Las entidades que otorgan crédito empezaron a incorporar inteligencia artificial explicable para gestionar el riesgo en un contexto donde la morosidad alcanza el 12% en todos los niveles socioeconómicos. El enfoque apunta a dejar atrás modelos de decisión opacos y avanzar hacia sistemas que permitan entender cómo y por qué se aprueba o rechaza un financiamiento, con capacidad de auditoría y justificación de cada decisión automatizada.
En el mercado local, la inteligencia artificial gana peso en la toma de decisiones a medida que el crédito continúa creciendo y suma nuevos perfiles. En ese escenario, la necesidad de explicar el resultado de un modelo adquiere relevancia por el carácter dinámico del contexto argentino, donde los cambios macroeconómicos pueden modificar en poco tiempo el desempeño de las carteras y la eficacia de las variables utilizadas para evaluar riesgo.
Datos recientes de SIISA muestran señales de mayor fragilidad en el sistema: 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. A la vez, la mayor inclusión financiera y la entrada de nuevos actores elevan la complejidad del ecosistema y exigen decisiones con mayor trazabilidad.
El concepto de inteligencia artificial explicable refiere a modelos que, además de decidir, pueden detallar los factores que llevaron a esa decisión. En la práctica, permite identificar por qué un cliente fue considerado de alto riesgo y qué variables podrían mejorar su perfil crediticio. El objetivo no se centra en reemplazar los modelos actuales, sino en hacerlos más comprensibles y auditables, y en medir cómo reaccionan ante cambios de contexto y qué tan sólidos son frente a nuevas dinámicas del mercado.
En paralelo, una investigación de IDC relevó una brecha entre la confianza declarada y la inversión efectiva en confiabilidad: casi ocho de cada diez organizaciones (78%) afirman confiar plenamente en la IA, pero solo el 40% invirtió para que los sistemas sean demostrablemente fiables mediante gobernanza, explicabilidad y salvaguardas éticas.
“La conversación debería cambiar el foco de la capacidad de predicción, a la transparencia, la trazabilidad y el cumplimiento”, señaló SIISA. En el negocio del crédito, contar con modelos claros y auditables permite anticipar qué segmentos empiezan a deteriorarse, detectar cuándo una variable deja de ser relevante y evaluar el impacto de un cambio de política para actuar con mayor margen y menor exposición al riesgo.
El análisis también plantea que la incorporación de nuevas fuentes de información, incluidos datos no bancarios, habilita evaluaciones más completas sobre cada perfil, aunque suma capas de complejidad. En ese marco, adoptar tecnología de automatización con lógica configurable se vincula con el cumplimiento normativo y la competitividad dentro del ecosistema crediticio.
