Tu modelo es un bien de consumo. Tus cimientos de datos, no.

En el plazo de un año, el modelo de frontera ha pasado de escaso a ambiente. BBVA ha desplegado ChatGPT Enterprise en casi todos sus aproximadamente 120.000 empleados; la LLM Suite de JPMorgan ha llegado al orden de los 200.000; DBS atribuye a la IA en torno a 1.000 millones de dólares de Singapur de valor económico en 2025, repartidos en más de 430 casos de uso. Cuando todos los competidores tienen los mismos modelos en todos los puestos, el modelo ya no es donde vive la ventaja: es la nueva línea de base, al alcance de cualquiera con un contrato.

Es la expresión bancaria del Reinicio (el momento, a finales de 2025, en que los modelos cambiaron el reparto entre personas e IA): la capacidad se ha convertido en un bien de consumo. La pregunta interesante ya no es qué modelo usa un banco, sino si el banco es capaz de alimentarlo, y eso resulta ser un problema bastante más difícil que comprar una licencia.

El AI Playbook for Financial Services 2026 del WEF y Accenture ha encontrado que la analítica de datos es el área de IA en la que más se centra el sector, con un 68 % de adopción, por delante de la IA generativa y de la IA agéntica. El motivo es tajante: los agentes y los copilotos solo pueden actuar sobre datos unificados, gobernados y en tiempo real, y en la mayoría de los bancos los datos de cliente, de transacciones y de riesgo están fragmentados en cores con décadas de antigüedad. ING ha dicho sin rodeos que está reescribiendo sus sistemas centrales porque, sin ese trabajo previo, hasta los mejores proyectos de IA acaban siendo “parches cosméticos sobre una lógica de hace treinta años”.

Por eso los líderes tratan los cimientos de datos (productos de datos con dueño en cada dominio, gobernanza federada, una visión unificada del cliente y del riesgo) como el programa de verdad, y el modelo como un detalle. Quien elimina antes los silos se gana la capacidad de construir a velocidad de fintech; los demás hacen pilotos que nunca llegan a producción. La lección del gráfico es toda la tesis: el valor se ha movido de la capa del modelo a la capa que hay debajo.

El Reglamento DORA está en vigor desde enero de 2025 y exige estrategias de salida de la nube documentadas y control sobre los terceros críticos de TIC; las obligaciones de alto riesgo del Reglamento europeo de IA entran en aplicación el 2 de agosto de 2026; y FiDA convertirá las finanzas abiertas en productos de datos con permiso y servidos por API. Sumados, hacen inevitable la pregunta de arquitectura: residencia, salida, auditabilidad, jurisdicción. Y la residencia no es lo mismo que la soberanía: unos datos alojados en una región de Fráncfort de un proveedor con sede en Estados Unidos siguen al alcance de la CLOUD Act estadounidense, y las cláusulas contractuales tipo no lo remedian.

Los mayores bancos de Europa han leído la señal. Un sindicato con BNP Paribas, Crédit Agricole y HSBC ha respaldado a Mistral con 830 millones de euros de financiación de deuda, destinados específicamente a despliegues autoalojados, con residencia de datos en la UE y fuera del alcance de la CLOUD Act. El mensaje no deja lugar a dudas: los cimientos de datos que importan no solo tienen que estar integrados y gobernados; en Europa tienen que ser soberanos, o son un pasivo a la espera de una auditoría.

Deja de medir la madurez en IA por el acceso a modelos y empieza a medirla por la preparación de los datos: ¿puedes producir en tiempo real una visión unificada y gobernada de un cliente y de una posición de riesgo? La mayoría de los bancos no puede, y ese hueco es la hoja de ruta de verdad.

Construye los cimientos como productos de datos con dueño en cada dominio y gobernanza federada, sobre una infraestructura cuya residencia, salida y jurisdicción puedas demostrar, para que la misma arquitectura que satisface el Reglamento DORA y el Reglamento de IA sea la que mueve a tus agentes.

Pon primero las cargas sensibles y de gran volumen (prevención de blanqueo, conocimiento del cliente, decisiones de crédito) sobre inferencia soberana, donde su auditabilidad es directa, y reserva la frontera para el margen sin datos personales. Después trata cada nuevo caso de uso de IA como una decisión de datos y de ubicación, no como una decisión de modelo. El banco que construye los cimientos es dueño de su IA; el que sigue comprando modelos alquila una capacidad que no puede alimentar.