La Inteligencia Artificial (IA) parece adentrarse en una nueva etapa en la que Europa puede tener una posición más relevante. Tras los grandes modelos generalistas de uso masivo (LLMs como ChatGPT, Claude o Gemini), el foco se desplaza ahora hacia modelos de análisis más pequeños y personalizados, SLMs, diseñados para responder a necesidades concretas de empresas y sectores regulados. Esta es una de las principales conclusiones del informe de vigilancia estratégica realizado por Santander AI Lab en colaboración con la Fundación General CSIC, bajo el título de ‘La nueva frontera europea de la IA B2B’.
Principales Tendencias del Estudio
1. La era del “One Model Fits All” empieza a agotarse
Los grandes modelos generalistas seguirán siendo relevantes, pero no son la respuesta óptima para todos los procesos empresariales regulados. En tareas recurrentes, documentales o altamente reguladas, los Small Language Models (SLMs) y modelos especializados ofrecen una alternativa más eficiente. Permiten reducir costes de inferencia, mejorar latencia y reforzar la ventaja competitiva mediante mayor dominio sobre datos, pesos y trazabilidad.
2. El RAG soberano se convierte en una arquitectura clave
La separación entre el modelo y la memoria corporativa será una decisión estructural. Una organización regulada no necesita reentrenar modelos con todo su conocimiento interno, sino conectar modelos controlados con repositorios documentales gobernados. Esta arquitectura permite usar IA generativa sin perder control sobre expedientes, políticas internas, documentación regulatoria o datos de cliente.
3. La regulación pasa de freno a ventaja competitiva
AI Act, DORA, RGPD y NIS2 elevan la exigencia operativa, pero también profesionalizan el mercado. Las entidades capaces de demostrar trazabilidad, supervisión humana, control de riesgos, calidad de datos y resiliencia tecnológica estarán mejor posicionadas para escalar IA en procesos críticos. En banca, el cumplimiento riguroso puede actuar como sello de confianza.
4. El talento deja de ser un recurso de soporte y pasa a ser infraestructura
La ventaja competitiva no dependerá solo de contratar perfiles técnicos especializados. El informe apunta a una hibridación entre expertos de negocio, perfiles legales, equipos de riesgo, tecnólogos y redes científicas europeas. La IA diferencial en banca se construirá desde el conocimiento de dominio y negocio, no únicamente desde la ingeniería de modelos.
5. La madurez y el control deben orientar la priorización
El informe identifica como prioritarios los procesos de RegTech, fraude, AML, KYB, IA documental, datos sintéticos, gobernanza de modelos y agentes supervisados. Son ámbitos donde el Banco puede capturar eficiencia, reducir riesgo operativo y construir capacidades escalables sin asumir una dependencia excesiva de proveedores cerrados.
El estudio revisa el momento de madurez que atraviesa la IA en Europa y su impacto potencial en sectores críticos. Así, mientras que la primera ola de adopción tecnológica ha estado marcada por los Large Language Models (LLMs) y las aplicaciones de consumo, el debate estratégico empieza a concentrarse ahora en usos más especializados, seguros y gobernables. El análisis revela lo que parece un cierto agotamiento de los grandes modelos generalistas, ya que no siempre son la respuesta óptima para todos los procesos empresariales. Por el contrario, los Small Language Models (SLMs) y los modelos especializados se presentan como una alternativa más eficiente al reducir costes de inferencia, mejorar latencia y reforzar la ventaja competitiva mediante mayor dominio sobre datos, pesos y trazabilidad.
El Head de Santander AI Lab, José Manuel de la Chica, subraya que “tenemos que pasar de la experimentación con modelos generalistas a una IA B2B industrial, soberana y gobernable. La ventaja no estará en utilizar siempre el modelo más potente, sino en integrar la IA adecuada en el proceso correcto, con trazabilidad, control del dato y responsabilidad desde el diseño”.
Europa tiene una oportunidad diferencial en IA: competir por especialización, confianza regulatoria, soberanía del dato y calidad científica. Ese enfoque encaja especialmente bien con la banca porque forma parte del núcleo del negocio. La soberanía útil no consiste en aislarse, sino en saber qué procesos deben permanecer bajo control.
Este cambio de paradigma resulta especialmente relevante para los sectores críticos y regulados, como la banca, donde cualquier despliegue tecnológico debe convivir con exigencias estrictas de trazabilidad, resiliencia y privacidad. Por ello, la IA financiera “no se está construyendo solo alrededor de chatbots o automatización básica, sino en ámbitos de alta confianza como gestión de riesgos, fraude, solvencia, seguros, modelización matemática, Gobernanza de la IA e IA responsable.
Fortalezas europeas
Frente a una carrera global dominada por grandes inversiones en modelos fundacionales (EE UU movilizó 109.000 millones de dólares de inversión privada en IA en 2024, frente a 19.420 millones en Europa), el informe plantea una vía diferencial para Europa: competir en especialización vertical, soberanía del dato, eficiencia operativa, calidad científica y confianza regulatoria. Para una entidad financiera, esto implica “combinar ambición tecnológica con disciplina de gobierno, criterio económico y una arquitectura preparada para escalar IA de forma segura”.
Otra de las fortalezas europeas podría ser la propia regulación, que pasaría de ser un freno a una ventaja competitiva. Así, si bien el marco compuesto por normativa como el AI Act, DORA, RGPD y NIS2 eleva la exigencia operativa también se traduce en una mayor profesionalización del mercado. Esto supone fijar un estándar de calidad industrial y una barrera competitiva frente a tecnologías menos transparentes o difíciles de auditar.
Además, el estudio analiza el papel de los grandes nodos europeos de innovación (París, DACH, Londres y España) y la relevancia de infraestructuras como la supercomputación, las Factorías de IA y los Data Labs para construir una IA más segura, eficiente y controlada.
Las conclusiones que presenta el informe son parte de un análisis de 10,3 millones de documentos, aislando además más de 326.000 publicaciones en la intersección entre IA, finanzas y banca. Otra de las tendencias detectadas es la separación entre el modelo y la memoria corporativa. De esta forma, la utilización de la Generación Aumentada por Recuperación (RAG) soberana permitirá separar el motor de IA de la memoria corporativa, evitando que el conocimiento interno quede absorbido por proveedores externos.
