El avance del crédito en la Argentina abrió una nueva etapa para bancos, fintechs y compañías que otorgan financiamiento. La expansión sumó clientes, más datos y perfiles con historias financieras muy distintas. Pero también elevó la presión sobre un punto sensible del negocio: cómo decidir a quién prestarle, con qué riesgo y bajo qué condiciones.
En ese terreno, la inteligencia artificial explicable empezó a ganar protagonismo. Su valor ya no pasa solo por aprobar o rechazar un préstamo en segundos, sino por mostrar las razones detrás de cada decisión. En un mercado con morosidad en alza, entender por qué un modelo considera riesgoso a un cliente se volvió tan importante como la predicción en sí misma.
Durante años, muchos sistemas de scoring funcionaron como cajas negras. Daban resultados útiles, pero con bajo nivel de transparencia. En contextos más previsibles, esa limitación no siempre pesó sobre el negocio. Hoy, con una economía más volátil y con cambios rápidos en el comportamiento de pago, esa opacidad puede aumentar la exposición al riesgo.
Según datos de SIISA, empresa de tecnología y buró especializada en el mercado de crédito, el financiamiento mantiene su expansión, aunque con señales de mayor fragilidad. Actualmente, el 89% de los créditos se encuentra al día, mientras que la mora ronda el 12%. El dato marca un deterioro frente a períodos previos y exhibe diferencias más marcadas entre segmentos de clientes.
Modelos más transparentes para un mercado más exigente
La IA explicable permite identificar qué variables pesaron en una decisión crediticia. Puede mostrar por qué un cliente recibió una calificación de alto riesgo, qué factores incidieron en ese resultado y qué cambios podrían mejorar su perfil. Para las entidades financieras, esa información mejora el control interno, facilita auditorías y ayuda a ajustar políticas antes de que el deterioro avance.
El tema excede la eficiencia operativa. En el negocio del crédito, la mora puede acelerarse en poco tiempo si el ingreso de los hogares cae, si sube el endeudamiento o si ciertas actividades pierden capacidad de pago. Por eso, contar con modelos comprensibles permite detectar señales tempranas, revisar variables que perdieron relevancia y medir el efecto de nuevas reglas comerciales.
Una investigación de IDC reflejó esa tensión entre adopción y confianza real. El estudio indicó que el 78% de las organizaciones afirma confiar plenamente en la IA, pero apenas el 40% invirtió para que sus sistemas sean fiables a través de gobernanza, explicabilidad y resguardos éticos. Esa brecha marca uno de los desafíos centrales para las empresas que ya usan automatización en decisiones sensibles.
La mayor inclusión financiera también cambió las reglas del juego. El ingreso de nuevos usuarios al sistema y el uso de datos no bancarios permiten construir evaluaciones más amplias, pero suman complejidad. Sin trazabilidad, una decisión automatizada puede volverse difícil de defender ante clientes, reguladores o áreas internas de riesgo.
En ese contexto, la inteligencia artificial explicable deja de ser una mejora tecnológica y pasa a ser una herramienta de negocio. Para las entidades que otorgan financiamiento, explicar cada decisión puede reducir pérdidas, mejorar la gestión de cartera y sostener la competitividad en un ecosistema crediticio cada vez más sofisticado.
