La morosidad en el sistema de crédito ronda el 12% en todos los niveles socioeconómicos y el 89% de los créditos se mantiene al día, con señales de deterioro respecto de períodos anteriores y una mayor dispersión entre segmentos. En ese escenario, las entidades de crédito enfrentan mayores exigencias para colocar capital y, al mismo tiempo, para entender y justificar decisiones automatizadas en un contexto dinámico como el de la Argentina.
A medida que el crédito continúa creciendo y suma nuevos perfiles, la inteligencia artificial empezó a ocupar un lugar más central en la toma de decisiones vinculadas a la evaluación y el otorgamiento de financiamiento. El desafío no se limita a la capacidad de predicción de los modelos: también se volvió relevante contar con explicaciones claras sobre cómo y por qué un sistema llega a determinados resultados. Durante años, estos modelos operaron como “cajas negras”: podían ser eficaces, pero con baja transparencia.
En este marco, toma protagonismo la Inteligencia Artificial Explicable (XAI, por sus siglas en inglés). Se trata de sistemas que no solo aprueban o rechazan un crédito, sino que también detallan los factores que determinaron esa decisión, como por qué un cliente fue considerado de alto riesgo y de qué manera podría mejorar su perfil crediticio. El foco no está puesto en reemplazar los modelos actuales, sino en volverlos más comprensibles y auditables, además de identificar cómo reaccionan ante cambios de contexto y qué tan sólidos resultan frente a nuevas dinámicas del mercado.
La necesidad de explicabilidad también se vincula con la confianza y la gobernanza de la tecnología. Una investigación de IDC identificó una discrepancia entre la confianza que las organizaciones depositan en la IA y la fiabilidad efectiva de estos sistemas. El estudio indicó que, si bien el 78% de las organizaciones afirma confiar plenamente en la IA, solo el 40% invirtió para que los sistemas sean “demostrablemente fiables” mediante gobernanza, explicabilidad y salvaguardas éticas.
En el negocio del crédito, donde la mora puede cambiar en poco tiempo y las condiciones macroeconómicas impactan de forma directa, el foco se desplaza hacia criterios de control y cumplimiento. “La conversación debería cambiar el foco de la capacidad de predicción, a la transparencia, la trazabilidad y el cumplimiento”, planteó el informe.
En paralelo, la incorporación de nuevas fuentes de información —incluidos datos no bancarios— amplía las evaluaciones posibles sobre cada perfil, pero suma capas de complejidad. En ese contexto, la automatización con lógica configurable aparece como una herramienta para sostener el cumplimiento normativo y mantener competitividad en el ecosistema crediticio.
