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

Bhushan Joshi, Dr. Manas Panda, Raja Basu

¡Descubre las principales noticias y eventos 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, ya que la IA generativa (GenAI) y los sistemas de IA agentica están redefiniendo los flujos de procesos comerciales, siendo la decisión de crédito uno de ellos. Los bancos ahora adoptan sistemas impulsados por IA que mejoran la precisión predictiva y automatizan procesos complejos simultáneamente. Este artículo explora cómo la GenAI y la IA agentica pueden implementarse estratégicamente en el proceso de evaluación de crédito, mejorando significativamente la eficiencia y automatización, mientras abordan consideraciones de gobernanza, riesgo y cumplimiento.

La Ventaja de la GenAI: Enriquecimiento Inteligente de Datos

Los datos son la esencia de la evaluación de crédito. Los bancos e instituciones financieras evalúan numerosos elementos de datos usando modelos logísticos y heurísticos. Con la GenAI, este proceso ha avanzado considerablemente, ya que los modelos de GenAI permiten evaluar datos no estructurados y generar insights valiosos. La generación de datos sintéticos para simular escenarios con anticipación es otro cambio clave en el proceso de evaluación.

Los modelos de GenAI sobresalen en analizar información no estructurada, transformándola en datos estructurados. Esta capacidad permite extraer atributos clave como consistencia de ingresos, inconsistencias en pagos, datos de empleo, gastos discrecionales, etc., que proporcionan insights críticos en la evaluación de suscripción.

La generación de datos sintéticos es una capacidad que ofrecen los modelos de GenAI, útil para modelado y validación robusta. Esto ayuda a mitigar la escasez de datos en casos extremos. Los modelos de IA pueden definir escenarios límite, agregar criterios más matizados—como buffers de liquidez, volatilidad de ingresos, etc.—y validar con datos sintéticos. Estos datos que preservan la privacidad mejoran la generalización y resiliencia del modelo ante riesgos extremos.

Los sistemas multimodales de GenAI pueden detectar inconsistencias—como discrepancias entre ingresos declarados, registros fiscales, estados bancarios, etc.—comparando y contrastando. Estas actividades manuales y que consumen mucho tiempo pueden acelerarse, mejorando el cumplimiento, detectando brechas y fortaleciendo la integridad de los datos.

IA Agentica: Orquestando Flujos de Trabajo Autónomos

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

La IA agentica avanza aún más en el proceso de evaluación con decisiones autónomas en tareas discretas. La malla de IA agentica, compuesta por múltiples agentes expertos, puede realizar varias tareas discretas simultáneamente. Verificación de identidad, recuperación y validación de documentos, evaluación de métricas, validación de datos externos, verificaciones en agencias de crédito, análisis psicométrico, entre otros, pueden ser realizados por agentes especializados. Cada agente opera con objetivos definidos, métricas de éxito y protocolos de escalamiento, haciendo el proceso más rápido y preciso.

Esta malla de IA cumple con la lógica empresarial, invoca modelos predictivos y enruta solicitudes según umbrales de confianza, automatizando los flujos de trabajo de manera dinámica. Por ejemplo, decisiones de baja confianza o anomalías detectadas se escalan automáticamente a underwriters humanos, con alertas enviadas por sistemas de mensajería para actuar. Al mismo tiempo, los sistemas agenticos pueden monitorear proactivamente las solicitudes, detectar contradicciones e iniciar mecanismos de remediación. De manera similar, si el perfil crediticio de un solicitante entra en una zona gris, puede activar una revisión secundaria, solicitar documentación adicional o involucrar a un humano en el proceso.

Ejemplo: un gran banco global implementó recientemente un proceso completamente automatizado para gestionar casos a partir de correos electrónicos de clientes—registrando casos, activando flujos de trabajo, enviando mensajes con seguimiento de estado y comunicación—reduciendo el esfuerzo y el tiempo de procesamiento a la mitad.

Además, la capacidad de NLP permite a los agentes conversar en tiempo real con los solicitantes, aclarar dudas, recopilar datos faltantes y resumir los próximos pasos—en múltiples idiomas y con reconocimiento de voz según sea necesario. Esto reduce fricciones y mejora las tasas de finalización, especialmente en segmentos de clientes reacios o desatendidos.

Arquitectura Híbrida: Equilibrando Precisión y Explicabilidad

Las tecnologías de GenAI y IA agentica están diseñando flujos de proceso y arquitecturas—mejorando la eficiencia mientras equilibran la precisión y la explicabilidad de los resultados.
Una arquitectura híbrida que combina IA agentica con modelos de GenAI aumenta el poder predictivo con datos más ricos y mayor transparencia regulatoria. La integración de agentes de IA también incrementa la robustez y las capacidades de ejecución automatizada sin interrupciones.

Mientras la GenAI puede generar explicaciones contrafactuales—escenarios de “¿qué pasaría si?” que muestran cómo los solicitantes pueden mejorar su elegibilidad—los sistemas agenticos pueden recopilar datos de resultados, curar casos límite y activar ciclos de reentrenamiento. Este proceso de autoaprendizaje adaptativo, con conjuntos de datos más limpios y escenarios plausibles, mejora la precisión en la evaluación de elegibilidad de préstamos.

Llamado a la acción: Construir Sistemas de IA Confiables para Evaluaciones Más Precisas

La evaluación de elegibilidad de préstamos es un proceso complejo que impacta la experiencia del cliente y las relaciones comerciales a largo plazo. Algunas recomendaciones clave al rediseñar el flujo son: a) una arquitectura con humanos en el ciclo para mejorar la trazabilidad y explicabilidad, b) identificar y mapear correctamente los resultados de decisión con las características relacionadas para abordar preocupaciones de interpretabilidad y auditoría, c) implementar salvaguardas responsables de IA, controles operativos como accesos basados en roles, matrices de escalamiento, etc., para mejorar la resiliencia del proceso.

Conclusión

El proceso de decisión de crédito está en un punto de inflexión, con la GenAI y la IA agentica redefiniendo los flujos de negocio—haciendo que el ecosistema de préstamos sea más eficiente y resistente. Las instituciones financieras que inviertan en un diseño cuidadoso, gobernanza rigurosa y modelos de datos sólidos que automaticen casos de alto riesgo liderarán la próxima era de suscripción inteligente.