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 atravesando un cambio de paradigma, ya que los sistemas de IA generativa (GenAI) y de IA agentica están redefiniendo los flujos del proceso de negocio, siendo la toma de decisiones crediticias uno de ellos. Los bancos están adoptando ahora sistemas impulsados por IA que mejoran la precisión predictiva y, al mismo tiempo, automatizan flujos de trabajo complejos. Este artículo explora cómo GenAI y la IA agentica pueden desplegarse estratégicamente en el proceso de evaluación crediticia, mejorando significativamente el nivel de eficiencia y automatización, mientras se abordan consideraciones de gobernanza, riesgo y cumplimiento.

La ventaja de GenAI: enriquecimiento inteligente de datos

Los datos son la sangre vital de la evaluación crediticia. Los bancos y las instituciones financieras evalúan y valoran grandes cargas de elementos de datos mediante modelos logísticos y heurísticos. Con la llegada de GenAI, este proceso ha dado un salto de nivel, ya que los modelos de GenAI brindan la capacidad de evaluar datos no estructurados, generando información valiosa. Generar datos sintéticos para simular escenarios con antelación es otro cambio clave en el proceso de evaluación.

Los modelos GenAI se destacan en analizar información no estructurada, transformándola en datos estructurados. Esta capacidad permite extraer atributos clave como consistencias de ingresos, inconsistencias de pagos, datos de empleo, gasto discrecional, etc., lo que puede aportar información crítica en la evaluación de suscripción.

La generación de datos sintéticos es una capacidad que ofrecen los modelos GenAI, que puede aprovecharse para modelado y fines de validación sólidos. Esto puede ayudar a mitigar la escasez de datos en casos límite. Los modelos de IA pueden usarse para definir escenarios de borde, añadir criterios más matizados: colchones de liquidez, volatilidad de ingresos, etc.- y pueden validarse con datos sintéticos. Estos datos que preservan la privacidad mejoran la generalización y la resiliencia del modelo ante riesgos en la cola.

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

IA agentica: orquestación de flujos de trabajo autónomos

Si bien los sistemas GenAI multi-modales facilitan la integridad de los datos, crean y validan escenarios extremos, la IA agentica crea y valida escenarios extremos, y guía con flujo de trabajo autónomo.

La IA agentica también avanzó en el proceso de evaluación con la toma de decisiones autónoma de tareas discretas. La malla de IA agentica, que comprende múltiples agentes expertos, puede llevar a cabo múltiples tareas discretas simultáneamente. La verificación de identidad, la recuperación y validación de documentos, la evaluación de métricas, la validación de datos externos, las comprobaciones de buró de crédito, el análisis psicométrico, etc. para nombrar algunos, pueden realizarse simultáneamente por agentes especializados. Cada agente opera con objetivos definidos, métricas de éxito y protocolos de escalamiento, lo que hace el proceso más rápido con una mayor precisión.

Esta malla agentica impone la lógica del negocio, invoca modelos predictivos y enruta las solicitudes en función de umbrales de confianza, automatizando los flujos de trabajo de forma dinámica. Por ejemplo, las decisiones de baja confianza o las anomalías detectadas se escalan automáticamente a profesionales humanos que evalúan casos con las alertas enviadas mediante sistemas de mensajería para actuar. Al mismo tiempo, los sistemas agenticos pueden supervisar proactivamente las solicitudes, 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 incorporar a un humano en el circuito.

Un caso concreto: 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 del estado y comunicación—reduciendo el esfuerzo y el tiempo de procesamiento a la mitad de lo anterior.

Para complementarlo, la capacidad de NLP permite que los agentes conversen con los solicitantes en tiempo real, aclarando ambigüedades, recopilando datos faltantes y resumiendo los siguientes pasos—en varios idiomas y con soporte de voz cuando se requiera. Esto reduce la fricción y mejora las tasas de finalización, particularmente para segmentos de clientes indecisos y poco atendidos.

Arquitectura híbrida: equilibrio entre precisión y explicabilidad

Las tecnologías de GenAI y de IA agentica están diseñando flujos de proceso y una arquitectura—mejorando la eficiencia a la vez que se equilibra la precisión y la explicabilidad de los resultados.
Una arquitectura híbrida que combina IA agentica con modelos GenAI mejora el poder predictivo con datos más ricos y una mayor transparencia regulatoria. Combinar agentes de IA también aumenta la robustez y las capacidades de ejecución automatizada sin interrupciones.

Si bien GenAI puede generar explicaciones contrafactuales—escenarios de tipo “qué pasaría si” que ilustran cómo los solicitantes pueden mejorar su elegibilidad para el préstamo—, los sistemas agenticos pueden recopilar datos de resultados, depurar casos límite e iniciar ciclos de reentrenamiento. Este proceso de autoaprendizaje adaptativo con conjuntos de datos más limpios y escenarios de borde plausibles mejora la precisión del proceso de evaluación de elegibilidad crediticia del cliente.

Llamado a la acción: construir 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 que tener en cuenta al rediseñar el flujo son: a) una arquitectura con humano en el circuito para mejorar el proceso global de toma de decisiones con trazabilidad y explicabilidad, b) identificar y mapear adecuadamente los resultados de decisión a las características asociadas para abordar preocupaciones de interpretabilidad y hallazgos de auditoría, c) implementar barreras de IA responsable, salvaguardas operativas como controles de acceso basados en roles, matriz de escalamiento, etc., lo que mejoraría la resiliencia del proceso.

Conclusión

El proceso de toma de decisiones crediticias está en un punto de inflexión con GenAI y la IA agentica redefiniendo los flujos del proceso de negocio—haciendo el ecosistema de préstamos más eficiente y resiliente. Las instituciones financieras que inviertan en un diseño reflexivo, gobernanza rigurosa y modelos de datos robustos que automatizan casos de alto riesgo conducirán a la próxima era de la suscripción inteligente.