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

Bhushan Joshi, Dr. Manas Panda, Raja Basu

¡Descubra las mejores noticias y eventos fintech!

Suscríbase 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 ya que la IA generativa (GenAI) y los sistemas de IA agentiva están redefiniendo los flujos de procesos comerciales, siendo la toma de decisiones crediticias uno de ellos. Los bancos están adoptando sistemas impulsados por IA que mejoran la precisión predictiva mientras automatizan flujos de trabajo complejos. Este artículo explora cómo la GenAI y la IA agentiva pueden implementarse estratégicamente en el proceso de evaluación crediticia, mejorando significativamente el nivel de eficiencia y automatización, al mismo tiempo que abordan consideraciones de gobernanza, riesgo y cumplimiento.

La ventaja de GenAI: Enriquecimiento inteligente de datos

Los datos son la savia de la evaluación crediticia. Los bancos e instituciones financieras evalúan y analizan una gran cantidad de elementos de datos utilizando modelos logísticos y heurísticos. Con la llegada de GenAI, este proceso ha dado un salto, ya que los modelos GenAI proporcionaron 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 GenAI se destacan en analizar información no estructurada transformándola en datos estructurados. Esta capacidad permite la extracción de atributos clave como consistencias de ingresos, inconsistencias de pago, 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 GenAI, que puede aprovecharse para fines de modelado y validación robustos. 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 generalización del modelo y la resiliencia a los riesgos de cola.

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

IA Agentiva: Orquestando Flujos de Trabajo Autónomos

Mientras que los sistemas GenAI multimodales facilitan la integridad de los datos, crean y validan escenarios extremos, la malla de IA Agentiva guía con flujo de trabajo autónomo.

La IA Agentiva avanzó aún más el proceso de evaluación con la toma de decisiones autónoma de tareas discretas. La malla de IA Agentiva, compuesta por múltiples agentes expertos, es capaz de realizar múltiples tareas discretas simultáneamente. Verificación de identidad, recuperación y validación de documentos, evaluación de métricas, validación de datos externos, verificaciones de burós de crédito, análisis psicométrico, etc., por nombrar algunos, pueden realizarse simultáneamente por agentes especializados. Cada agente opera con objetivos definidos, métricas de éxito y protocolos de escalamiento, lo que hace que el proceso sea más rápido y con mayor precisión.

Esta malla agentiva aplica lógica de negocio, invoca modelos predictivos y enruta solicitudes basándose en umbrales de confianza, automatizando los flujos de trabajo del proceso de manera dinámica. Por ejemplo, las decisiones de baja confianza o anomalías marcadas se escalan automáticamente a suscriptores humanos en el circuito con alertas enviadas a través de sistemas de mensajería para actuar. Simultáneamente, los sistemas agentivos pueden monitorear 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 incluir a un humano en el circuito.

Ejemplo: Un gran banco global implementó recientemente un proceso totalmente automatizado de gestión de casos a partir de correos electrónicos de clientes (registro de casos, invocación de flujos de trabajo, mensajería con seguimiento de estado y comunicación), reduciendo el esfuerzo y el tiempo de procesamiento a la mitad del anterior.

Para rematar, la capacidad de PLN permite a los agentes conversar con los solicitantes en tiempo real, aclarando ambigüedades, recopilando datos faltantes y resumiendo los próximos pasos, en múltiples idiomas y con capacidad de voz según sea necesario. Esto reduce la fricción y mejora las tasas de finalización, particularmente para segmentos de clientes subatendidos y vacilantes.

Arquitectura Híbrida: Equilibrando Precisión y Explicabilidad

Las tecnologías GenAI y de IA Agentiva están diseñando flujos de proceso y arquitectura, mejorando la eficiencia mientras equilibran la precisión y la explicabilidad de los resultados.
Una arquitectura híbrida que combina IA Agentiva con modelos 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 hipotéticos que ilustran cómo los solicitantes pueden mejorar su elegibilidad para el préstamo), los sistemas agentivos pueden recopilar datos de resultados, seleccionar casos extremos e iniciar ciclos de reentrenamiento. Este proceso de aprendizaje adaptativo con conjuntos de datos más limpios y escenarios extremos plausibles mejora la precisión del proceso de evaluación de elegibilidad de préstamos del cliente.

Llamado a la acción: Construcción de Sistemas de IA Confiables para una evaluación más precisa

Evaluar la elegibilidad del préstamo 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 con humano en el circuito para mejorar el proceso general de toma de decisiones con trazabilidad y explicabilidad, b) Identificar y mapear adecuadamente los resultados de las decisiones con las características asociadas para abordar las preocupaciones de interpretabilidad y los hallazgos de auditoría, c) Implementar barreras de protección de IA responsable, salvaguardas operativas como controles de acceso basados en roles, matriz de escalamiento, etc., mejorarían la resiliencia del proceso.

Conclusión

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