Proceso de evaluación crediticia habilitado por IA agentica: Un plan estratégico

Bhushan Joshi, Dr Manas Panda, Raja Basu

¡Descubre las principales noticias y eventos de fintech!

Suscríbete al boletín de FinTech Weekly

Leído por ejecutivos de JP Morgan, Coinbase, Blackrock, Klarna y más

La industria de servicios financieros está experimentando un cambio de paradigma a medida que la inteligencia artificial generativa (GenAI) y los sistemas de IA agente están redefiniendo los flujos de procesos comerciales, siendo la toma de decisiones crediticias uno de ellos. Los bancos ahora están adoptando sistemas impulsados por IA que mejoran la precisión predictiva mientras automatizan simultáneamente flujos de trabajo complejos. Este artículo explora cómo GenAI y la IA agente pueden ser implementadas estratégicamente en el proceso de evaluación crediticia, mejorando significativamente el nivel de eficiencia y automatización, mientras abordan consideraciones de gobernanza, riesgo y cumplimiento.

La ventaja de GenAI: Enriquecimiento de datos inteligente

Los datos son la sangre vital de la evaluación crediticia. Los bancos y las instituciones financieras evalúan y analizan grandes cantidades de elementos de datos utilizando modelos logísticos y heurísticos. Con la llegada de GenAI, este proceso ha dado un gran salto, ya que los modelos de GenAI proporcionan la capacidad de evaluar datos no estructurados, generando información valiosa. La generación de datos sintéticos para simular escenarios de antemano es otro cambio clave en el proceso de evaluación.

Los modelos de GenAI sobresalen en el análisis de información no estructurada, transformándola en datos estructurados. Esta capacidad permite la extracción de atributos clave como consistencias de ingresos, inconsistencias de pagos, datos de empleo, gastos discrecionales, etc., que pueden proporcionar información crítica en la evaluación de suscripción.

La generación de datos sintéticos es una capacidad que ofrecen los modelos de GenAI, que puede ser aprovechada para modelado robusto y propósitos de validación. Esto puede ayudar a mitigar la escasez de datos en casos límite. Los modelos de IA pueden ser utilizados para definir escenarios límite, agregar criterios más matizados: buffers de liquidez, volatilidad de ingresos, etc., y pueden ser validados con datos sintéticos. Estos datos que preservan la privacidad mejoran la generalización del modelo y su resistencia a riesgos extremos.

Los sistemas multimodales de GenAI pueden señalar inconsistencias, como desajustes entre ingresos declarados, registros fiscales, estados de cuenta bancarios, etc., mediante comparación y contraste. Estas actividades manuales que consumen tiempo pueden ser aceleradas con un cumplimiento mejorado, detectando brechas y mejorando la integridad de los datos.

IA Agente: Orquestando flujos de trabajo autónomos

Mientras que los sistemas multimodales de GenAI facilitan la integridad de los datos, crean y validan escenarios extremos, la malla de IA agente guía con flujos de trabajo autónomos.

La IA agente avanzó aún más el proceso de evaluación con la toma de decisiones autónoma de tareas discretas. La malla de IA agente, que comprende múltiples agentes expertos, es capaz de llevar a cabo múltiples tareas discretas simultáneamente. La verificación de identidad, recuperación y validación de documentos, evaluación de métricas, validación de datos externos, verificaciones de buró de crédito, análisis psicométrico, etc., por nombrar algunos, pueden ser realizados simultáneamente por agentes especializados. Cada agente opera con objetivos definidos, métricas de éxito y protocolos de escalación, haciendo que el proceso sea más rápido y preciso.

Esta malla agente impone lógica empresarial, invoca modelos predictivos y enruta aplicaciones basadas en umbrales de confianza, automatizando dinámicamente los flujos de trabajo del proceso. Por ejemplo, decisiones de baja confianza o anomalías señaladas son escaladas automáticamente a suscriptores humanos en el proceso, con alertas enviadas a través de sistemas de mensajería para actuar. Al mismo tiempo, los sistemas agentes pueden monitorear proactivamente las aplicaciones, detectar contradicciones e iniciar mecanismos de remediación. De manera similar, si el perfil crediticio de un solicitante cae en una zona gris, puede activar automáticamente una revisión secundaria o solicitar documentación adicional o traer a un humano al proceso.

Un ejemplo: Un gran banco global implementó recientemente un proceso totalmente automatizado de gestión de casos a partir de correos electrónicos de clientes: registrando casos, invocando flujos de trabajo, mensajería con seguimiento de estado y comunicación, reduciendo el esfuerzo y el tiempo de procesamiento a la mitad de lo anterior.

Para complementarlo, la capacidad de procesamiento de lenguaje natural permite a los agentes conversar con los solicitantes en tiempo real, aclarando ambigüedades, recopilando datos faltantes y resumiendo los siguientes pasos, en múltiples idiomas y habilitados por voz según sea necesario. Esto reduce la fricción y mejora las tasas de finalización, particularmente para segmentos de clientes reacios desatendidos.

Arquitectura Híbrida: Equilibrando precisión y explicabilidad

Las tecnologías de GenAI y IA Agente están diseñando flujos de procesos y arquitecturas, mejorando la eficiencia mientras equilibran la precisión y la explicabilidad de los resultados.
Una arquitectura híbrida que combina IA Agente con modelos de GenAI mejora el poder predictivo con datos más ricos y una mayor transparencia regulatoria. La combinación de agentes de IA también aumenta la robustez y las capacidades de ejecución automatizada sin problemas.

Mientras que GenAI puede generar explicaciones contrafactuales: escenarios de “qué pasaría si” que ilustran cómo los solicitantes pueden mejorar su elegibilidad para préstamos, los sistemas Agente pueden recopilar datos de resultados, curar casos límite e iniciar ciclos de reentrenamiento. Este proceso de autoaprendizaje adaptativo con conjuntos de datos más limpios y escenarios límite plausibles mejora la precisión del proceso de evaluación de elegibilidad de préstamos de los clientes.

Llamado a la acción: Construyendo sistemas de IA confiables para una evaluación más precisa

Evaluar la elegibilidad para préstamos es un proceso complejo que impacta la experiencia del cliente y la relación comercial a largo plazo. Algunas recomendaciones clave a tener en cuenta al rediseñar el flujo son: a) Una arquitectura de humano en el proceso para mejorar el proceso de toma de decisiones en general con trazabilidad y explicabilidad, b) Identificar y mapear adecuadamente los resultados de las decisiones a las características asociadas para abordar preocupaciones de interpretabilidad y hallazgos de auditoría, c) Implementar salvaguardias de IA responsables, salvaguardias operativas como controles de acceso basados en roles, matriz de escalación, etc., mejorará la resiliencia del proceso.

Conclusión

El proceso de toma de decisiones crediticias se encuentra en un punto de inflexión, con GenAI y IA Agente redefiniendo los flujos de procesos comerciales, haciendo que el ecosistema de préstamos sea más eficiente y resiliente. Las instituciones financieras que inviertan en un diseño reflexivo, gobernanza rigurosa y modelos de datos robustos automatizando casos de uso de alta importancia liderarán la próxima era de la suscripción inteligente.