La gestión del cumplimiento financiero a escala global representa uno de los mayores desafíos operativos para las empresas de tecnología financiera. Stripe, que procesa un volumen anual de pagos de 1,4 billones de dólares en 50 países, ha implementado un sistema de agentes de inteligencia artificial de nivel de producción para optimizar sus procesos de revisión. Esta solución, desarrollada sobre Amazon Bedrock, ha logrado reducir el tiempo de gestión de las revisiones en un 26 por ciento, manteniendo al mismo tiempo una supervisión humana rigurosa que garantiza la precisión necesaria para los reguladores.

El problema central que enfrentaba la compañía era la ineficiencia de sus equipos de cumplimiento, quienes dedicaban hasta el 80 por ciento de su tiempo a navegar por sistemas fragmentados para recopilar documentación, en lugar de realizar evaluaciones de riesgo de alto valor. Para resolver esto, la organización integró agentes de IA con una orquestación automatizada. Este enfoque no solo mejora la eficiencia, sino que permite identificar el 95 por ciento de los ataques de prueba de tarjetas en tiempo real y disminuir la fricción innecesaria para los clientes en un 20 por ciento, abordando así parte de la carga global de cumplimiento.

La arquitectura técnica se basa en tres pilares fundamentales: la descomposición de tareas, el marco de trabajo de agentes ReAct y una infraestructura de servicios dedicada. En lugar de asignar una tarea compleja a un solo agente, el sistema descompone el proceso en sub-tareas manejables organizadas como un grafo acíclico dirigido. Esto asegura que cada proceso sea verificable y que el agente cuente con el contexto necesario. Es importante destacar que el sistema no automatiza la decisión final; los resultados del agente sirven como información complementaria para que un analista humano valide cada paso, asegurando la rendición de cuentas.

Para la ejecución, Stripe utiliza el marco ReAct (razonamiento y actuación), que permite a los agentes decidir qué señales son relevantes mediante llamadas a herramientas específicas. Este ciclo de retroalimentación cerrada obliga al modelo a procesar cada salida como una observación, lo que previene alucinaciones y mantiene el razonamiento anclado en datos reales. Para gestionar los costos asociados al consumo de tokens, la empresa implementa el almacenamiento en caché de prompts, lo que optimiza significativamente el gasto operativo al procesar solo la información nueva en cada iteración.

La infraestructura también incluye un servicio de agentes dedicado y un microservicio de proxy para modelos de lenguaje. El servicio de agentes fue creado específicamente para manejar la naturaleza de red de estas aplicaciones, diferenciándose de los motores de inferencia de aprendizaje automático tradicionales que suelen ser intensivos en cómputo. Por su parte, el proxy centraliza el acceso a los modelos, permitiendo gestionar el tráfico, implementar mecanismos de respaldo ante fallos, monitorear el uso y facilitar la transición entre diferentes modelos de lenguaje sin necesidad de modificar cada caso de uso individualmente. Esta arquitectura escalable ha permitido a la empresa pasar de unos pocos agentes a más de 100 en menos de un año.