Deepak Kinger, director de Estrategia y cofundador de EvoluteIQ: serie de entrevistas

Deepak Kinger, director de Estrategia y cofundador de EvoluteIQ, es un experimentado líder empresarial y tecnológico con más de dos décadas de trayectoria en transformación empresarial, servicios financieros, automatización e inteligencia artificial. En EvoluteIQ, contribuye a definir la estrategia general de la empresa y, al mismo tiempo, dirige alianzas tecnológicas clave, asociaciones para soluciones, marketing y relaciones con analistas. Antes de cofundar EvoluteIQ en 2019, Kinger ocupó puestos directivos de alto nivel en GALE Partners, Virtusa, Sapient, Headstrong, Wipro y Mphasis, donde sus responsabilidades abarcaron desde la gestión de negocios de servicios financieros en Asia-Pacífico y el asesoramiento a directivos de alta dirección sobre transformación digital hasta la creación de nuevas líneas de negocio y la dirección de proyectos tecnológicos a gran escala. Su experiencia abarca estrategia, desarrollo empresarial, gestión de relaciones con clientes, gestión de pérdidas y ganancias (P&L), operaciones y tecnologías emergentes como la IA, el aprendizaje automático, la automatización robótica de procesos, la cadena de bloques y la ciencia de datos.

EvoluteIQ es una empresa de inteligencia artificial empresarial y automatización inteligente que se dedica a ayudar a las organizaciones a automatizar y coordinar procesos empresariales complejos de principio a fin. Su plataforma EIQ reúne IA agéntica, IA generativa, automatización de procesos y decisiones, RPA inteligente, procesamiento de eventos, tejido de datos, analítica, conectores empresariales y desarrollo de aplicaciones multicanal en un entorno de bajo código o sin código. La plataforma está diseñada para que las empresas puedan conectar los sistemas existentes, crear e implementar agentes de IA y flujos de trabajo automatizados, supervisar los resultados y ampliar la automatización en áreas como la experiencia del cliente, las finanzas, las operaciones, las ventas y la gestión de la cadena de suministro. Fundada en 2019, EvoluteIQ ha ampliado su enfoque hacia la automatización empresarial agéntica mediante tecnologías como AI Workbench y Agentic Mesh Architecture y, en 2025, anunció una inversión minoritaria de crecimiento de 53 millones de dólares, liderada por Baird Capital, para respaldar su expansión global y seguir invirtiendo en sus operaciones de I+D en Bengaluru.

Antes de cofundar EvoluteIQ en 2019, trabajaste durante dos décadas en los sectores de los servicios financieros y la tecnología empresarial, así como en transformación digital. ¿Qué problemas recurrentes observaste en las grandes organizaciones que finalmente te convencieron de que había una oportunidad para crear EvoluteIQ, y qué querías hacer de otra manera?

Antes de EvoluteIQ, trabajé 25 años en consultoría, gran parte de ellos centrado en ayudar a grandes instituciones financieras con iniciativas de transformación. Esto incluyó los primeros programas de banca digital, así como proyectos de negociación, gestión de riesgos y transformación integral. Con el tiempo, observé una demanda creciente de automatización y ayudábamos a las empresas a implementar plataformas de algunos de los mayores proveedores.

Lo que finalmente nos motivó a fundar EvoluteIQ fue la oportunidad de pasar de implementar la tecnología de otros a crear algo propio. Vimos la posibilidad de adoptar un enfoque más integrado de la automatización, en lugar de exigir a las empresas que combinaran múltiples tecnologías, licencias y capas de integración. Esa fue una de las motivaciones para fundar EvoluteIQ en 2019.

En nuestra entrevista anterior de Unite.AI con tu cofundador Sameet Gupte, habló de la visión más amplia de EvoluteIQ: ayudar a las empresas a pasar de la automatización de tareas a operaciones autónomas, integrales y nativas de la IA. ¿Cómo demuestra la gestión de los cambios regulatorios por qué es necesario pasar de automatizar tareas individuales a coordinar procesos empresariales completos?

Los cambios regulatorios rara vez afectan a una sola tarea aislada. En 2020, creamos una solución para la transición del LIBOR. Los bancos afrontaban un cambio a gran escala que afectaba a los contratos existentes y exigía que los equipos de operaciones, los asistentes jurídicos y los equipos empresariales los revisaran y subsanaran. Muchas instituciones respondían, en esencia, asignando más personal al problema. La lección que aprendimos del LIBOR fue que las normas concretas cambian, pero el reto subyacente se repite. Los cambios regulatorios y el cumplimiento normativo son requisitos operativos permanentes.

Con los más recientes cambios propuestos por FinCen en materia de lucha contra el blanqueo de capitales y la financiación del terrorismo (AML/CFT), observamos un alejamiento de un modelo de cumplimiento muy prescriptivo, basado en «marcar casillas». Esto, en realidad, eleva el nivel de exigencia del cumplimiento, en lugar de reducir el esfuerzo, porque las instituciones tienen que interpretar la normativa, explicitar sus propios riesgos y determinar qué implican esos riesgos para su modelo operativo. Este cambio afecta necesariamente a distintos departamentos y funciones de toda la organización, no solo a los equipos de cumplimiento y auditoría.

Has sostenido que los bancos deberían dejar de tratar cada cambio regulatorio importante como un nuevo proyecto de transformación y, en cambio, convertir la gestión de los cambios regulatorios en una capacidad operativa permanente. ¿Cómo sería ese modelo operativo en la práctica y por qué históricamente les ha costado tanto a las instituciones financieras desarrollarlo?

El nuevo modelo operativo partiría de la idea de que el cambio es continuo; ya no se trata de un proceso que deba ponerse en marcha cada trimestre o cuando se presenten los auditores. El desarrollo de una solución para LIBOR nos demostró que, aunque un cambio normativo llegue a implementarse, la necesidad de adaptarse no desaparece. Comprender el cambio, traducirlo en requisitos operativos y actualizar los procesos será necesario ante el siguiente cambio normativo.

El nuevo modelo operativo tampoco debe quedar confinado al área de cumplimiento. En un modelo con mayor enfoque en los riesgos, es posible que la función de cumplimiento siga siendo, en última instancia, responsable de garantizar la observancia de las normas, pero las operaciones, el área jurídica y, en algunos casos, la gestión del riesgo de contraparte adquieren más importancia. Uno de los errores que pueden cometer las instituciones es subestimar el amplio alcance del impacto del cambio normativo en la organización.

Históricamente, esto ha sido difícil porque las empresas han acumulado infraestructuras tecnológicas fragmentadas y modelos operativos aislados. Cuando distintas unidades de negocio dependen de plataformas independientes de RPA, BPM, generación de informes y otros ámbitos, responder a un nuevo requisito se convierte, en sí mismo, en un proyecto de integración.

Cuando se introduce una nueva regulación, es posible que un banco tenga que determinar qué clientes, productos, contratos, sistemas y procesos se ven afectados. ¿En qué aspectos puede la IA mejorar sustancialmente este análisis de impacto y qué partes del proceso siguen requiriendo reglas deterministas o criterio humano?

La IA puede reducir considerablemente el trabajo manual necesario para comprender e implementar los cambios normativos. Más concretamente, puede ayudar a analizar y clasificar grandes volúmenes de información y a identificar en qué aspectos debe centrarse la atención humana. Por ejemplo, las capacidades de respuesta normativa de EvoluteIQ pueden clasificar y priorizar contratos según el cliente y el tipo de activo, vincular esa información con los sistemas empresariales y las fuentes de datos externas y, después, coordinar el trabajo posterior en las áreas jurídica, de riesgos y de operaciones. Esto permite a las instituciones pasar de identificar qué podría verse afectado a gestionar realmente los cambios resultantes a lo largo de todo el proceso.

El control y la supervisión humanos siguen siendo esenciales. En algunas partes de un proceso regulado, una institución necesita reglas de negocio, condiciones, excepciones y vías de escalamiento claramente definidas. El modelo en el que creemos combina la adaptabilidad de la IA con la automatización determinista y el criterio humano cuando corresponde. La IA puede ayudar a interpretar y señalar aquello que podría requerir una acción; las reglas deterministas pueden regir la ejecución de decisiones definidas, y las excepciones o decisiones que requieran criterio pueden remitirse a la persona adecuada.

La implementación de las regulaciones suele involucrar a los equipos jurídico, de cumplimiento, de riesgos, de operaciones, de datos y de tecnología. ¿Cómo pueden la IA y la orquestación de procesos ayudar a estos grupos a partir de una interpretación común de una regulación, en lugar de crear flujos de trabajo separados y reglas de negocio potencialmente contradictorias?

Una de las principales implicaciones de un modelo de cumplimiento con mayor enfoque en los riesgos es que la responsabilidad se extiende a más áreas de la organización. La rendición de cuentas puede seguir correspondiendo, en última instancia, al área de cumplimiento, pero los equipos de operaciones, del área jurídica y de riesgo de contraparte también desempeñan un papel importante. Por eso, las instituciones deben evitar tratar la implementación como algo que la función de cumplimiento pueda llevar a cabo de forma aislada.

Por eso es fundamental contar con una plataforma integrada. En una organización grande, este nuevo modelo exige integrar distintos sistemas de registro y reglas de negocio, pero también tener en cuenta las complejidades de seguridad. Un enfoque unificado puede reducir el riesgo de que distintas partes de la organización implementen el mismo cambio mediante pilas tecnológicas completamente separadas.

La IA generativa puede interpretar documentos normativos complejos, pero los bancos no pueden permitirse alucinaciones ni interpretaciones incoherentes cuando se toman decisiones de cumplimiento. ¿Qué salvaguardas deberían incorporarse a los sistemas de IA utilizados para gestionar cambios normativos y en qué etapas del proceso de toma de decisiones deberían seguir interviniendo los expertos humanos?

En primer lugar, no se deben implementar agentes de IA de forma aislada, ya que podrían generar una proliferación descontrolada de agentes sin una gobernanza adecuada.

En segundo lugar, lo que una organización puede automatizar no está limitado únicamente por sus capacidades técnicas, sino también por la regulación, la privacidad y los datos que se pueden compartir legalmente.

El principio fundamental de diseño que debe respetarse es que la IA acelere el trabajo de interpretación, pero no tome las decisiones. La responsabilidad del cumplimiento sigue recayendo en personas identificadas, como esperan los organismos reguladores. Las salvaguardas se dividen en dos grupos: los controles sobre lo que produce la IA y la incorporación deliberada de puntos en los que se requiere una decisión humana. Cada resultado que genere la IA debe basarse en una fuente fidedigna y contar con límites definidos para las entradas y las salidas dentro del sistema de IA.

Por último, para cada resultado se debe conservar un registro de auditoría de las cláusulas de origen, las versiones del modelo y de las instrucciones, el nivel de confianza, la persona revisora, la decisión y su justificación.

La capacidad de auditoría es especialmente importante en los servicios financieros. Si la IA ayuda a interpretar una regulación, generar reglas de negocio, identificar a los clientes afectados e iniciar flujos de trabajo, ¿cómo pueden las instituciones conservar un registro probatorio claro que muestre a los organismos reguladores exactamente cómo y por qué se tomó cada decisión?

En los sectores altamente regulados, la trazabilidad debe ir más allá de documentar la decisión final. Es mucho más valioso poder reconstruir el camino que condujo a esa decisión y mostrar qué información se utilizó, qué reglas se aplicaron, qué decisiones se tomaron, qué cambios se hicieron durante el proceso, en qué momentos intervinieron las personas y qué aprobaron.

Cuantos más agentes, reglas de negocio y flujos de trabajo interactúan entre sí, más importante se vuelve la trazabilidad. La capacidad de auditoría debe integrarse en la capa de orquestación. Los registros de decisiones pueden documentar las decisiones, los cambios en las reglas y sus fundamentos, mientras que la trazabilidad integral de los agentes permite ver toda una cadena de acciones autónomas.

Si un organismo regulador pregunta por qué se trató de determinada manera a un cliente, un contrato o una transacción en particular, la institución financiera debería poder rastrear ese resultado hasta los datos, las reglas, las decisiones impulsadas por IA, las aprobaciones y las acciones que lo produjeron. Así, la explicabilidad deja de ser un asunto limitado al modelo y se convierte en una capacidad operativa.

Los grandes bancos operan con décadas de infraestructura heredada, y sus datos esenciales sobre clientes y transacciones están repartidos entre numerosos sistemas. ¿Cómo pueden crear una capa de cumplimiento normativo reutilizable basada en IA sin intentar reemplazar, a un costo elevado, toda la infraestructura tecnológica subyacente? 

Toda nueva capacidad empresarial debe poder funcionar dentro de la infraestructura existente. No es razonable esperar otra cosa. La consolidación también es importante, porque cada vez oímos más a nuestros clientes decir que tienen varias plataformas de RPA o un sistema heredado de BPM, además de múltiples tecnologías de generación de informes independientes en toda la empresa. Nuestros clientes se expresan cada vez con más claridad sobre su interés en centrarse en las herramientas y los sistemas que generan un rendimiento de la inversión, en lugar de buscar un reemplazo. Por lo tanto, una capa de cumplimiento normativo reutilizable debe funcionar en el entorno existente, en vez de dar por sentado que se reemplazará todo lo que hay debajo.

Ha trabajado con instituciones financieras a lo largo de varias generaciones tecnológicas, desde los sistemas centrales tradicionales hasta la automatización robótica de procesos, el aprendizaje automático y, ahora, la IA agéntica. ¿Qué diferencia fundamental hay en la transición actual hacia la IA y dónde cree que las instituciones financieras corren el riesgo de repetir errores de ciclos de automatización anteriores?

Las primeras generaciones de automatización se aplicaban a tareas que ya estaban bien definidas. Los sistemas bancarios centrales codificaban registros y transacciones. La RPA automatizaba secuencias de pulsaciones de teclas en distintas pantallas. El aprendizaje automático hacía predicciones acotadas, como estimar el fraude y el riesgo crediticio, a partir de datos estructurados y con una precisión medible. En todos los casos, una persona o una regla fija decidía qué ocurría a continuación, y la tecnología seguía un proceso conocido.

La IA agéntica cambia esto de varias maneras:

• Gestiona con mayor eficacia tareas no estructuradas que requieren cierto criterio. Los bancos ya no se limitan a automatizar tareas: delegan resultados, y el sistema elige su propio camino.
• Puede fallar sin que se note. Cuando un banco cambiaba el diseño de una pantalla, un bot de RPA fallaba de forma evidente y alguien lo reparaba. En cambio, un modelo de lenguaje que se equivoca genera una respuesta fluida, verosímil y segura de sí misma. Eso es un problema.
• Su comportamiento es probabilístico, por lo que es fundamental fundamentarlo en el contexto empresarial para evitar alucinaciones.
• Por último, desarrollar soluciones con IA se ha vuelto barato y ahora los usuarios de negocio pueden crear agentes funcionales en una tarde. Antes, la capacidad de TI era el principal cuello de botella para la automatización; ahora lo es la capacidad de gobernanza.

Las instituciones financieras también deben procurar que no se olviden las lecciones de la era de la automatización tradicional. Algunos ejemplos son:

• Automatizar procesos defectuosos. El principal legado de la RPA fueron miles de bots superpuestos a procesos que nadie había rediseñado. Esto generó una deuda técnica frágil que los bancos todavía tienen que mantener. Añadir agentes a los mismos flujos de trabajo fragmentados repite el error con un mayor grado de sofisticación. Los bancos deberían rediseñar primero el trabajo y luego decidir qué delegar.
• Perseguir métricas vanidosas: las pruebas de concepto se estancan si no cuentan con una vía financiada para llegar a producción. Contar los agentes desplegados repite la costumbre de la RPA de contar bots en lugar de medir resultados empresariales reales.
• Invertir poco en los fundamentos de los datos. El aprendizaje automático enseñó que la calidad de los modelos está limitada por la calidad de los datos. Los agentes que consultan políticas obsoletas, documentos duplicados o fuentes contradictorias razonan con seguridad a partir de premisas erróneas.

De cara al futuro, ¿cree que el cumplimiento normativo evolucionará hacia una modalidad continua o incluso parcialmente autónoma, en la que los sistemas de IA detecten cambios normativos, evalúen su impacto, actualicen los flujos de trabajo y solo escalen las excepciones que requieran criterio humano? ¿Qué tendría que ocurrir para que los bancos y los organismos reguladores se sintieran cómodos con ese nivel de autonomía?

Sí, pero la autonomía llegará por etapas. La detección, la clasificación inicial, el mapeo del impacto y la actualización de los flujos de trabajo ante cambios bien definidos serán, en gran medida, procesos continuos y automatizados. Las decisiones sobre reglas ambiguas, aceptación de riesgos y posiciones regulatorias seguirán en manos de las personas. Un resultado final realista es la «autonomía supervisada»: las máquinas ejecutan el ciclo de forma predeterminada y las personas intervienen para gestionar las excepciones.

Para que esto ocurra, los organismos reguladores también deben publicar normas en formatos estructurados y versionados, a partir de iniciativas como el trabajo de la FCA y el Banco de Inglaterra sobre la presentación digital de información reglamentaria.

También será necesario incorporar mecanismos de reversión y de parada de emergencia en los sistemas de ejecución, de modo que los cambios autónomos en los flujos de trabajo puedan revertirse fácilmente cuando se detecten anomalías, tasas de error o cambios en los modelos. La confianza aumentará más rápido cuando los supervisores también utilicen herramientas similares. Esto crea un lenguaje común para las pruebas y, posiblemente, permitirá la supervisión directa entre máquinas con el tiempo.

Gracias por la excelente entrevista. Los lectores que deseen saber más pueden visitar EvoluteIQ.