El sistema financiero argentino atraviesa un escenario de creciente morosidad que está modificando la manera en que bancos y fintech evalúan a quienes solicitan crédito. En este contexto, la inteligencia artificial comienza a ocupar un lugar cada vez más relevante en la gestión del riesgo y en la definición de las condiciones para acceder a un préstamo.

Según el último informe del Banco Central, la irregularidad alcanzó al 12,8% de los créditos a familias y al 15,9% de los préstamos personales. El deterioro obliga a las entidades a revisar con mayor frecuencia sus criterios de aprobación, límites de exposición y segmentación de clientes.

Del análisis manual a las reglas gestionadas con IA

Uno de los principales cambios está relacionado con la velocidad con la que pueden implementarse nuevas políticas crediticias.

Tradicionalmente, una modificación definida por el área de riesgos debía pasar por equipos técnicos encargados de convertir esa decisión en código y ponerla en producción. Ese proceso podía demandar días o incluso semanas.

Las nuevas soluciones combinan arquitecturas no-code con asistentes de inteligencia artificial. De esta manera, los equipos de negocio pueden establecer una condición utilizando lenguaje natural y convertirla rápidamente en una regla operativa.

Por ejemplo, un analista puede definir que las solicitudes de personas que acumularon determinados niveles de mora sean rechazadas o derivadas a una evaluación adicional. La IA interpreta esa instrucción y la transforma en una regla que puede incorporarse al proceso de decisión.

"La velocidad se convirtió en una condición relevante para operar en un contexto donde las condiciones económicas pueden cambiar rápidamente. La posibilidad de que las áreas de riesgo gestionen directamente estas modificaciones reduce la dependencia de los equipos de desarrollo"

La palabra clave: explicabilidad

Sin embargo, la velocidad no es el único desafío. La utilización de inteligencia artificial para decidir quién recibe un préstamo introduce otra cuestión central: la explicabilidad.

El concepto refiere a la capacidad de conocer qué variables fueron consideradas por el modelo y cuáles fueron las razones que llevaron a aprobar, rechazar o derivar una solicitud para una revisión humana.

La trazabilidad resulta especialmente importante en el sector financiero. Un sistema que toma decisiones rápidamente pero no puede explicar sus resultados puede convertirse en un problema tanto para las entidades como para los consumidores.

Por eso, el desafío para bancos y fintech consiste en encontrar un equilibrio entre modelos rápidos, flexibles y explicables, capaces de adaptarse a cambios en el nivel de riesgo sin transformar el proceso de otorgamiento de crédito en una "caja negra".

¿Más inclusión o más restricciones?

El avance de estas tecnologías también abre un debate sobre su impacto en el acceso al financiamiento.

Por un lado, una evaluación más precisa puede permitir identificar personas con capacidad de pago que anteriormente quedaban excluidas por modelos demasiado generales. La IA podría, en ese sentido, contribuir a ampliar el acceso al crédito.

Pero el mismo mecanismo puede utilizarse en sentido contrario: una entidad podría endurecer automáticamente sus condiciones ante determinadas señales de deterioro y excluir rápidamente a segmentos completos de potenciales clientes.

La discusión adquiere especial relevancia en un contexto en el que, según las estimaciones mencionadas en la nota de iProUP, casi siete millones de personas quedaron fuera del sistema crediticio formal tras acumular atrasos superiores a 90 días.

La velocidad se convierte en una ventaja competitiva

El cambio tecnológico no se limita entonces a automatizar una tarea. También modifica quién tiene capacidad para cambiar las políticas de riesgo dentro de una entidad.

En un escenario de elevada morosidad, una institución que necesita varias semanas para adaptar sus reglas puede estar tomando decisiones con parámetros que ya no reflejan las condiciones actuales del mercado.

La inteligencia artificial y las plataformas no-code permiten acortar ese proceso y llevar las modificaciones desde las áreas de riesgo hacia los sistemas operativos en mucho menos tiempo.

El resultado es un nuevo modelo de gestión crediticia: más dinámico, automatizado y capaz de adaptarse rápidamente, aunque con la necesidad de mantener controles, trazabilidad y criterios que eviten decisiones discriminatorias.

La tecnología, en definitiva, no determina por sí sola quién accede al crédito. Lo que cambia es la velocidad y precisión con la que las entidades pueden aplicar las políticas que decidan.