Capital One construye su propia plataforma multiagente sobre modelos open-weight — la validación se queda entre agentes, nunca un humano que hace clic
En un artículo publicado el 13 de agosto de 2026 por VentureBeat — contenido patrocinado financiado por la propia Capital One —, Kel Vanee, responsable de ingeniería de machine learning del banco, explica por qué Capital One eligió personalizar modelos open-weight en lugar de comprar una plataforma de orquestación genérica, y construir su propio arnés multiagente, MACAW, para sus llamadas de fraude bancario. Cada llamada atraviesa una cadena de cuatro agentes especializados — comprensión, razonamiento, validación, explicación — pero el artículo nunca menciona un clic humano antes de que una decisión llegue a un cliente: solo una IA que verifica el trabajo de otra IA.
El 13 de agosto de 2026, VentureBeat publicó una entrevista realizada durante su conferencia VB Transform 2026 con Kel Vanee, quien dirige la ingeniería de machine learning en Capital One, entrevistado por Sam Witteveen. El enfoque de la entrevista es claro: «En Capital One, no nos limitamos a usar la IA, la construimos», resume Vanee. En concreto, el banco tomó tres decisiones arquitectónicas deliberadas en lugar de comprar una solución llave en mano: una plataforma de IA centralizada a escala de toda la empresa con gobernanza integrada desde el diseño, modelos open-weight (entre ellos Llama de Meta) afinados con sus propios datos en lugar de un modelo frontera genérico, y su propio arnés de orquestación multiagente, bautizado MACAW. «Consideramos nuestros datos como una ventaja enorme que nadie más tiene, que los modelos frontera genéricos no pueden ofrecer. Así que tomamos esos datos y personalizamos estos modelos en profundidad», explica Vanee — que también señala un efecto colateral inesperado: entrenar un modelo open-weight con el vocabulario y las políticas internas de un caso de uso concreto mejora su rendimiento en toda la cartera de casos de uso del banco, no solo en el que se buscaba. MACAW ilustra la arquitectura en el terreno más sensible: las llamadas relacionadas con el fraude bancario, varios millones al año, con una duración de entre cuatro y sesenta minutos. Un único modelo de lenguaje grande resultó insuficiente; el banco dividió entonces el trabajo en cuatro agentes especializados que se relevan en cada llamada — un agente de comprensión que interpreta la intención del cliente, un agente de razonamiento que construye un resumen estructurado, un agente de validación que verifica factualmente ese resumen, y un agente de explicación que lo formatea antes de transmitirlo. Ese documento llega después a manos de varios cientos de asesores especializados en llamadas de fraude complejas, que ya no tienen que reconstruir el historial de la llamada a mano.
La arquitectura no se detiene en el centro de llamadas. Chat Concierge, el asistente conversacional de compra de coches de Capital One dirigido directamente a los clientes, se apoya en la misma versión personalizada de Llama y en la misma división del trabajo: un agente que dialoga con el cliente, un agente que construye un plan de acción a partir de las reglas de negocio, un agente que evalúa la exactitud del resultado, un agente que lo explica y lo valida. Capital One aplica también esta lógica internamente — un sistema agéntico autónomo que prueba combinaciones de optimizaciones de infraestructura backend, ejecuta los experimentos en lugar de los investigadores y les entrega una síntesis de los resultados, porque dos optimizaciones individualmente buenas pueden contradecirse al combinarse. Vanee anticipa dos evoluciones: un enrutamiento entre varios modelos para equilibrar coste y precisión en lugar de apostar por uno solo, y un giro hacia una IA «proactiva y basada en eventos» que actúa en cuanto detecta una condición, sin esperar a que un humano se lo pida — una evolución que él mismo presenta como algo que exige «pruebas y una supervisión rigurosas», no como algo que se dé por sentado. Lo que la entrevista no precisa en ningún momento es cómo interviene concretamente el humano antes de que una decisión de estos agentes llegue a un cliente: el agente de validación de MACAW verifica la exactitud de un resumen, pero es una IA que controla a otra IA, no un asesor que aprueba una acción antes de que se ejecute. Para Chat Concierge, la formulación es idéntica — un agente «evalúa» y «valida» el resultado — sin que se sepa si un humano sigue estando en algún punto de ese bucle antes de que el asistente actúe ante el cliente. Un detalle que también importa: este artículo es contenido patrocinado, financiado por la propia Capital One, publicado con motivo de su propia conferencia — citas reales, un evento real, pero una historia que la empresa cuenta sobre sí misma, no un reportaje independiente.
A favor de AppH
- Un banco de este tamaño, con sus propios equipos de ingeniería y millones de llamadas reales que gestionar, confirma desde un mercado totalmente distinto (banca estadounidense, escala masiva) la misma tesis que AppH defiende desde el primer día: el valor viene de una plataforma construida y gobernada para un caso de uso concreto, no de un modelo genérico comprado de catálogo y vestido de otra manera.
- La cadena de agentes especializados de MACAW — comprensión, razonamiento, validación, explicación — refleja el mismo instinto que aplica AppH a escala de una pyme: nunca un único agente que lo hace todo sin control, sino una etapa de verificación antes de que el resultado llegue a quien debe actuar. La diferencia está en quién verifica: en Capital One, una IA verifica a otra IA; en AppH, siempre es un humano el que hace clic, registrado en un audit trail de solo escritura.
En contra / el límite honesto
- Capital One construyó MACAW con equipos internos de machine learning engineering y una plataforma de empresa dedicada — una pyme no puede reproducir este arnés propio, y tampoco es lo que le propone AppH. La comparación se refiere a un principio de arquitectura (gobernanza integrada, especialización de agentes), nunca a un producto equivalente: AppH no construye un arnés tipo MACAW para sus clientes, les da un único agente ya gobernado, sin que necesiten un equipo de ingeniería para conseguirlo.
- El artículo citado aquí es contenido patrocinado financiado por la propia Capital One, no un reportaje independiente de VentureBeat — las citas y el evento son reales, pero el banco cuenta su propia historia en sus propios términos. Y en el punto que más nos interesa, el artículo guarda silencio: nada indica si un humano aprueba una decisión de Chat Concierge antes de que llegue a un cliente, solo que una IA valida a otra. Ausencia de detalle no es ausencia de salvaguarda — pero tampoco es prueba de que exista.
Hay algo tranquilizador, al leer esta entrevista, en ver a un banco de este tamaño llegar a la misma conclusión que AppH defiende desde el principio para las pymes francesas: un modelo genérico comprado de catálogo no basta, hace falta una plataforma construida para el propio negocio, con su propia gobernanza, no prestada de otro. No es casualidad que Capital One eligiera personalizar modelos open-weight con sus propios datos en lugar de alquilar la inteligencia de otro — es la misma lógica que llevó a AppH a construir una vertical por sector en vez de un chatbot genérico. Pero también hay que nombrar lo que esta entrevista no dice, y hay que nombrarlo precisamente porque es un contenido que la propia Capital One financió para contar su propio éxito: la «validación» de la que habla Vanee es una IA que controla a otra IA, nunca explícitamente un humano que hace clic antes de que una decisión llegue a un cliente. Puede que sea exactamente lo que ocurre entre bastidores — el artículo no lo contradice, simplemente nunca lo confirma. En AppH, esta pregunta no hay que adivinarla entre bastidores de un artículo patrocinado: ninguna acción con consecuencia real — un presupuesto, un recordatorio, una consolidación contable — sale sin que un humano haya hecho clic para aprobarla, registrado, verificable. Construir el propio arnés de agentes gobernados es un verdadero avance de ingeniería, tanto a escala de un banco como de una pyme; pero gobernar por construcción y hacer que apruebe un humano siguen siendo dos cosas distintas, y solo la segunda responde de verdad a la pregunta de quién dijo que sí antes de que la acción se ejecutara.
Verificado por un humano de AppH