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: la decisión de crédito es uno de ellos. Los bancos ahora están adoptando 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 implementarse 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 la GenAI: enriquecimiento inteligente de datos

Los datos son la esencia de la evaluación crediticia. Los bancos y las instituciones financieras evalúan y analizan grandes volúmenes de elementos de datos mediante modelos logísticos y heurísticos. Con la 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. Generar datos sintéticos para simular escenarios con antelación es otro cambio clave en el proceso de evaluación.

Los modelos de GenAI sobresalen al analizar información no estructurada y transformarla en datos estructurados. Esta capacidad permite extraer atributos clave como consistencias de ingresos, inconsistencias en pagos, datos de empleo, gasto discrecional, etc., que pueden aportar información crítica en la evaluación de underwriting.

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

Los sistemas de GenAI multimodales pueden detectar inconsistencias—como discrepancias entre ingresos declarados, registros fiscales, estados bancarios, etc.—al comparar y contrastar. Estas actividades manuales que consumen mucho tiempo pueden acelerarse con un cumplimiento mejorado, detectando brechas y mejorando la integridad de los datos.

IA agentica: orquestación de flujos de trabajo autónomos

Si bien los sistemas de GenAI multimodales facilitan la integridad de los datos, crean y validan escenarios extremos, la IA agentica coordina con un flujo de trabajo autónomo.

La IA agentica también avanzó el proceso de evaluación con la toma de decisiones autónoma de tareas discretas. La malla de IA agentica, que comprende múltiples agentes expertos, es capaz de ejecutar 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 en bureaus 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, haciendo que el proceso sea más rápido con mayor precisión.

Esta malla agentica hace cumplir la lógica empresarial, invoca modelos predictivos y enruta las solicitudes en función de umbrales de confianza, automatizando dinámicamente los flujos de trabajo del proceso. Por ejemplo, las decisiones de baja confianza o las anomalías detectadas se escalan automáticamente a analistas humanos en un esquema con participación humana con bucle (human-in-loop), con alertas enviadas mediante sistemas de mensajería para que actúen. Al mismo tiempo, los sistemas agenticos pueden supervisar proactivamente las solicitudes, detectar contradicciones e iniciar mecanismos de remediación. Del mismo modo, 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 bucle.

Caso a destacar: 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 del anterior.

Para completar, la capacidad de NLP permite que los agentes conversen con los solicitantes en tiempo real, aclarando ambigüedades, recopilando datos faltantes y resumiendo los próximos pasos– en varios idiomas y habilitado por voz cuando sea necesario. Esto reduce la fricción y mejora las tasas de finalización, especialmente para segmentos de clientes reacios y no atendidos adecuadamente.

Arquitectura híbrida: equilibrar precisión y explicabilidad

Las tecnologías de GenAI y de IA agentica están diseñando flujos de proceso y arquitectura—mejorando la eficiencia mientras se equilibra la precisión y la explicabilidad de los resultados.
Una arquitectura híbrida que combine IA agentica con modelos de GenAI mejora el poder predictivo con datos más completos y mayor transparencia regulatoria. Combinar agentes de IA también incrementa la robustez y la capacidad de ejecución automatizada sin fisuras.

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

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 de negocio a largo plazo. Algunas recomendaciones clave para tener en cuenta, mientras rediseña el flujo, son: a) una arquitectura con participación humana en el bucle para mejorar el proceso general de toma de decisiones con trazabilidad y explicabilidad, b) identificar y mapear adecuadamente los resultados de la decisión con 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, una matriz de escalamiento, etc., lo cual mejoraría la resiliencia del proceso.

Conclusión

El proceso de decisión crediticia está en un punto de inflexión con GenAI y la IA agentica redefiniendo los flujos del proceso de negocio—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 que automaticen casos de uso de alto riesgo liderarán la próxima era del underwriting inteligente.