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

Bhushan Joshi, Dr. Manas Panda, Raja Basu

¡Descubre las principales noticias y eventos del sector 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 la inteligencia artificial 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 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 la GenAI y la IA agentica pueden implementarse estratégicamente en el proceso de evaluación de crédito, mejorando significativamente el nivel de 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 y las instituciones financieras evalúan y analizan una gran cantidad de elementos de datos utilizando modelos logísticos y heurísticos. Con la llegada de la GenAI, este proceso ha dado un salto, ya que los modelos de GenAI ofrecen la capacidad de evaluar datos no estructurados, generando 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 el análisis de información no estructurada, transformándola en datos estructurados. Esta capacidad permite extraer atributos clave como la consistencia de ingresos, incoherencias en pagos, datos de empleo, gastos discrecionales, etc., que pueden proporcionar insights críticos en la evaluación de suscripción.

La generación de datos sintéticos es una capacidad que ofrecen los modelos de GenAI, la cual puede aprovecharse para modelado y validación robusta. Esto ayuda a mitigar la escasez de datos en casos extremos. Los modelos de IA pueden usarse para definir escenarios límite, agregar criterios más matizados—como buffers de liquidez, volatilidad de ingresos, etc.—y pueden validarse 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.— mediante comparación y contraste. Estas actividades manuales y que consumen mucho tiempo pueden acelerarse con una mejor conformidad, detectando brechas y mejorando la integridad de los datos.

IA Agentica: Orquestando Flujos de Trabajo Autónomos

Mientras que 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, es capaz de 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 agentica aplica lógica de negocio, 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 mediante sistemas de mensajería para actuar en consecuencia. Al mismo tiempo, los sistemas agenticos pueden monitorear proactivamente las solicitudes, detectar contradicciones e iniciar mecanismos de remediación. De manera similar, si el perfil de crédito de un solicitante cae en una zona gris, puede activar automáticamente una revisión secundaria, solicitar documentación adicional o involucrar a un humano en el proceso.

Un ejemplo: un gran banco global implementó recientemente un proceso completamente automatizado de gestión de 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.

Para potenciar aún más, la capacidad de NLP permite a los agentes conversar en tiempo real con los solicitantes, aclarando dudas, recopilando datos faltantes y resumiendo 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 que mejoran la eficiencia, equilibrando 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 combinación de agentes de IA también incrementa la robustez y las capacidades de ejecución automatizada sin fisuras.

Mientras que la GenAI puede generar explicaciones contrafactuales—escenarios de “¿qué pasaría si?” que muestran cómo los solicitantes pueden mejorar su elegibilidad para un préstamo, los sistemas agenticos 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 en la evaluación de la elegibilidad del cliente para préstamos.

Llamado a la acción: Construyendo Sistemas de IA Confiables para una Evaluación más Precisa

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

Conclusión

El proceso de decisión de crédito se encuentra en un punto de inflexión, con la GenAI y la IA agentica redefiniendo los flujos de procesos comerciales, 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 robustos que automaticen casos de alto riesgo liderarán la próxima era de suscripción inteligente.