Una capa de memoria determinista para datos financieros, construida para que los agentes de IA probabilísticos puedan consultarla y razonar sobre ella de forma fiable. No es otro historial de chat. Es un registro estructurado y conciliado de lo que realmente ocurrió en los extractos.
Memoria, en el sentido en que la usan ChatGPT y Claude, es lo que un agente de IA conversacional recuerda de ti entre sesiones: tus preferencias, solicitudes anteriores, el contexto que debe llevar consigo. La memoria financiera extiende esa misma idea a los registros financieros: un lugar donde la memoria de un agente sobre tus finanzas es tan duradera y consultable como su memoria de la conversación.
La diferencia está en el origen de la memoria. Una capa de memoria derivada de la conversación recuerda lo que se dijo. La memoria financiera es determinista porque se deriva de documentos y se verifica por conciliación: cada dato se remonta a una página específica de un extracto bancario concreto, y cada saldo se verifica antes de que se pueda confiar en él. Un agente de IA que razona sobre ella no razona sobre un resumen que alguien escribió una vez. Razona sobre los documentos originales, estructurados y verificados.
De la publicación en LinkedIn del fundador
El plan nunca fue simplemente convertir extractos bancarios
Al principio, pensé que Bankstatemently se convertiría en una empresa de Visión Financiera. En los últimos meses he concluido que eso es demasiado limitado. La visión es solo una parte del problema. Ver es importante, sí. Pero lo que viene después es la comprensión: interpretar a través de un modelo coherente de la realidad. Eso, en mi opinión, sigue siendo, con diferencia, la parte más difícil de hacer utilizables los datos de documentos financieros.
Los modelos de IA se están convirtiendo en mejores ojos. Los días de luchar con un 90% de precisión de OCR quedan en gran medida atrás, y la extracción de datos de extractos financieros sigue mejorando. Pero lo que la IA todavía tiene difícil es construir una representación consistente de los datos financieros, especialmente cuando el mundo real está lleno de inconsistencias, ambigüedades y formatos de documentos distintos.
Por eso estoy empezando a pensar en el futuro de Bankstatemently como Memoria Financiera. Un lugar donde los datos financieros viven en un modelo único, consistente y estructurado. Una capa de memoria determinista, fácil de consultar y sobre la que razonar para agentes de IA probabilísticos.
Si esa capa de memoria existe, no debería importar si el razonamiento proviene de ChatGPT, Claude o un modelo de código abierto
Un agente de IA al que hoy se le pide razonar sobre un extracto bancario en PDF tiene que volver a leerlo e interpretarlo desde cero cada vez, sin garantía de que lo lea igual dos veces. La memoria financiera invierte esto: el extracto se analiza una sola vez en un modelo estructurado y verificado (transacciones, saldos, cuentas, fechas), y cada agente que lo consulte después obtiene la misma respuesta determinista.
Esa estructura es lo que hace que los datos financieros sean utilizables por un agente, y no solo visibles para él. Un modelo de lenguaje puede describir un PDF. Por sí solo no puede garantizar que se haya capturado cada transacción de cada página, ni que un saldo se haya arrastrado correctamente de un extracto al siguiente. La capa de memoria hace esa verificación una vez, por adelantado, de modo que un agente que la consulte más tarde razona sobre hechos verificados, no sobre una nueva suposición.
La API REST devuelve JSON estructurado: transacciones, metadatos de cuenta y saldos, resueltos mediante el mismo pipeline determinista que se usa en el resto del sitio. Cualquier framework de agentes que pueda llamar a un endpoint HTTP puede llamar a este, sin necesidad de lógica propia de análisis de PDF. Consulta la referencia completa en /developers/api.
El servidor de Model Context Protocol expone la misma capa de memoria como un conjunto de herramientas que un agente puede llamar directamente: convertir un extracto, listar extractos, obtener uno específico, consultar créditos de cuenta. Es la forma más rápida de dar a Claude, ChatGPT, Codex, Cursor o un framework de agentes personalizado acceso a datos de extractos bancarios sin construir una integración a mano. Consulta /developers/mcp para la configuración.
Conecta el servidor MCP, sube un extracto (o indica al agente dónde encontrarlo) y haz una pregunta en lenguaje natural: "¿Cuál fue mi gasto medio mensual en suscripciones de software?" o "Lista cada transferencia superior a 2.000 $ del último trimestre". El agente razona sobre datos estructurados y conciliados en lugar de intentar leer el PDF por sí mismo, que es la diferencia entre una respuesta en la que puedes confiar y una que tienes que comprobar a mano.
Los agentes de contabilidad construidos sobre un LLM heredan la misma debilidad que cualquier LLM tiene con los documentos fuente: resumen en lugar de capturar de forma exhaustiva. Una capa de memoria financiera les da un libro mayor determinista con el que conciliar: cada transacción de cada página, verificada por continuidad de saldo, para que un flujo de contabilidad automatizado no descarte silenciosamente líneas que nunca leyó correctamente.
Conéctate vía MCP en minutos, o prueba la API directamente.