La IA no decide sola: cinco condiciones para usarla en el crédito

El hecho

En la XII Conferencia Centroamericana y del Caribe de Microfinanzas, la inteligencia artificial y los datos alternativos aparecieron como herramientas para transformar la evaluación crediticia. El punto más útil no fue una promesa de automatización total, sino una advertencia: la calidad del resultado depende de la institución que rodea al modelo.

En su presentación, Tadeo Cwierz lo resumió de manera directa: el algoritmo es la parte fácil. Personas, procesos y tecnología determinan si la IA amplía la inclusión o convierte una decisión de crédito en una caja negra.

Contexto

Las microfinancieras ya conservan información valiosa sobre pagos, puntualidad, remesas, uso de billeteras y dinámicas grupales. Aprovechar esos datos puede ser más pertinente que importar modelos entrenados para otros mercados o recurrir a señales difíciles de explicar.

El interés por los datos alternativos responde a una brecha real: muchas personas y microempresas tienen historiales crediticios escasos. Sin embargo, ampliar la información disponible no elimina el riesgo de exclusión; cambia el tipo de preguntas que deben responder las áreas de riesgo, tecnología y cumplimiento.

La evidencia

La presentación compartida en REDCAMIF plantea cinco condiciones mínimas para adoptar IA en una microfinanciera: higiene de datos; un dueño y un comité de gobernanza; capacidad de explicar y revertir; cultura y capacidades internas; y procesos claros en los que la herramienta pueda encajar.

La memoria de la conferencia añade tres principios para la incorporación de estas soluciones: gobernanza, ética y cumplimiento regulatorio. También documenta casos regionales orientados a agilizar evaluaciones y fortalecer la gestión del crédito, sin presentar resultados comparables que permitan generalizar su desempeño.

El Banco Mundial señala que los datos alternativos pueden mejorar la visibilidad de personas con expedientes delgados y ampliar el acceso, pero también introducir sesgos y reforzar desigualdades. Por eso recomienda marcos de consentimiento, prácticas inclusivas y reglas claras para su uso.

Por qué importa

Una decisión de crédito no es solo un puntaje: define quién accede, en qué condiciones y con qué posibilidad de controvertir un rechazo. Acelerar el proceso sin explicar quién decide y quién responde puede volver más eficiente una exclusión que antes era manual.

Para una IMF, la ventaja sostenible no consiste en delegar el riesgo al modelo, sino en usar la IA para devolver tiempo al equipo, detectar patrones y construir decisiones más consistentes sin perder el conocimiento del cliente.

Lo que aprendemos

• Comenzar por el problema y el proceso, no por comprar una herramienta.
• Usar primero los datos propios que tengan relación demostrable con la capacidad y el comportamiento de pago.
• Diseñar desde el inicio explicaciones, revisión humana, reversión y medición de sesgos.

Qué observar ahora

• Quién será responsable institucional del modelo y qué comité revisará su desempeño.
• Qué variables intervienen en una recomendación y cuáles pueden explicarse al cliente.
• Cómo se compararán aprobación, mora y falsos rechazos entre grupos de clientes.
• Qué decisiones serán solo recomendaciones y cuáles podrían automatizarse.
• Qué piloto acotado permitirá aprender antes de escalar.

Lo que aún no sabemos

Los materiales revisados no publican resultados comparables sobre tiempos de decisión, mora, falsos rechazos o sesgos de los casos presentados. Antes de prometer eficiencia o mayor inclusión, cada institución necesita una línea base y una evaluación propia.