Los modelos que integran IA generativa y fuentes de datos alternativos están llevando a un nuevo escenario de democratización del crédito. Además reducen niveles de riesgo y previenen la morosidad
La calificación crediticia es un indicador fundamental para determinar quién puede acceder al crédito financiero y bajo qué términos. La solvencia financiera de una persona está asociada con la evaluación de riesgo potencial a la hora de asignarle desde préstamos a tarjetas a la evaluación de otras instancias como la firma de un contrato de alquiler, el acceso a un seguro, entre otros.
Los sistemas tradicionales de calificación crediticia asociados a la banca tradicional han estado históricamente plagados de problemas para asignar dicha calificación. Desde sesgos a discriminación, la gestión limitada de los datos han sido una fuente constante de errores e injusticias para el sistema. Estos sistemas crediticios se han caracterizado por una rigidez que han impedido que se sintonice con los cambios en los comportamientos de las personas, los cambios económicos, demográficos y tecnológicos.
Gran parte de los obstáculos se relacionan a que los modelos tradicionales de evaluación crediticia se basan en reglas predefinidas y modelos estadísticos basados en datos crediticios históricos, con factores como el historial de pago, la utilización y el historial crediticio previo.
Uno de los problemas es por ejemplo, que quienes se inician en el crédito no tienen un historial que los avale, lo que dificulta demostrar su solvencia. Asimismo muchas personas tienen ingresos irregulares, son cuentapropistas, carecen de un empleo formal o trabajan en la economía digital lo que pone en riesgo la evaluación de su estabilidad de ingresos o de su responsabilidad financiera. El problema es que los modelos tradicionales de calificación crediticia pueden evaluarlos con un mayor riesgo del que en realidad poseen. Por otro lado, la dependencia del crédito existente puede ser percibida como una señal de alarma para otorgar crédito adicional. Por último, también es muy común no comprender los motivos del rechazo u obtener respuestas imprecisas o poco transparentes a la hora de entregar crédito.
¿Cuál es la alternativa para lograr democratizar el acceso a crédito, disminuir riesgos y atender a segmentos desatendidos? La solución viene por el lado de la incorporación de un nuevo tipo de información que va más allá del historial crediticio tradicional, es decir, la autorización de datos alternativos que indiquen una perspectiva más amplia del comportamiento financiero de una persona y que revelen un compromiso con el cumplimiento de las obligaciones financieras.
Poder aprovechar estos datos alternativos representa un cambio hacia un enfoque más inclusivo y holístico de las evaluaciones crediticias. En línea con estos datos alternativos se encuentran por ejemplo el historial de alquiler (para evaluar cumplimiento) o el patrón de utilización de teléfonos móviles (para entender o establecer la red de contactos, la estabilidad y las conexiones sociales de una persona). También el comportamiento de compra online sirve para entender frecuencia de compra y nivel de consumo y por lo tanto, hábitos financieros. Por último, el historial educativo y la estabilidad laboral también pueden ser indicadores alternativos a la hora de perfilar.
El cambio que llega de la mano de la IA potencia la capacidad de analizar conjuntos de datos amplios y diversos. Los modelos de IA pueden procesar una infinidad de información, incluidas las fuentes de datos no tradicionales, para crear una evaluación más completa de la solvencia de una persona, atendiendo así una gama más amplia de comportamientos financieros. La característica de los modelos impulsados por IA es la de ajustarse rápidamente y aprender de los nuevos datos, lo que los habilita a ser eficaces frente a los constantes cambios del panorama financiero.
Pero los modelos crediticios de IA no están exentos de complicaciones. Al igual que los modelos estadísticos tradicionales, los modelos de IA, incluidos los LLM (large language models, en inglés) heredarán los sesgos presentes si fueron entrenados con datos históricos sesgados, lo que conducirá nuevamente a resultados discriminatorios.
En este sentido existen estrategias de mitigación, que comienzan con el uso de datos de capacitación diversos y representativos para evitar reforzar los sesgos existentes. Existen asimismo, herramientas de detección de sesgos y técnicas de regularización durante el entrenamiento que mejoran la responsabilidad del modelo. La evaluación inclusiva, el monitoreo continuo y la mejora iterativa de los modelos junto con el cumplimiento de pautas éticas de gobernanza y cuidado de los datos completan un enfoque holístico que reduce la reproducción de condicionamientos, lo que es particularmente útil en el caso de sesgos demográficos o socioeconómicos que pueden estar presentes en los datos crediticios históricos.
Una última recomendación es aumentar la transparencia y la capacidad de explicación en los LLM para entender cómo se toman las decisiones, dado que la poca transparencia en los rechazos crediticios suele ser una situación cotidiana.
En definitiva, la capacidad de la IA generativa de sintetizar diversos conjuntos de datos aborda una de las limitaciones clave de la calificación crediticia tradicional como lo es la dependencia de los datos crediticios históricos. Se abre así la posibilidad a una evaluación más inclusiva de la solvencia, que promueve la inclusión financiera y las oportunidades de crédito. En este proceso es vital entender la capacidad de los modelos de IA generativa para aprender y adaptarse continuamente, que es lo que garantiza que la calificación crediticia siga siendo efectiva en tiempo real, pueda dar explicaciones de sus decisiones y contribuya así a la transparencia de todo el sistema de cara a los consumidores, los reguladores y las instituciones financieras.
Por Julio Blanco, Chief Business Officer de Zentricx
