Traducido del original en inglés. Las cifras y las fuentes no cambian. Leer el original en inglés
Credit Agricole Bank Polska
Credit Agricole Bank Polska ejecuta el modelo abierto polaco Bielik en sus propios servidores para herramientas internas
Credit Agricole Bank Polska eligió Bielik, un modelo de lenguaje polaco open-weight (de pesos abiertos), tras un hackathon interno de IA, y compró servidores con GPU para ejecutarlo en sus propias instalaciones. Hoy impulsa polCA, un corrector de textos en lenguaje claro ajustado, y un chat interno que puede usar todo el personal. El banco dice que aún no tiene indicadores de eficiencia.
Cifras clave
Copiadas literalmente de las fuentes. Copie cualquier cifra con su cita.
más de 50
Proyectos recibidos en el hackathon de IA del banco en 20241
cinco
Ideas del hackathon seleccionadas para su implantación1
Qué requirió
El problema
Credit Agricole Bank Polska quería empezar a trabajar con grandes modelos generativos, pero el acceso a herramientas como ChatGPT estaba restringido, como es normal en la banca. Solo unas pocas personas, entre ellas su laboratorio de innovación, podían usarlas, y bajo control. El banco tampoco tenía infraestructura propia para ejecutar modelos de lenguaje. Buscaba una forma de que más empleados usaran IA generativa con seguridad, sin que los datos sensibles salieran del banco.
Qué construyeron
El banco usa Bielik, un modelo de lenguaje polaco open-weight (de pesos abiertos), es decir, cuyos archivos del modelo se pueden descargar y ejecutar en servidores propios. Sobre él funcionan dos herramientas para el personal. polCA es un corrector de textos que los reescribe para que sigan las reglas del lenguaje claro. La segunda es un chat interno que cualquier empleado puede usar para conversar con el modelo o trabajar con documentos. Bielik también impulsa herramientas que eliminan u ocultan datos sensibles antes de enviar un texto a un modelo en la nube, y herramientas que ayudan a marketing y a recursos humanos a redactar contenidos conforme a los estándares internos del banco a partir de un borrador breve.
Cómo lo hicieron
El detonante fue un hackathon de IA en 2024, celebrado con un socio tecnológico, Deviniti. El banco necesitaba un motor que diera vida a las ideas de los participantes. El hackathon recibió más de 50 propuestas y el banco eligió cinco para implantar. polCA, una de ellas, se convirtió en el primer uso en producción. Se mantuvo deliberadamente sencillo, se probó frente a otros modelos y se ajustó con el corpus de textos del propio banco, es decir, el modelo recibió un entrenamiento adicional con datos del banco para adaptarse a sus necesidades.
El hackathon y polCA llevaron al banco a comprar servidores con GPU e instalar en ellos Bielik, tras lo cual abrió el chat interno a todo el personal. El nuevo hardware llegó solo a finales de 2024, algo que el banco señala como su mayor obstáculo. Ahora también ejecuta plataformas para crear agentes (n8n y RAGFlow) impulsadas por Bielik y otros modelos, y organizó en 2025 un segundo hackathon sobre agentes.
Resultados
El modelo se ejecuta en las propias máquinas del banco, por lo que los datos sensibles permanecen en su infraestructura. polCA está en producción y todos los empleados pueden usar el chat de Bielik. El banco dice que mide el número de textos corregidos o generados, de ejecuciones de agentes y de datos procesados, y que estas medidas muestran que las herramientas permiten al personal hacer más tareas. Afirma que todavía no dispone de indicadores precisos del porcentaje de tiempo ahorrado y que está definiendo indicadores como parte de un enfoque más amplio para gestionar la IA a gran escala.
Lecciones para su proyecto
Use un hackathon para encontrar a la vez los primeros casos de uso y el primer modelo. El hackathon de 2024 de Credit Agricole produjo más de 50 ideas y el argumento a favor de un modelo compartido.
Empiece con una primera herramienta de producción sencilla. El banco eligió polCA, un corrector de textos, porque era fácil de demostrar, y después fue dando pequeños pasos hacia los siguientes proyectos.
Compare modelos con su propia tarea. El banco probó varios, y polCA funcionó mejor con Bielik tras el ajuste con el corpus de textos del propio banco.
Dé al personal un chat interno seguro para que aprenda lo que los modelos de lenguaje pueden y no pueden hacer. El banco dice que Bielik es más débil que modelos mucho mayores, pero suficiente para eso.
Cuente con el plazo de entrega del hardware. El banco señala la obtención e instalación de los servidores con GPU como su mayor desafío.
Incorpore la medición desde el principio. El banco cuenta los textos corregidos y las ejecuciones de agentes, pero aún no tiene indicadores de eficiencia, y dice que definirlos forma parte de su siguiente fase.
Salvedades
- La única fuente es una entrevista con el responsable del laboratorio de innovación del banco, publicada por el fondo de desarrollo estatal polaco PFR. Todas las afirmaciones son del propio banco y ninguna fuente independiente las confirma.
- El banco afirma que todavía no dispone de indicadores precisos de cuánto han cambiado el tiempo de trabajo o la productividad. Las cifras anteriores son recuentos de ideas, no resultados de negocio.
- El artículo no da fechas de puesta en marcha de polCA ni del chat interno. La fecha de despliegue mostrada es el año del hackathon y de la entrega de los servidores con GPU (finales de 2024); el artículo no dice cuándo llegaron polCA o el chat a los usuarios, lo que pudo ocurrir después de 2024. El año procede del texto y no se indica ningún mes.
- El artículo no da coste, ni número de servidores, ni número de usuarios del chat.
- El banco también usa otros modelos, entre ellos Qwen y gpt-oss, en sus plataformas de agentes, y dice que Bielik cedió el paso a otros modelos para algunas tareas.
- La página de la entrevista bloquea a los lectores automatizados; la leímos a través de una copia archivada.
Fuentes
- Start z polskim AI – od pomysłu do wdrożenia
Polski Fundusz Rozwoju (PFR) · 2026-02-26 · Entrevista · pfr.pl
Resumido con nuestras propias palabras a partir de las fuentes anteriores. ¿Ha detectado un error? Consulte correcciones.