Cuando los agentes IA guían a las personas, no al revés.

Hay una frase que resume mejor que cualquier diagrama cómo funciona la IA en Arca, una empresa de gestión patrimonial construida desde cero sobre inteligencia artificial: "los agentes dirigen a las personas más de lo que las personas dirigen a los agentes". La dijo Aman Singh, su ingeniero de IA principal, en la conferencia AI Engineer New York celebrada en octubre de 2026.

No es un eslogan. Es una descripción técnica de cómo está diseñado el sistema.

Trabajo financiero de horizonte largo

La gestión de patrimonio no es como responder un correo. Singh explica que las tareas de sus agentes pueden extenderse hasta diez días. No porque los modelos estén ejecutándose sin parar, sino porque el proceso real es así: muchas paradas, muchos actores, muchos puntos de decisión y muchos traspasos entre personas.

Es lo que Singh llama trabajo de horizonte largo pero no de larga ejecución. Una distinción importante que a menudo se pierde cuando hablamos de agentes IA en abstracto.

Para sostener ese tipo de proceso, Arca ha construido un sistema de memoria interno. Cada cliente tiene su propio registro persistente: qué ha pasado hasta ahora, qué hay que seguir de cerca en los próximos días, qué objetivos son a largo plazo y qué persona es responsable de cada acción. Los agentes contribuyen a ese registro continuamente.

El agente analiza, el humano decide

Aquí está el núcleo del modelo de seguridad de Arca, y merece atención porque es replicable en otros sectores regulados.

Los agentes hacen el trabajo de análisis y proponen soluciones. Pero cualquier movimiento de dinero —cualquier operación de compraventa— lo ejecuta un asesor humano. Sin excepciones.

Singh lo formula con precisión: "Todas nuestras restricciones de seguridad son completamente deterministas. Y retiran la toma de decisiones de las manos del agente." No es una cuestión de confianza en el modelo; es una cuestión de arquitectura. Ciertas acciones simplemente no están disponibles para el agente, independientemente de lo que razone.

Esto es distinto a poner un aviso de "revisa antes de enviar". Es diseño estructural: el agente no puede ejecutar lo que no tiene permitido ejecutar.

Construir la capa de control propia

Arca usa modelos de laboratorios de frontera, con preferencia por uno de los proveedores principales del mercado. Pero lo relevante no es qué modelo usan, sino cómo lo usan.

Han construido su propio sistema de selección de modelos, que elige automáticamente cuál usar para cada tarea según sus propios criterios internos de evaluación. Esto les da dos ventajas concretas: optimizan el rendimiento tarea a tarea, y no están atados a ningún proveedor. Si mañana aparece un modelo mejor o más barato para cierto tipo de análisis, pueden cambiarlo sin rehacer toda la arquitectura.

Es una decisión de ingeniería con implicaciones estratégicas claras. Quien controla la capa de orquestación controla la independencia del sistema.

Seguridad ante ataques conocidos

Arca también ejecuta verificaciones específicas contra vulnerabilidades conocidas de los sistemas de IA, como las inyecciones de instrucciones maliciosas en los datos que procesa el agente. El agente en sí no opera en un entorno aislado, pero sí usa entornos aislados para las partes de cómputo que lo requieren.

No es un detalle menor en servicios financieros, donde un agente que lee documentos externos podría ser manipulado para actuar de formas no previstas. Tenerlo en cuenta desde el diseño, y no como parche posterior, marca la diferencia.

Qué podemos aprender de este modelo

Arca ha captado 48,5 millones de dólares en una ronda liderada por General Catalyst, con participación de Index Ventures y Venrock. Pero lo que nos parece más interesante no es la cifra, sino el patrón de diseño que han desarrollado.

• Memoria persistente por cliente: los agentes no empiezan de cero en cada interacción. Acumulan contexto estructurado y accionable.
• Restricciones deterministas: la seguridad no depende de que el modelo "entienda" que no debe hacer algo. Depende de que no pueda hacerlo.
• Orquestación propia: controlar qué modelo hace qué tarea da flexibilidad y evita la dependencia de un solo proveedor.
• Humano en el punto de riesgo: el agente llega hasta la puerta de la decisión crítica. La abre una persona.

Este esquema es aplicable más allá de las finanzas. Cualquier proceso que combine análisis prolongado, múltiples actores y decisiones de alto impacto puede beneficiarse de pensar así: los agentes como preparadores del terreno, los humanos como firmantes.

La frase de Singh —agentes que dirigen a personas— no es una provocación. Es una descripción honesta de dónde está siendo útil la IA hoy: no reemplazando el juicio humano, sino estructurando el trabajo para que ese juicio llegue mejor informado y en el momento exacto en que se necesita.

Fuente original

Latent Space: Agents Prompt People — Using Agents for Long-Horizon Financial Work