Las entidades financieras y fintech avanzan hacia modelos de inteligencia artificial más comprensibles para optimizar la gestión del riesgo en un contexto marcado por el aumento de la mora.
A medida que el crédito sigue creciendo y suma nuevos perfiles, la inteligencia artificial empieza a ocupar un lugar cada vez más central en la toma de decisiones. Las entidades que otorgan crédito deben entender y justificar cada decisión automatizada, cómo y por qué un modelo llega a ciertos resultados.
Durante mucho tiempo, estos sistemas funcionaron como verdaderas “cajas negras”, eran eficaces, pero poco transparentes. Mientras el contexto se mantenía relativamente estable, eso no generaba mayores inconvenientes. Pero en escenarios más dinámicos —como el actual en Argentina— entender cómo decide un modelo pasa a ser parte del problema a resolver.
Datos recientes de SIISA, empresa de tecnología y buró con foco en el mercado de crédito, muestran que éste continúa expandiéndose, aunque con señales de mayor fragilidad. Hoy, el 89% de los créditos se mantiene al día, mientras que la mora ronda el 12%, con un deterioro respecto de períodos anteriores y una mayor dispersión entre segmentos. En paralelo, la mayor inclusión financiera y la entrada de nuevos actores hacen que el sistema sea más complejo y exigente a la hora de tomar decisiones.
En este escenario, la Inteligencia Artificial Explicable tiene un rol protagónico. Se trata de la IA que no solo toma decisiones -como aprobar o rechazar un crédito- sino que también puede detallar los factores que determinaron esa decisión: por qué un cliente fue considerado de alto riesgo y de qué manera podrían mejorar su perfil crediticio. Más que reemplazar los modelos actuales, el foco está en hacerlos más comprensibles y auditables. Identificar cómo reaccionan ante cambios en el contexto y qué tan sólidos son frente a nuevas dinámicas del mercado.
Según una investigación de IDC, en todas las regiones se identificó una discrepancia entre la confianza que las organizaciones depositan en la IA y la fiabilidad real de la tecnología. El estudio muestra que, si bien casi 8 de cada 10 organizaciones (78%) afirman confiar plenamente en la IA, solo el 40% ha invertido para que los sistemas sean demostrablemente fiables mediante la gobernanza, la explicabilidad y las salvaguardas éticas de la IA. La conversación debería cambiar el foco de la capacidad de predicción, a la transparencia, la trazabilidad y el cumplimiento.
En el negocio del crédito, donde la mora puede cambiar en poco tiempo y las condiciones macroeconómicas impactan de forma directa, contar con modelos más claros y auditables tiene beneficios claros. Poder anticipar qué segmentos empiezan a deteriorarse, detectar cuándo una variable deja de ser relevante o evaluar el impacto de un cambio de política permite actuar con mayor margen y menor exposición al riesgo.
Al mismo tiempo, la incorporación de nuevas fuentes de información —incluyendo datos no bancarios— abre la puerta a evaluaciones más completas sobre cada perfil. Pero también suma capas de complejidad. En ese contexto, entender cómo se toman las decisiones no es solo una cuestión técnica, sino una herramienta clave con claro impacto en la salud financiera. Adoptar tecnología de automatización con lógica configurable permitirá no sólo cumplir con normativas sino también mantener competitividad en el ecosistema crediticio.
