puede permitirse que una clasificación de riesgo cambie de criterio sin que nadie lo note.
Dónde trabaja la IA dentro de un banco: el back office manda
La imagen popular sitúa la IA en el chat que atiende al cliente. Los datos del sector apuntan a otro sitio. Según un informe de PYMNTS Intelligence, las aplicaciones financieras se concentran en tareas internas, estructuradas y auditables.
El 65 % de las entidades encuestadas usa IA en reconocimiento de ingresos y cierre contable. El 60 % la aplica a evaluación de riesgo de crédito. Otro 60 % la emplea en previsión de ventas y automatización del pipeline comercial.
Son procesos con reglas claras, mucho volumen y un resultado que se puede comparar con lo que hizo una persona. Con esa combinación se puede medir si el sistema acierta, y por eso los bancos empiezan ahí y no en la conversación con el cliente.
El mismo informe señala que el 85 % de las entidades planea aumentar su presupuesto de IA en los próximos doce meses. La intención de gasto es alta incluso entre quienes todavía están en fase de prueba.
STAAT, los 18.000 desarrolladores y los 30 millones de ideas
Dos cifras del trimestre ayudan a ver dónde se nota el uso. La primera: las herramientas de IA para desarrollo de software cubren a 18.000 desarrolladores del banco. Eso convierte la programación en la función con más usuarios expuestos.
La segunda afecta a los asesores financieros. UBS dice que su herramienta STAAT ha generado más de 30 millones de ideas o recomendaciones usadas en conversaciones con clientes. La palabra "ideas" es del banco; no se especifica cuántas se aplicaron ni cuántas resultaron útiles.
Ese matiz importa. Un sistema que produce 30 millones de sugerencias no es lo mismo que 30 millones de decisiones mejores. Lo primero se cuenta fácil. Lo segundo exige un estudio que la entidad no ha publicado.
El hueco de gobernanza que el informe no cubre
El comunicado no nombra a ningún directivo responsable de este despliegue. Tampoco separa cuántos de los 608 casos atienden al cliente y cuántos son internos. Y no explica cómo se gobiernan 12.700 agentes personales que, por definición, han creado los propios empleados.
Esa última parte es la más delicada en un banco. Un agente personal puede recibir datos de un cliente, un correo interno o un informe confidencial. Si no hay un registro de qué información entra y sale, el riesgo no está en la respuesta: está en el rastro que deja. Ese es el punto.
La publicación AI Weekly señaló precisamente esa ausencia: el anuncio cuenta el despliegue y no el control. Para un regulador, la segunda mitad es la que importa.
Lo que otros bancos están midiendo
Dos ejemplos del sector ayudan a poner las cifras en contexto. Customers Bank probó IA en su proceso de préstamos comerciales y redujo el tiempo de concesión de los habituales 30 a 60 días a unos 7 días.
Regions Bank, en su llamada del 16 de octubre, avisó de que el gasto en ciberseguridad, incluida la relacionada con IA avanzada, podría elevar su gasto no financiero ajustado entre un 1,5 % y un 3,5 % en 2026.
Las dos cifras describen el mismo movimiento desde ángulos opuestos. La IA recorta tiempo en un proceso concreto y a la vez añade un coste de defensa que antes no existía. Un banco que solo mire el ahorro se queda con media foto.
El trimestre que acompaña al anuncio
Los resultados del periodo fueron los esperados: 2.700 millones de dólares de beneficio, en línea con lo previsto. La entidad sigue integrando Credit Suisse y redujo su plantilla en unos 1.500 puestos a tiempo completo durante el trimestre.
Ese dato conviene leerlo junto al anterior. La misma empresa que anuncia 12.700 agentes de IA está recortando empleo mientras completa una fusión. El comunicado no relaciona ambas cosas, y sería un error hacerlo sin pruebas.
La frase oficial del banco sobre su estrategia es amplia: seguir invirtiendo en tecnología, incluida la IA, y en las capacidades de su gente para mejorar la experiencia del cliente, reforzar la infraestructura y ganar eficiencia. Con nada de eso se puede saber cuánto ahorra la IA y cuánto cuesta.
Qué mirar en el próximo trimestre de UBS
Tres cosas concretas. Si la entidad publica una cifra de retorno o de ahorro atribuible a estos sistemas. Si explica cómo audita los agentes creados por empleados. Y si separa los casos de uso internos de los que tocan al cliente.
Sin esos tres datos, el anuncio sirve como termómetro de adopción, no como prueba de resultados. Y en un sector regulado, la diferencia entre adoptar y demostrar es la que decide si un despliegue se amplía o se queda en piloto.
Para el lector que trabaja en una empresa grande, la lección es trasladable. Contar agentes es fácil y suena bien en una presentación. Contar qué procesos cambiaron, con qué control y con qué resultado medible es lo que distingue un proyecto de una demo.
