Capital One y su apuesta por modelos de IA de código abierto: así funciona su plataforma multi-agente
Capital One, uno de los mayores bancos de Estados Unidos, ha dado un paso decisivo en el mundo de la inteligencia artificial al revelar los detalles técnicos y estratégicos de su plataforma multi-agente durante la conferencia VB Transform 2026. Lo más llamativo de esta apuesta no es solo la escala del proyecto, sino la filosofía que lo sustenta: en lugar de depender de los grandes modelos comerciales como los de OpenAI o Anthropic, Capital One ha decidido personalizar profundamente modelos de código abierto usando sus propios datos propietarios. Una decisión que habla mucho sobre hacia dónde se dirige la inteligencia artificial en el sector financiero.
Una estrategia construida desde los cimientos
Kel Vanee, Vicepresidente de Ingeniería de Machine Learning de Capital One, fue el encargado de presentar los detalles de esta arquitectura. Su discurso dejó claro que lo que hoy luce como una plataforma de IA de vanguardia no es el resultado de una reacción apresurada a la moda de la inteligencia artificial generativa, sino la consecuencia lógica de años de inversión en transformación digital, migración a la nube y gobernanza de datos.
Vanee delineó tres pilares fundamentales sobre los que descansa la estrategia de IA de la entidad. En primer lugar, una plataforma empresarial centralizada con gobernanza integrada desde el diseño, que garantiza coherencia y control en todos los desarrollos internos. En segundo lugar, la personalización profunda de modelos de peso libre —conocidos como open-weight models— utilizando los datos propietarios de Capital One. Y en tercer lugar, un sistema de orquestación multi-agente propio denominado MACAW, siglas de Multi-Agent Capital One Workflow.
Este enfoque integral distingue a Capital One de muchas otras instituciones financieras que aún se encuentran en fases experimentales o que han optado por soluciones más sencillas de integración con APIs de terceros. La apuesta de Capital One es estructural, no táctica.
¿Por qué apostar por modelos de código abierto?
En el ecosistema actual de inteligencia artificial, las empresas tienen esencialmente dos caminos. El primero consiste en utilizar modelos comerciales accesibles mediante API, como GPT-4o de OpenAI, Claude de Anthropic o Gemini de Google. Estos modelos ofrecen facilidad de integración y capacidades generales de alto nivel, pero conllevan dependencia de terceros, costos recurrentes, limitaciones en la personalización y, especialmente en el sector financiero, riesgos relacionados con la confidencialidad de los datos de clientes.
El segundo camino es trabajar con modelos de peso libre como Llama de Meta, Mistral o Falcon, que pueden descargarse, modificarse y desplegarse en infraestructura propia. Este enfoque requiere mayor inversión en talento técnico e infraestructura, pero otorga un control total sobre el modelo, los datos y el comportamiento del sistema.
Capital One ha elegido con convicción el segundo camino. El argumento central de Vanee es revelador: “Nuestros datos son una ventaja enorme que nadie más tiene y que los modelos frontera generales no pueden proporcionar”. En otras palabras, la diferenciación competitiva en la era de la IA no reside en el modelo base —que cualquier empresa puede contratar—, sino en los datos únicos con los que se entrena y ajusta ese modelo.
Para una institución que atiende a más de 100 millones de clientes y titulares de tarjetas en Estados Unidos, Canadá y Reino Unido, esa base de datos es un activo estratégico de primer orden. Explotarla sin ceder control a terceros es, desde esta perspectiva, una decisión tanto técnica como competitiva.
Llama de Meta: la base de operaciones
Entre los modelos open-weight que Capital One utiliza, Vanee confirmó el uso de versiones personalizadas del modelo Llama de Meta. Este modelo —en sus versiones más recientes— se ha consolidado como una de las opciones más potentes dentro del ecosistema de código abierto, con arquitecturas de mezcla de expertos que mejoran significativamente la eficiencia computacional sin sacrificar rendimiento.
Para una institución del tamaño de Capital One, que necesita desplegar soluciones a escala masiva, la eficiencia computacional no es un detalle menor: es un factor crítico que determina la viabilidad económica de cada caso de uso. Las versiones personalizadas de Llama que utiliza Capital One han sido ajustadas con datos propietarios para reflejar el lenguaje, las políticas y las particularidades del negocio financiero de la entidad, algo que ningún modelo comercial genérico puede ofrecer de serie.
MACAW: el corazón del sistema multi-agente
El desarrollo tecnológico más sofisticado presentado por Capital One es, sin duda, MACAW. Este sistema de orquestación multi-agente rompe con la idea de que un único modelo de lenguaje grande debe encargarse de todas las tareas. En cambio, distribuye el trabajo cognitivo entre agentes especializados que operan de forma secuencial y coordinada.
La arquitectura de MACAW se divide en cuatro funciones principales. El agente de comprensión analiza el input del usuario e identifica su intención. El agente de razonamiento genera resúmenes estructurados a partir de instrucciones específicas del negocio. El agente de validación verifica la exactitud factual del resultado producido. Y finalmente, el agente explicativo transforma ese resumen validado en un documento formateado, comprensible y accionable.
Esta división del trabajo permite que cada agente sea optimizado para una función concreta, lo que reduce la tasa de errores y mejora la precisión global del sistema. Es una arquitectura que imita, en cierto sentido, la forma en que los equipos humanos especializados abordan tareas complejas: nadie hace todo solo, y cada rol tiene criterios de éxito bien definidos.
El impacto real: fraude bancario y atención al cliente
Vanee ilustró el impacto práctico de MACAW con un caso de uso concreto y revelador: la gestión de llamadas relacionadas con fraude bancario. El banco gestiona millones de llamadas al año sobre esta problemática, con duraciones que van desde los cuatro hasta los sesenta minutos. Anteriormente, los agentes de servicio al cliente debían reconstruir manualmente el historial completo de interacciones para generar la documentación posterior a cada llamada, una tarea repetitiva, propensa a errores y de alto consumo de tiempo.
Con MACAW, los agentes especializados en fraude reciben automáticamente resúmenes post-llamada precisos y estructurados, liberando tiempo valioso para tareas de mayor valor añadido. Las implicaciones económicas de este tipo de automatización son considerables: según estimaciones de la industria, el costo promedio de una llamada de servicio al cliente en el sector bancario oscila entre 6 y 12 dólares. Cualquier reducción significativa en el tiempo de post-procesamiento tiene un impacto directo y medible en esa cifra, multiplicado por millones de interacciones al año.
Chat Concierge: la IA que acompaña la compra de un coche
Otro caso de uso destacado por Vanee es Chat Concierge, un asistente conversacional orientado al cliente para el proceso de compra de automóviles. Capital One es uno de los mayores prestamistas de financiación vehicular de Estados Unidos, con una cartera histórica que ha superado los 70.000 millones de dólares en préstamos automotrices.
Chat Concierge replica la arquitectura de MACAW: un agente conversa con el cliente, un segundo construye un plan de acción basado en las reglas de negocio del banco, un tercero evalúa la precisión del resultado y un cuarto lo explica y valida de cara al usuario. Esta estructura en cadena garantiza que las recomendaciones ofrecidas al cliente estén alineadas con las políticas internas de la entidad, sean verificables en tiempo real y estén contextualizadas con los datos más actualizados disponibles.
El resultado es una experiencia conversacional que no solo es fluida para el usuario, sino que cumple con los estándares de rigor y cumplimiento normativo que exige el sector financiero. Una combinación que, hasta hace poco, habría parecido difícil de lograr con tecnología de IA.
Optimización autónoma de infraestructura: más allá del cliente
El alcance de la plataforma de IA de Capital One va más allá de las aplicaciones orientadas al cliente. La entidad también ha desarrollado un sistema agéntico autónomo para la optimización de su propia infraestructura de backend. Este sistema aborda un problema técnicamente complejo: en el mundo de los modelos de lenguaje, las optimizaciones individuales —como la cuantización del modelo, la gestión de caché o el ajuste de parámetros de inferencia— pueden interactuar entre sí de formas inesperadas, generando efectos secundarios difíciles de anticipar manualmente.
Un sistema agéntico capaz de explorar, evaluar y ajustar estas configuraciones de forma autónoma representa un salto cualitativo en la eficiencia operativa. Es, en esencia, aplicar la inteligencia artificial para mejorar la propia infraestructura de inteligencia artificial: un bucle de mejora continua que puede ofrecer ventajas competitivas sostenidas en el tiempo.
Lecciones para el sector y para cualquier empresa
La estrategia de Capital One ofrece varias lecciones que van más allá del sector financiero. La primera es que la IA generativa no es una herramienta plug-and-play: las organizaciones que quieran extraer valor real de esta tecnología deben invertir en datos, infraestructura y talento especializado. La segunda es que la dependencia tecnológica es un riesgo estratégico: las empresas que construyen sobre modelos propios tienen mayor control sobre su hoja de ruta, sus costos y su seguridad.
La tercera lección, quizás la más importante, es que los datos propios son el verdadero foso defensivo en la era de la IA. Cuando los modelos base están disponibles para todos —ya sea a través de APIs comerciales o de repositorios de código abierto—, la ventaja competitiva recae en quién es capaz de personalizarlos mejor con información que nadie más posee.
Capital One lleva años construyendo ese foso. Y hoy, con MACAW, Chat Concierge y una plataforma de gobernanza centralizada, empieza a mostrar los resultados de esa paciencia estratégica. En un mercado donde muchas empresas aún debaten si apostar por la IA, Capital One ya está cosechando los frutos de haberlo decidido mucho antes que la mayoría.
El futuro de la inteligencia artificial en las grandes instituciones no pertenecerá a quienes usen los mejores modelos, sino a quienes sepan construir los mejores sistemas con los datos que nadie más tiene. Capital One parece haberlo entendido antes que muchos.
