Para las pymes, el acceso al crédito bancario suele ser una auténtica pesadilla. Sin embargo, la inteligencia artificial ahora podría encargarse de ayudarlos, gracias a los algoritmos y al aprendizaje automático. Estas tecnologías permiten analizar una gran cantidad de datos relacionados con las empresas: desde los estados financieros hasta sus interacciones en las redes sociales. Datos que se pueden utilizar para comprender rápidamente la salud financiera de una empresa mediante la evaluación de la solvencia crediticia, es decir, la capacidad de un deudor para reembolsar el importe obtenido en préstamo al acreedor en los plazos que marca el contrato de préstamo.
Índice de temas
Cómo la inteligencia artificial está revolucionando la evaluación de la solvencia crediticia
En realidad, si analizamos en particular la financiación al consumo, la inteligencia artificial ya ha entrado de lleno en algunos procesos, como la calificación crediticia, es decir, la atribución de una calificación al solicitante de crédito para representar su perfil de riesgo. Este análisis estadístico, realizado por bancos e instituciones financieras, tiene como objetivo determinar la salud financiera de una persona o una empresa. El resultado del cálculo es una puntuación sobre el riesgo de insolvencia del cliente. En función de esta puntuación, la entidad financiera evalúa la solvencia, decide si el sujeto es merecedor o no de un crédito y, a continuación, si se lo concede o no.
Los beneficios de la IA para las empresas: un acceso más rápido y económico al crédito
Gracias a la inteligencia artificial, las empresas pueden acceder al crédito más rápido. Esto es posible gracias a un proceso de recopilación automática de los datos necesarios para desembolsar la financiación de forma más rápida, eficiente y precisa, a la digitalización de los documentos, a las herramientas de control de la validación de los datos y a una tramitación más rápida de los préstamos, lo que se traduce en una reducción drástica de los tiempos de respuesta a las solicitudes de financiación.
Además, hace que la IA sea más cómoda para acceder al crédito, ya que los modelos de aprendizaje automático también pueden considerar datos alternativos, es decir, complementarios a los utilizados en los modelos tradicionales, gracias al peculiar proceso de entrenamiento y calibración de estos modelos. La inclusión de estos datos en los modelos mejora la precisión de las previsiones y extiende la evaluación de la solvencia a las empresas excluidas o penalizadas del acceso al crédito.
La inteligencia artificial generativa también se puede utilizar para crear datos sintéticos, a fin de compensar su ausencia y simular escenarios hipotéticos de modelización de riesgos.
El uso de este nuevo tipo de datos aumenta el grado de competencia en el mercado, ya que también permite a sujetos distintos a los intermediarios financieros tradicionales, como las fintechs o las empresas tecnológicas, ofrecer préstamos con costes y tiempos de aprobación más bajos, a pesar de reducir las garantías y la documentación.
Además, el uso de la calificación crediticia algorítmica, que incluye datos alternativos, ayuda a mejorar el nivel de personalización de los servicios, al poder anticipar y predecir las necesidades y necesidades futuras de los clientes en función de sus actividades anteriores.
Siempre desde una perspectiva predictiva, la IA permite identificar e implicar de forma proactiva a las empresas antes de que se declaren insolventes e ingresen en el registro de deudores, de modo que las empresas vulnerables puedan aprovechar las soluciones personalizadas de remodelación y reestructuración de la deuda antes de caer en la morosidad.
¿Cuáles son los riesgos de utilizar la IA para la evaluación de la salud financiera?
Los algoritmos son el reflejo de los datos utilizados para entrenarlos. Uno de los riesgos relacionados con la IA es la posible presencia de distorsiones en el ámbito de la evaluación del riesgo crediticio, lo que puede dar lugar a una diferenciación incorrecta del riesgo, es decir, a que el modelo no clasifique correctamente a los clientes por calificación crediticia. Esta distorsión lleva al banco o a la institución financiera a no elegir correctamente a los clientes a los que conceder préstamos o a ofrecerles precios distorsionados.
Otro riesgo es el de la discriminación contra los clientes potenciales o la presencia en el algoritmo de prejuicios o favoritismos hacia las empresas identificadas mediante atributos considerados sensibles (sesgo codificado). Esto ocurre mediante el uso de variables relacionadas con la pertenencia al grupo vulnerable, por ejemplo, los datos de geolocalización, que podrían penalizar a las empresas ubicadas en áreas consideradas de riesgo, independientemente de su situación financiera.
La discriminación también puede producirse mediante la consideración explícita de determinadas características o mediante formas de distorsión algorítmica que escapan al control del analista, con el consiguiente riesgo de opacidad en la decisión. Por ejemplo, la “discriminación institucional” sigue siendo inevitable, es decir, aquella que trata a algunas empresas de manera desfavorable o perjudica los prejuicios, identificada mediante el uso de variables que etiquetan a las empresas como vulnerables (discriminación directa) o parámetros relacionados con la pertenencia a un grupo vulnerable (discriminación indirecta). Ambas discriminaciones conllevan el riesgo de exclusión financiera y, si se perpetran mediante modelos de aprendizaje automático, la distorsión podría confirmarse e incluso reforzarse, creando así un sesgo histórico.
Reducir el riesgo de insolvencia: la IA como herramienta de análisis predictivo
La IA permite realizar el análisis predictivo del riesgo de insolvencia mediante algoritmos de aprendizaje automático, que garantizan una mayor precisión de las previsiones. Este análisis se basa en la idea de que los algoritmos pueden aprender de los datos y tomar decisiones con una mínima intervención humana. El proceso predictivo se perfecciona con el tiempo en función de los resultados obtenidos y del análisis detallado del proceso predictivo, lo que aumenta la fiabilidad de las previsiones.
Una investigación reciente de Alonso y Carbò, del Banco de España, muestra que el uso de técnicas avanzadas de aprendizaje automático conduce a una mejora de las previsiones de impago de las empresas en comparación con los modelos estadísticos tradicionales en al menos un 2-10%. Sin embargo, el proceso predictivo implica una serie de cuestiones críticas.
Retos y oportunidades: la ética de la IA y la transparencia de los modelos
Un primer desafío es la “caja negra” de los algoritmos, por lo que este último solo puede explicarse parcialmente en su funcionamiento, ya que todas las empresas que se ocupan de la calificación crediticia guardan celosamente los modelos matemáticos que les permiten ser más precisos que sus competidores.
El uso de la inteligencia artificial en un sistema complejo como el de la evaluación de la salud financiera conlleva nuevos desafíos en términos de transparencia, dado que la IA es difícil de explicar, incluso si no se tiene en cuenta el tema del secreto industrial.
Para reducir la disyuntiva entre la explicabilidad y la precisión de los modelos, algunas empresas están trabajando en la xAI (IA explicable). Se trata de una inteligencia artificial más “explicable”, cuyo objetivo es aclarar lo que sucede dentro de los algoritmos de IA para comprender las motivaciones que hay detrás del resultado obtenido por ellos. Esto es posible mediante la adopción de un enfoque basado en el diseño, con sistemas de IA diseñados y desarrollados de tal manera que garanticen a los usuarios una transparencia adecuada.
La adaptación del diseño del software a los requisitos predefinidos también requiere la definición de medidas de supervisión humana adecuadas, además del uso de conjuntos de datos fuente seguros y de alta calidad. Organizaciones internacionales como el Banco Mundial recomiendan que los proveedores de servicios de calificación crediticia puedan explicar la lógica en la que se basa cada una de sus decisiones sin dejar de respetar los derechos de propiedad intelectual, sino que los infringen al solicitar la transparencia directa o indirecta del algoritmo.
En general, los desarrolladores de algoritmos deben ser conscientes de los posibles sesgos y trabajar para minimizarlos. La gobernanza proactiva puede promover el uso responsable, ético y transparente de la inteligencia artificial, de modo que las empresas entiendan las decisiones que toman las instituciones financieras.
El futuro de la salud financiera: hacia un sistema más inclusivo y fiable
La inteligencia artificial puede permitir a los bancos y otros intermediarios financieros evaluar mejor la salud financiera de las empresas, en beneficio de estas últimas, de los bancos y de la estabilidad del sistema financiero sin rodeos. Sin embargo, debemos tener en cuenta y gestionar los riesgos inherentes a la IA, en términos de privacidad, explicabilidad de los modelos, peligro de exclusión financiera y discriminación.
Con vistas a una mayor inclusión de las empresas en el crédito, los macrodatos pueden actuar como un freno contra la discriminación, ya que permiten el acceso a información muy rica y detallada. Sin embargo, algunas generaciones tienen una identidad digital a partir de la cual extrapolar datos, mientras que otras estarían mal representadas en el mundo digital.
En este contexto, es crucial que la aplicación de la inteligencia artificial en la evaluación de la solvencia vaya acompañada de una reflexión ética y tecnológica profunda, de modo que la IA se convierta en una fuerza impulsora y no en un obstáculo adicional para construir un sistema financiero más inclusivo y fiable.
Fuente: Economyup
