La IA que decide si te prestan dinero: cómo la Universidad de Chile revoluciona el riesgo crediticio

Cada vez que solicitas un crédito, alguien —o algo— decide tu destino financiero en segundos. Tradicionalmente, esa decisión dependía de analistas humanos armados con hojas de cálculo y modelos estadísticos que apenas rozaban la superficie de tu comportamiento económico. Ahora, una investigación de la Universidad de Chile demuestra que la inteligencia artificial no solo puede hacer ese trabajo: lo hace con una precisión que supera dramáticamente los métodos convencionales, abriendo un debate crucial sobre quién debería tener acceso al crédito y bajo qué criterios.

El salto cuántico en la evaluación crediticia

El estudio desarrollado por investigadores de la Facultad de Economía y Negocios de la Universidad de Chile marca un punto de inflexión en cómo las instituciones financieras podrían evaluar el riesgo de impago. Utilizando algoritmos de aprendizaje automático —específicamente redes neuronales profundas y modelos de ensamble— el equipo logró predecir con una exactitud superior al 85% qué solicitantes de crédito representan un riesgo real de incumplimiento. Esta cifra contrasta notablemente con la precisión del 65-70% que ofrecen los modelos tradicionales basados en regresión logística y scoring crediticio convencional.

Lo revolucionario no es solo la precisión numérica, sino la capacidad de estos sistemas para identificar patrones ocultos en el comportamiento financiero que escapan completamente a la percepción humana. Los algoritmos analizan simultáneamente cientos de variables —desde patrones de gasto mensual hasta la frecuencia de consultas crediticias— tejiendo una red de relaciones que revelan la verdadera salud financiera de una persona. Esta aproximación multidimensional transforma radicalmente la ecuación del riesgo crediticio.

La investigación se basó en datos reales de instituciones financieras chilenas, procesando información de decenas de miles de solicitudes crediticias y sus desenlaces posteriores. Este volumen masivo de información histórica permitió entrenar modelos que no solo aprenden de casos exitosos, sino también —y crucialmente— de los fracasos, construyendo una comprensión sofisticada de las señales tempranas de problemas financieros.

Más allá de los números: democratización del acceso al crédito

Una de las implicaciones más profundas de esta investigación trasciende la mera eficiencia bancaria. Los modelos de inteligencia artificial desarrollados en la Universidad de Chile tienen el potencial de democratizar el acceso al crédito para poblaciones históricamente excluidas del sistema financiero formal. Las personas sin historial crediticio extenso —jóvenes profesionales, emprendedores, trabajadores informales— suelen ser rechazadas automáticamente por sistemas tradicionales que priorizan la antigüedad crediticia sobre otros indicadores de solvencia.

Los algoritmos de aprendizaje profundo pueden incorporar fuentes de datos alternativas que los modelos convencionales ignoran: comportamiento de pago de servicios básicos, estabilidad laboral inferida de patrones de depósito, incluso hábitos de ahorro microeconómico. Esta capacidad de tejer narrativas financieras a partir de datos fragmentarios significa que miles de personas actualmente invisibles para el sistema bancario podrían acceder a créditos justos y personalizados. La IA no solo predice mejor: predice de manera más inclusiva.

La verdadera revolución no está en automatizar las decisiones crediticias, sino en descubrir dimensiones de solvencia que los modelos tradicionales jamás pudieron capturar, abriendo las puertas del sistema financiero a quienes antes permanecían fuera.

Sin embargo, esta democratización viene acompañada de interrogantes éticos complejos. ¿Qué variables debería considerar legítimamente un algoritmo? ¿Dónde trazamos la línea entre predicción útil y discriminación algorítmica? La investigación de la Universidad de Chile no solo aporta herramientas técnicas, sino que plantea estas preguntas urgentes que la sociedad chilena —y global— debe responder colectivamente.

El ecosistema chileno de IA financiera

Este avance no ocurre en el vacío. Chile ha desarrollado en la última década un ecosistema de investigación en inteligencia artificial aplicada al sector financiero que combina rigor académico con relevancia práctica. La Universidad de Chile, junto con instituciones como la Pontificia Universidad Católica y la Universidad de Concepción, ha establecido laboratorios especializados donde convergen científicos de datos, economistas y expertos en regulación financiera. Esta interdisciplinariedad es clave: los mejores algoritmos del mundo son inútiles si no comprenden las particularidades del comportamiento económico local.

El sector financiero chileno, por su parte, ha mostrado una apertura notable hacia la experimentación con estas tecnologías. Varios bancos nacionales han establecido alianzas con universidades para pilotar sistemas de evaluación crediticia asistidos por IA, aunque con la cautela necesaria que exige un sector altamente regulado. La Comisión para el Mercado Financiero ha comenzado a desarrollar marcos normativos que permitan la innovación sin comprometer la protección del consumidor, un equilibrio delicado que pocas jurisdicciones han logrado.

El contexto latinoamericano amplifica la relevancia de esta investigación. En una región donde más del 50% de la población permanece subbancarizada y donde el crédito informal cobra tasas usurarias, cualquier herramienta que mejore la evaluación de riesgo y amplíe el acceso responsable al financiamiento tiene implicaciones que trascienden lo técnico para convertirse en palancas de movilidad social. Chile, con su sistema financiero relativamente sofisticado y su creciente capacidad de investigación en IA, está posicionado para exportar no solo tecnología sino también modelos de implementación a mercados vecinos.

Los riesgos de la caja negra financiera

A pesar de sus promesas, la adopción masiva de IA en decisiones crediticias enfrenta obstáculos significativos. El más importante es lo que los expertos llaman el problema de la "caja negra": muchos algoritmos de aprendizaje profundo son notoriamente opacos en su razonamiento. Un solicitante rechazado por un algoritmo de red neuronal podría no recibir nunca una explicación comprensible de por qué se le negó el crédito, violando principios básicos de transparencia y debido proceso que sustentan sistemas financieros democráticos.

La investigación de la Universidad de Chile aborda parcialmente este desafío incorporando técnicas de "inteligencia artificial explicable" (XAI, por sus siglas en inglés), que intentan hacer visibles los factores que más influyeron en cada decisión algorítmica. Estas técnicas generan mapas de relevancia que identifican qué variables fueron determinantes en cada caso, permitiendo auditorías y apelaciones. Sin embargo, la explicabilidad perfecta sigue siendo un horizonte lejano: cuanto más preciso es un modelo de IA, típicamente más complejo y menos interpretable se vuelve.

Existe también el riesgo de perpetuar o amplificar sesgos históricos. Si los datos de entrenamiento reflejan décadas de discriminación —consciente o inconsciente— contra ciertos grupos demográficos, los algoritmos aprenderán y reproducirán esos patrones injustos. Los investigadores chilenos implementaron técnicas de mitigación de sesgo, pero reconocen que esta es una batalla continua que requiere vigilancia constante y auditorías independientes. La pregunta no es si la IA es perfecta —claramente no lo es— sino si puede ser más justa que los sistemas humanos que reemplaza, que tampoco han estado libres de prejuicios.

Contexto clave

Aprendizaje automático y redes neuronales: El aprendizaje automático es una rama de la inteligencia artificial que permite a las computadoras aprender patrones a partir de datos sin ser programadas explícitamente para cada escenario. Las redes neuronales profundas son un tipo específico de algoritmo inspirado en la estructura del cerebro humano, organizadas en capas que procesan información de manera jerárquica. En evaluación crediticia, estas redes pueden detectar combinaciones complejas de factores —como la relación entre ingresos variables, estacionalidad del gasto y comportamiento de ahorro— que predicen riesgo de manera más precisa que las fórmulas lineales tradicionales.

Scoring crediticio tradicional vs. modelos de IA: El scoring crediticio convencional, como el conocido sistema FICO, asigna puntajes basándose en cinco categorías principales: historial de pagos, deuda actual, antigüedad crediticia, tipos de crédito y consultas recientes. Estos sistemas usan regresión logística, una técnica estadística que asume relaciones lineales entre variables. Los modelos de IA, en contraste, pueden capturar relaciones no lineales y interacciones complejas entre cientos de variables simultáneamente, identificando patrones que serían matemáticamente imposibles de expresar en fórmulas tradicionales. La diferencia es similar a comparar una calculadora con una computadora cuántica.

IA explicable (XAI): La inteligencia artificial explicable es un campo emergente que desarrolla técnicas para hacer comprensibles las decisiones de algoritmos complejos. Métodos como SHAP (SHapley Additive exPlanations) y LIME (Local Interpretable Model-agnostic Explanations) permiten identificar qué características específicas de un solicitante influyeron más en la decisión algorítmica. En el contexto financiero, esto es crucial no solo para cumplir regulaciones que exigen transparencia, sino también para que las instituciones puedan confiar en sus propios sistemas y los solicitantes puedan entender y potencialmente corregir los factores que afectan su elegibilidad crediticia.

Para profundizar

• Regulación de algoritmos financieros en América Latina — ¿Cómo están respondiendo los marcos regulatorios regionales al uso creciente de IA en decisiones que afectan el acceso al crédito? Chile, México y Brasil están desarrollando aproximaciones divergentes que podrían definir modelos continentales de gobernanza algorítmica.
• Crédito alternativo y datos no tradicionales — Explora cómo el análisis de comportamiento en redes sociales, patrones de movilidad urbana o incluso datos de consumo energético están siendo considerados como señales crediticias alternativas, y los dilemas de privacidad que esto genera en sociedades cada vez más datificadas.
• El futuro del trabajo en banca de riesgo — ¿Qué sucede con los analistas de crédito humanos cuando la IA puede procesar en segundos lo que a ellos les tomaría días? La transformación no implica necesariamente desaparición, sino una redefinición radical de roles hacia supervisión algorítmica, gestión de excepciones y diseño de políticas crediticias éticas.