Santander despliega IA para 185.000 empleados: lo que se sabe, lo que no y lo que viene

El anuncio es grande: Santander, banco fundado en 1857 con presencia en más de una docena de países, ha puesto capacidades de inteligencia artificial en el escritorio de cada uno de sus 185.000 empleados. No un piloto. No un PowerPoint de estrategia digital. Un despliegue operativo a escala global.

El problema es que los números internos del despliegue no están disponibles públicamente. La fuente primaria no era accesible en el momento de escribir esto. Lo que sí existe es el dato del alcance (185.000 trabajadores) y la estructura visible del proyecto. El resto hay que leerlo con esa advertencia encima de la mesa.

Pero el caso Santander no vive en el vacío. Mientras su despliegue sigue siendo opaco en métricas, otros bancos ya tienen números reales publicados. Y esos números cuentan una historia que vale la pena entender antes de que Santander empiece a hablar de ROI.

Las tres patas del despliegue de Santander

El movimiento tiene una arquitectura reconocible para cualquiera que haya visto transformaciones digitales en empresas grandes. Tres capas, en este orden:

Primera capa: infraestructura cloud. Sin migración a la nube no hay forma de escalar IA de forma homogénea a 185.000 empleados repartidos en Europa, América Latina y otros mercados. Esto no es un detalle técnico menor: es el prerrequisito que muchas empresas intentan saltarse y luego pagan caro. Intentar desplegar IA sobre sistemas heredados sin capa cloud es como intentar correr una maratón con los pies atados. Funciona en demo, explota en producción.

Segunda capa: extensión a toda la plantilla. El objetivo declarado no es automatizar procesos en el back-end sin que nadie lo note. Es cambiar cómo trabaja la gente: gestores de clientes, analistas de riesgos, equipos de operaciones, cualquier función. Eso es cualitativamente distinto a darle IA al departamento de datos y llamarlo transformación.

Tercera capa: escala global simultánea. Aquí está el reto más gordo y el menos discutido. 185.000 empleados no son un departamento piloto en Madrid. Son oficinas en Argentina, México, Brasil, Reino Unido, Polonia y otros mercados donde las condiciones regulatorias son distintas, los idiomas son distintos y los sistemas legacy tienen décadas de antigüedad y capas de personalización imposibles de documentar. Coordinar un despliegue coherente en ese entorno sin que se convierta en diecisiete proyectos paralelos que no hablan entre sí es, en sí mismo, el problema más difícil del proyecto.

El problema estructural que esto intenta resolver

La banca lleva años con una contradicción incómoda: tiene datos brutales, infraestructura enorme y procesos que siguen dependiendo de trabajo manual repetitivo.

Un analista revisando documentación de cumplimiento que una IA puede procesar en segundos. Un gestor buscando información en tres sistemas distintos que deberían hablar entre sí pero no lo hacen porque fueron construidos en décadas distintas por equipos distintos. Un equipo de back-office procesando transacciones con flujos de trabajo diseñados antes de que existiera el smartphone.

El coste de no resolver eso no es solo ineficiencia operativa. Es velocidad de respuesta al cliente. Es capacidad de detectar riesgos antes de que se conviertan en pérdidas. Es competitividad frente a fintechs que nacieron sin el peso de sistemas con treinta años de antigüedad y pueden mover en días lo que a un banco grande le cuesta trimestres.

Santander apuesta a que meter IA en el escritorio de cada empleado es la palanca para cerrar esa brecha. La lógica es sólida. Los números que confirmen si la ejecución lo es, aún no están sobre la mesa.

Mientras tanto, el Commonwealth Bank ya tiene los datos

Cuando Santander publique sus métricas, tendrá que compararse con algo. Ese algo ya existe.

El Commonwealth Bank of Australia (CBA) lleva tiempo usando IA para analizar los comentarios de texto libre en las encuestas a sus más de 51.000 empleados. El volumen es el problema: aproximadamente 100.000 respuestas por ciclo anual que, procesadas manualmente, serían sencillamente inviables en el tiempo que hace falta para que los resultados sean útiles. Para cuando un equipo humano terminara de leer y categorizar esas respuestas, la mitad de los insights ya habrían caducado.

La IA no solo lee más rápido. Hace algo más interesante: si un empleado responde "mi líder" a la pregunta de qué mejoraría, el sistema lanza automáticamente una pregunta de seguimiento ("¿qué aspecto concreto de tu líder?") para enriquecer la respuesta con contexto antes de que el empleado cierre la encuesta. Es seguimiento conversacional integrado en el flujo de la encuesta, no un análisis posterior sobre datos pobres.

El resultado medible, según Matt Hull en declaraciones recogidas por iTnews en mayo de 2026: 3.000 horas ahorradas por ciclo anual de encuestas a los líderes del banco. Eso no es una promesa de consultora. Es un número concreto sobre una operación concreta.

Lo que CBA no ha publicado (y es relevante decirlo) es qué modelos usa exactamente, qué plataformas tiene detrás más allá de la integración con Qualtrics como software de encuestas, ni una conversión monetaria de esas 3.000 horas. El caso tiene un perímetro claro: HR analytics, encuestas de empleados, seguimiento de acciones de líderes. Extrapolarlo a otras funciones bancarias requiere más datos de los que existen.

El siguiente paso que CBA tiene en el mapa es IA para verificar automáticamente que los líderes están ejecutando las acciones derivadas de los insights de las encuestas, cerrando el bucle entre feedback y acción. Las decisiones finales seguirán siendo humanas. Pero el seguimiento (esa parte que normalmente muere en una hoja de Excel que nadie actualiza) pasaría a ser automatizado.

La otra conversación: IA como herramienta de reducción de plantilla

Hay una segunda historia corriendo en paralelo que los comunicados de prensa de los bancos no cuentan de forma tan directa, pero que las cifras dejan bastante clara.

El 3 de junio de 2026, Bank of America afirmó públicamente que su plantilla probablemente disminuirá porque la tecnología permite crecer sin añadir el mismo número de personas. El banco sigue contratando (aproximadamente 4.000 becarios de verano en 2026) pero la dirección de viaje está dicha sin ambigüedad: la IA no es solo una herramienta de productividad, es una herramienta de planificación de headcount.

No es un caso aislado. Citigroup ejecuta un plan de reducción de 20.000 roles. HSBC, según reportes sin confirmación oficial, evaluaba recortes de hasta 20.000 empleos (aproximadamente el 10% de su personal) al profundizar la IA en áreas no comerciales. Wells Fargo opera ya con una base de empleados más reducida que hace unos años. Los datos son de Startup Fortune, publicados el 7 de junio de 2026.

"La IA no es un piloto de productividad en la banca. Es infraestructura de reducción de costes estructurales."

McKinsey estima que la IA generativa podría añadir entre 200.000 y 340.000 millones de dólares anuales en valor al sector bancario global, principalmente vía productividad. Eso convierte la IA bancaria en algo cualitativamente distinto a otras apuestas tecnológicas del sector: no es un experimento con presupuesto acotado que se puede cancelar si no funciona en dos años. Es una reconfiguración del modelo operativo con un número tan grande encima que ningún consejo de administración puede ignorarlo.

La advertencia necesaria: que McKinsey estime ese valor no significa que se esté materializando en todos los bancos ni que garantice retornos concretos para ninguna entidad en particular. Las estimaciones de consultoras sobre impacto de IA tienen un historial de ser optimistas en el plazo corto. Lo que sí está pasando de forma verificable es que los bancos más grandes del mundo están tomando decisiones de plantilla con la IA como argumento explícito.

Dónde está la oportunidad real (y dónde está la trampa)

Las funciones más expuestas a la automatización en banca no son las que aparecen en los titulares sobre IA. No son los traders ni los analistas de inversión. Son las funciones de back-office: KYC (Know Your Customer), monitorización de transacciones, revisión de fraude, informes regulatorios, procesamiento de documentos.

Son repetitivas, costosas, indispensables ante los reguladores y perfectamente estructuradas para ser automatizadas. Según Startup Fortune, ahí está la oportunidad más clara para startups de fintech: herramientas de cumplimiento auditables que los bancos puedan desplegar sin poner en riesgo su relación con los supervisores.

La trampa es igualmente clara. Los bancos exigen que cualquier sistema de IA en procesos regulados tenga controles de acceso definidos, capacidad de intervención humana en cada paso crítico y registro de cada acción tomada. Lo que los reguladores quieren no es una IA que impresione en demo. Es una IA aburrida, predecible y auditable.

Las startups que llegan a una reunión bancaria con una demo espectacular pero sin arquitectura de cumplimiento están perdiendo el tiempo. Los bancos avanzan despacio (sistemas heredados, calidad de datos irregular, escrutinio regulatorio constante) y una prueba piloto que funciona no equivale a un despliegue. Esa distinción ha matado más proyectos de IA en banca que cualquier problema técnico.

Lo que no sabemos del caso Santander (y por qué importa decirlo)

Hay agujeros en el caso Santander que no se pueden rellenar con datos de CBA o Bank of America.

No hay cifras públicas confirmadas sobre el coste del despliegue. No hay métricas publicadas sobre adopción por país o por función. No hay información sobre qué herramientas concretas se están usando más allá de la infraestructura cloud como base. No está documentado qué ocurre en los mercados con regulaciones más restrictivas sobre el uso de IA en banca, que en América Latina varían significativamente de un país a otro.

Tampoco está claro cómo gestionan la resistencia interna. Un despliegue a 185.000 personas en múltiples países y culturas organizativas distintas no es un problema técnico: es un problema de gestión del cambio. Y los problemas de gestión del cambio rara vez aparecen en los comunicados de prensa, pero sí aparecen en los resultados de adopción real dieciocho meses después.

Un despliegue de esta escala con datos opacos es exactamente el tipo de caso que en dos años aparece en una conferencia como "lo que salió mal" o "lo que nadie nos dijo". La honestidad sobre esos agujeros no invalida el caso; lo hace más útil.

La secuencia que no se puede saltarse

Si hay algo replicable del caso Santander (y del patrón más amplio que muestran CBA y el resto del sector) es la secuencia.

Primero infraestructura. Luego herramientas. Luego personas. Hacerlo en otro orden es el error más caro de cualquier transformación digital, y en banca ese error tiene consecuencias regulatorias además de operativas.

Escalar IA a toda la plantilla sin formación específica por rol es tirar dinero. No es lo mismo darle acceso a un gestor de riesgos que a un asesor de cliente. Las necesidades son distintas, los datos que manejan son distintos y los riesgos de un uso incorrecto son distintos. Un despliegue homogéneo en herramienta con formación heterogénea por función es la diferencia entre adopción real y una licencia de software que nadie usa después del primer mes.

Y la transparencia sobre resultados no es una cuestión de relaciones públicas. Es la única forma de saber si esto funciona o es otro ciclo de hype bancario con presupuesto gordo. CBA tiene 3.000 horas ahorradas sobre la mesa. Bank of America tiene una declaración explícita sobre headcount. Santander tiene 185.000 empleados con IA en el escritorio.

Los números reales llegarán. La pregunta es si cuando lleguen confirmarán el despliegue o explicarán por qué tardó más de lo previsto.