https://crombie.dev Thu, 08 Oct 2026 12:47:39 +0000 es-ES hourly 1 https://wordpress.org/?v=7.1.4 https://crombie.dev/wp-content/uploads/2025/01/cropped-logo-crombie-32x32.webp https://crombie.dev 32 32 Cómo pasar a un análisis de riesgo potenciado por IA en 7 pasos https://crombie.dev/insights/blog/fintech/analisis-de-riesgo-potenciado-por-ia/ Wed, 07 Oct 2026 17:14:29 +0000 https://crombie.dev/insights/blog/uncategorized// El análisis de riesgo potenciado por IA permite estimar con más precisión la probabilidad de que un solicitante pague su crédito. Pero estimar el riesgo no es lo mismo que decidir. El underwriting crediticio es la etapa que convierte esa estimación en una decisión concreta: aprobar, rechazar o escalar una solicitud, bajo qué condiciones y […]

The post Cómo pasar a un análisis de riesgo potenciado por IA en 7 pasos appeared first on .

]]>

El análisis de riesgo potenciado por IA permite estimar con más precisión la probabilidad de que un solicitante pague su crédito. Pero estimar el riesgo no es lo mismo que decidir. El underwriting crediticio es la etapa que convierte esa estimación en una decisión concreta: aprobar, rechazar o escalar una solicitud, bajo qué condiciones y con qué controles. Y es justamente ahí donde la inteligencia artificial enfrenta su mayor desafío.

Un estudio de Experian de 2026 consultó a más de 200 decisores de instituciones financieras y el mismo arrojó que el 84% considera a la IA crítica o de alta prioridad para los próximos dos años. Sin embargo, el 73% se preocupó por el entorno regulatorio de la IA. Además, el 65% ubicó a los datos preparados para IA entre sus mayores desafíos. En otras palabras, el freno no está en la tecnología, sino en cómo se controla la decisión.

En este artículo de Crombie vas a ver en qué se diferencian el scoring, el análisis de riesgo y el underwriting. Además, vas a conocer qué partes del proceso se pueden automatizar y cuáles conviene escalar. Por último, vas a ver cómo medir si el sistema realmente funciona.

¿Qué diferencia hay entre análisis de riesgo, credit scoring y underwriting?

El credit scoring asigna un nivel de riesgo a cada solicitante. El análisis de riesgo crediticio, en cambio, explica qué factores afectan su capacidad de pago. El underwriting decide qué hacer con esa información: aprobar, rechazar o escalar. Finalmente, el credit decisioning ejecuta esa decisión mediante reglas, modelos y workflows.

Concepto

Pregunta que responde

Rol en el proceso

Concepto

Pregunta que responde

Rol en el proceso

Credit scoring

¿Qué nivel de riesgo presenta este solicitante?

Asigna un puntaje

Análisis de riesgo crediticio

¿Qué factores afectan su capacidad y probabilidad de pago?

Explica el riesgo

Credit underwriting

¿Debe aprobarse esta solicitud, bajo qué condiciones y con qué controles?

Toma la decisión

Credit decisioning

¿Cómo se ejecuta esa decisión de forma consistente?

Operativiza la decisión

Confundir estos cuatro conceptos lleva a un error frecuente. Muchas entidades suponen que un mejor modelo produce, por sí solo, mejores decisiones. Sin embargo, el modelo mejora la estimación, no la decisión. La decisión también depende de las políticas de crédito y del apetito de riesgo de la entidad. Además, depende de cómo se gestionan los casos que no encajan en ninguna regla. Si querés profundizar en cómo se evalúan estos factores, te recomendamos nuestro artículo sobre análisis de riesgo crediticio.

¿Qué cambia con un análisis de riesgo potenciado por IA?

Cuando el análisis de riesgo se potencia con IA, la entidad gana velocidad y consistencia al evaluar solicitudes. Sin embargo, el análisis de riesgo potenciado por IA mejora la estimación, no la decisión. La decisión deja de depender solo de la revisión manual y pasa a un sistema combinado. Este sistema integra modelos, reglas e intervención humana, con una autonomía que varía según cada decisión.

La prioridad del análisis de riesgo potenciado por IA es clara, pero la implementación avanza más lento. En un estudio de McKinsey e IACPM de 2025, el 52% de las instituciones priorizó la IA generativa. Sin embargo, solo el 12% de las instituciones norteamericanas encuestadas había desplegado algún caso de uso.

Por otro lado, la presión por decidir rápido también crece del lado del cliente. En Estados Unidos, la encuesta de crédito a pymes 2025 de la Reserva Federal registró un cambio claro. La proporción de pequeñas empresas que pidió crédito a prestamistas online pasó del 17% al 29% en cinco años.

El camino hacia un análisis de riesgo potenciado por IA suele darse en 4 etapas

  • Underwriting manual: Un analista revisa cada solicitud y decide según su criterio y la política vigente.
  • Underwriting basado en reglas: Las políticas se traducen en reglas que filtran o aprueban solicitudes estándar.
  • Underwriting asistido por IA: Los modelos estiman el riesgo y recomiendan una decisión. Luego, una persona la valida en los casos definidos.
  • Decisioning automatizado: El sistema decide solo en los casos de alta confianza. El resto, en cambio, se escala.

El decisioning automatizado no significa que todo se resuelva sin personas. Significa que la entidad definió de antemano qué decisiones puede tomar el sistema solo. Ese diseño previo distingue una automatización confiable de una que, tarde o temprano, hay que desarmar.

Man in front of a screen of automated financial statistics, highlighting the evolution of fintech with artificial intelligence.

¿Qué etapas del underwriting crediticio se pueden automatizar?

Casi todas las etapas del underwriting crediticio admiten algún grado de automatización. Por ejemplo, la validación de datos, la aplicación de políticas, la evaluación de riesgo, la priorización de solicitudes, la recomendación de decisiones y la detección de excepciones. Lo que cambia entre una etapa y otra es cuánta autonomía conviene darle al sistema.

La decisión crediticia es, además, una de las áreas donde más se experimenta. Según McKinsey, la mayoría de las instituciones prueban IA generativa en alertas tempranas y decisiones de crédito. Aun así, ningún banco encuestado había desplegado por completo la síntesis de información para decidir créditos. El 27%, en cambio, estaba en etapa piloto.

Validación y enriquecimiento de la información

El sistema verifica que la solicitud esté completa y valida la identidad del solicitante. Además, consulta fuentes externas, como los burós de crédito. Automatizar esta etapa reduce el retrabajo del equipo. Así, los analistas dedican su tiempo a evaluar datos, no a completarlos.

Aplicación de políticas y reglas crediticias

Las condiciones mínimas de la entidad se traducen en reglas explícitas. Por ejemplo, montos, plazos, perfiles admitidos o límites de endeudamiento. El sistema aplica esas reglas siempre de la misma manera. Por lo tanto, dos solicitudes iguales reciben el mismo tratamiento.

Evaluación mediante modelos de riesgo

Los modelos de riesgo estiman la probabilidad de pago a partir de los datos disponibles. Esta etapa es la que más se asocia con el análisis de riesgo potenciado por IA. Sin embargo, es solo una parte del proceso de underwriting. Para ver cómo se aplican estos modelos, podés leer nuestro artículo sobre machine learning en finanzas.

Clasificación y priorización de solicitudes

El sistema ordena las solicitudes según su riesgo, su monto o su urgencia. Así, define cuáles se resuelven primero y cuáles requieren más atención. Como resultado, el equipo de crédito concentra su tiempo donde más valor aporta.

Recomendación o ejecución de la decisión

En los casos más simples, el sistema ejecuta la decisión directamente. En los demás, en cambio, la recomienda y deja la última palabra a un analista.

Hands holding a credit card near a POS terminal to complete a transaction, representing fast and secure B2B payment solutions in the fintech environment.

Detección de excepciones

El sistema identifica las solicitudes que no encajan en ninguna regla. También detecta datos contradictorios o casos en zonas de incertidumbre. Detectar estas excepciones a tiempo evita decisiones automáticas sobre casos que necesitan criterio humano.

Qué automatizar y qué escalar: niveles de autonomía en decisiones crediticias

Las decisiones crediticias automatizadas funcionan mejor cuando se organizan por niveles de autonomía. Las solicitudes de alta confianza y bajo riesgo se resuelven de forma automática. Las de confianza intermedia, en cambio, reciben una decisión asistida. Finalmente, las excepciones y los casos de alto riesgo se escalan a revisión humana. La clave está en definir esos niveles antes de automatizar, no después.

Una forma práctica de ordenar esta definición es la matriz de autonomía crediticia. Se trata de un mapa que cruza la confianza del sistema con el riesgo de la decisión. A partir de ese cruce, la matriz define quién decide en cada caso.

Nivel

Criterio

Quién decide

Nivel

Criterio

Quién decide

Decisión automática

Alta confianza y bajo riesgo

El sistema, dentro de reglas y umbrales definidos

Decisión asistida

Confianza intermedia

Un analista, con la recomendación del sistema

Revisión humana

Excepción, incertidumbre o alto riesgo

Un analista o un comité, con toda la información registrada

La matriz de autonomía crediticia también ayuda a entender qué significa human in the loop. No se trata de que una persona revise cada solicitud. De hecho, eso anularía el beneficio de automatizar. Se trata, en cambio, de definir en qué puntos la intervención humana aporta más valor. Además, implica asegurar que el analista tenga el contexto necesario para decidir bien.

¿Cómo diseñar un motor de decisiones crediticias que mantenga el control?

Un motor de decisiones crediticias mantiene el control cuando separa tres elementos. Por un lado, lo que estima el modelo. Por otro lado, lo que establecen las reglas y lo que define la política de negocio. A esa separación se suman umbrales explícitos, rutas de excepción y overrides controlados.

Separar modelos de riesgo, reglas y políticas de negocio

El modelo de riesgo estima, pero no decide. La política de negocio determina qué hacer con esa estimación. Por ejemplo, con qué puntaje se aprueba, con qué condiciones o cuándo se escala. Esta separación permite ajustar la política sin reentrenar el modelo. Del mismo modo, permite revisar el modelo sin alterar las reglas de negocio.

Definir umbrales de decisión

Los umbrales determinan cuándo una solicitud pasa de un nivel de autonomía a otro. Por eso, tienen que ser explícitos y estar documentados. Además, conviene revisarlos de forma periódica con datos reales de desempeño.

Diseñar rutas de excepción

Cada tipo de excepción necesita un camino definido. Es decir, a quién se deriva, con qué información y en qué plazo. Una excepción sin ruta termina resolviéndose de manera informal. Y eso es justamente lo que la automatización buscaba evitar.

Permitir overrides controlados

Un analista tiene que poder corregir una decisión del sistema. Sin embargo, siempre debe dejar registrado el motivo del cambio. Los overrides no son una falla del sistema. Al contrario, son una fuente de aprendizaje para ajustar reglas, umbrales o modelos.

Llevar el análisis de riesgo potenciado por IA a un motor de decisiones exige combinar modelos, reglas, integraciones y gobernanza. Ese es el enfoque de las soluciones de IA a medida orientadas a la evaluación automatizada.

¿Cómo explicar y auditar una decisión de crédito automatizada con IA?

Para explicar una decisión tomada con análisis de riesgo potenciado por IA, la entidad tiene que poder reconstruirla. Es decir, tiene que saber por qué una solicitud terminó aprobada, rechazada o escalada. Para eso, debe conservar cada paso del recorrido, desde los datos de entrada hasta la intervención humana.

La confianza en los resultados es otro freno para escalar. Según McKinsey, más de dos de cada cinco instituciones desaceleraron proyectos por resultados decepcionantes. Además, el 41% señaló los problemas de validación de modelos como un obstáculo.

Students participating in the Crombie Code Academy, Crombie's free programming course

Registrar cada decisión

Cada decisión, automática o manual, tiene que quedar registrada con la misma estructura. Sin ese registro, la explicabilidad depende de la memoria de las personas. O, en el mejor de los casos, de reconstrucciones parciales.

Qué conservar para reconstruir una decisión

La trazabilidad completa de una decisión crediticia incluye:

  • los datos de entrada y las fuentes consultadas;
  • el score o la estimación del modelo, con su versión;
  • las reglas y políticas que se aplicaron;
  • la decisión resultante y su nivel de autonomía;
  • la excepción detectada, si la hubo;
  • la intervención humana y su justificación;
  • el resultado posterior del crédito.

El registro de decisiones crediticias cumple dos funciones. Por un lado, permite responder ante auditorías internas o requerimientos regulatorios. Por otro lado, permite mejorar el sistema de forma continua. Muestra dónde fallan las reglas y dónde se concentran los overrides. También revela qué decisiones automáticas tuvieron un mal resultado posterior.

¿Hay que reemplazar el core para automatizar el underwriting?

No necesariamente. Automatizar el underwriting no exige reemplazar el core de lending ni los sistemas existentes. En muchos casos, lo más eficiente es sumar una capa de decisioning sobre la infraestructura actual.

Una capa de decisioning puede coordinar lo que la entidad ya tiene:

  • el core de lending;
  • los motores de reglas;
  • los burós de crédito;
  • las validaciones KYC/AML;
  • los sistemas legacy;
  • los modelos de machine learning.

Reemplazar el stack completo suele implicar proyectos largos, costosos y con alto riesgo operativo. En cambio, una arquitectura modular basada en APIs permite modernizar la decisión sin tocar lo que funciona. En 2024, McKinsey analizó instituciones que combinaron arquitectura modular y reutilización de componentes existentes. Esas instituciones informaron despliegues de IA generativa entre 30% y 50% más rápidos. Su estudio de 2025, además, vuelve a recomendar la arquitectura modular como paso clave para escalar.

Empresas especializadas en software para fintech, como Crombie, suelen implementar el análisis de riesgo potenciado por IA con este enfoque. Por ejemplo, en proyectos de préstamos digitales, integran el motor de decisiones con la infraestructura del cliente. Además, automatizan de forma progresiva, en lugar de proponer un reemplazo completo.

¿Qué métricas muestran si el underwriting automatizado funciona?

Un análisis de riesgo potenciado por IA funciona cuando mejora el proceso de decisión, no solo la precisión del modelo. Por eso, las métricas más útiles miden cuántas solicitudes se resuelven sin intervención. También miden cuánto tarda cada decisión y cuántas se escalan o se corrigen. Finalmente, evalúan cómo se comportan después los créditos aprobados de forma automática.

Métrica

Qué indica

Señal de alerta

Métrica

Qué indica

Señal de alerta

Straight-through processing (STP) rate

Porcentaje de solicitudes resueltas sin intervención humana

Un valor muy alto con mala performance posterior

Tiempo hasta la decisión

Velocidad del proceso de punta a punta

Demoras concentradas en ciertas etapas

Tasa de escalamiento

Crecimiento sostenido sin cambios en la cartera

Demoras concentradas en ciertas etapas

Exception rate

Frecuencia de casos que no encajan en las reglas

Excepciones repetidas del mismo tipo

Override rate

Frecuencia con que los analistas corrigen al sistema

Overrides altos en un mismo nivel de autonomía

Consistencia de decisiones

Si casos similares reciben la misma decisión

Resultados distintos para perfiles equivalentes

Performance posterior

Comportamiento de pago de los créditos aprobados

Deterioro en los créditos aprobados automáticamente

Las métricas del underwriting automatizado se leen en conjunto, nunca de forma aislada. Por ejemplo, un override rate alto puede indicar umbrales mal calibrados. Del mismo modo, las excepciones repetidas del mismo tipo suelen señalar que falta una regla.

Paso a paso: cómo automatizar el underwriting crediticio

Pasar a un análisis de riesgo potenciado por IA no empieza por elegir un modelo. Empieza, en cambio, por entender cómo decide hoy la entidad. El recorrido va de mapear las decisiones actuales a automatizarlas de forma progresiva.

Avanzar de forma gradual es, de hecho, la estrategia más elegida. De acuerdo a McKinsey, el 36% de las instituciones apuesta por una adopción incremental de la IA generativa. Además, las más avanzadas empiezan por los casos de uso de menor riesgo.

  • Mapear las decisiones actuales: Identificar qué decisiones se toman, quién las toma y con qué información.
  • Explicitar reglas y políticas: Documentar los criterios que aplican los analistas, incluidos los que no están escritos.
  • Conectar datos y modelos: Integrar las fuentes internas y externas con los modelos de riesgo disponibles.
  • Definir niveles de autonomía: Construir la matriz de autonomía crediticia para cada tipo de solicitud.
  • Diseñar las rutas de excepción: Establecer a quién se deriva cada caso y con qué información.
  • Implementar la trazabilidad: Registrar cada decisión con la misma estructura desde el primer día.
  • Automatizar de forma progresiva: Empezar por los casos de menor riesgo. Luego, ampliar la autonomía cuando las métricas lo justifiquen.

La diferencia de fondo es de enfoque. No se trata de implementar IA, sino de diseñar un sistema de decisión. En ese sistema, la IA cumple un rol definido.

¿Por qué el underwriting crediticio más avanzado no se puede automatizar por completo?

Más automatización no siempre significa decidir mejor. Las entidades con mejores resultados no son necesariamente las que eliminan toda intervención humana. Son, en cambio, las que definen con precisión cuándo el sistema puede decidir solo. Y también cuando el criterio de un analista sigue marcando la diferencia.

El análisis de riesgo potenciado por IA es una pieza clave de ese sistema. Sin embargo, no alcanza por sí solo. Lo que sostiene el resultado es el diseño de la decisión. Es decir, reglas claras, umbrales explícitos, excepciones con dueño y decisiones registradas. En un contexto de innovación financiera acelerada, esa es la diferencia entre automatizar y automatizar con control.

El underwriting más avanzado no será el que elimine más intervención humana. Será el que sepa exactamente cuándo no la necesita.

Preguntas frecuentes sobre análisis de riesgo potenciado por IA

Conceptos básicos sobre underwriting y análisis de riesgo con IA

icon¿Qué es el underwriting crediticio y para qué sirve en una fintech?

El underwriting crediticio es el proceso que decide si una solicitud de crédito se aprueba, se rechaza o se escala. Además, define bajo qué condiciones se otorga. En una fintech, convierte la evaluación de riesgo en decisiones rápidas y consistentes. Por eso, bien automatizado, permite crecer en volumen sin perder control sobre la cartera.

icon¿Qué diferencia hay entre análisis de riesgo crediticio y underwriting?

El análisis de riesgo crediticio estima qué tan probable es que un solicitante pague. El underwriting, en cambio, usa esa estimación para decidir: aprobar, rechazar o escalar. Por eso, un buen análisis de riesgo es necesario, pero no suficiente. La calidad de la decisión también depende de las políticas, los umbrales y la gestión de excepciones.

icon¿En qué se diferencian el credit scoring y el credit decisioning?

El credit scoring asigna un puntaje que resume el nivel de riesgo de un solicitante. El credit decisioning, en cambio, combina ese puntaje con reglas y políticas de negocio. Luego, ejecuta una decisión concreta. En otras palabras, el scoring informa y el decisioning decide.

icon¿El análisis de riesgo potenciado por IA reemplaza a los analistas de crédito?

No. El análisis de riesgo potenciado por IA automatiza las decisiones de alta confianza y bajo riesgo. Sin embargo, los analistas siguen siendo clave en las excepciones y los casos de alto riesgo. Lo que cambia es su rol: dedican más tiempo a los casos donde su criterio aporta valor.

icon¿Qué significa human in the loop en una decisión de crédito?

Human in the loop significa que el sistema de decisión incluye puntos definidos de intervención humana. No implica que una persona revise cada solicitud. En cambio, se diseña de antemano cuándo decide el sistema y cuándo un analista. Así, se combina la velocidad de la automatización con el criterio del equipo de crédito.

icon¿Qué es la trazabilidad de una decisión crediticia automatizada?

La trazabilidad es la capacidad de reconstruir cómo se llegó a una decisión de crédito. Incluye los datos de entrada, el resultado del modelo, las reglas aplicadas y la intervención humana. Sin trazabilidad, una decisión automatizada no puede explicarse ni auditarse. Además, el sistema no puede aprender de sus propios errores.

Cómo decidir qué automatizar en el underwriting crediticio

icon¿Qué decisiones de crédito conviene automatizar y cuáles revisar manualmente?

En un análisis de riesgo potenciado por IA, conviene automatizar las solicitudes de alta confianza y bajo riesgo. En cambio, las excepciones y los casos de incertidumbre deberían escalarse a revisión humana. Sin embargo, el punto de corte no es universal. Depende de tus políticas de crédito, de tu apetito de riesgo y de la calidad de tus datos. Por eso, antes de automatizar, conviene mapear cómo decide hoy tu equipo.

icon¿Cómo se definen los umbrales de un motor de decisiones crediticias?

Los umbrales se definen a partir de las políticas de crédito y del apetito de riesgo. Luego, se validan con datos reales de desempeño y se revisan periódicamente. Calibrarlos bien exige conocer la cartera y el flujo de decisión actual. Por eso, conviene analizarlos caso por caso antes de fijarlos.

icon¿Qué parte del underwriting conviene modernizar primero sin tocar el core?

En general, conviene empezar por las etapas con más carga manual y menor riesgo. Por ejemplo, la validación de datos o la aplicación de reglas sobre solicitudes estándar. Con una integración basada en APIs, esas etapas pueden automatizarse sin modificar el core. Qué etapa priorizar depende de dónde se concentran hoy las demoras de tu proceso.

icon¿Cómo se gestionan las excepciones en un underwriting automatizado con IA?

Las excepciones se gestionan con rutas definidas para cada tipo de caso. Cada ruta establece un destinatario, la información necesaria y un plazo de resolución. Además, cada excepción resuelta aporta datos para ajustar reglas o umbrales. El diseño de esas rutas depende de tu equipo de crédito y de tu cartera.

icon¿Cómo se audita una decisión de crédito tomada con IA?

Se audita reconstruyendo su recorrido completo. Es decir, los datos de entrada, el resultado del modelo, las reglas aplicadas y la decisión. También la intervención humana, si la hubo. Para eso, el sistema debe registrar cada decisión con la misma estructura desde el inicio.

icon¿Qué métricas indican que un underwriting automatizado funciona bien?

Las métricas más útiles miden el proceso de decisión, no solo el modelo. Por ejemplo, el straight-through processing rate, el tiempo hasta la decisión y la tasa de escalamiento. También el override rate y la performance posterior de los créditos aprobados. Ninguna alcanza por sí sola; por eso, se leen en conjunto.

Implementación de un motor de decisiones crediticias

icon¿Qué se necesita para implementar un motor de decisiones crediticias con IA?

Se necesitan políticas de crédito explícitas, datos integrados y modelos de riesgo. Además, hacen falta niveles de autonomía definidos, rutas de excepción y un registro de decisiones. El alcance depende de tus sistemas, de la calidad de tus datos y del volumen de solicitudes. Para dimensionarlo en tu caso, podés coordinar una reunión con el equipo de Crombie.

icon¿Qué preguntarle a un partner antes de automatizar decisiones de crédito?

Conviene preguntarle cómo integra el motor de decisiones con tus sistemas existentes. También, cómo resuelve la trazabilidad y cómo diseña reglas y excepciones, además de modelos. Empresas especializadas en software fintech, como Crombie, suelen trabajar sobre la infraestructura del cliente en lugar de reemplazarla. Si querés evaluar tu caso, podés coordinar una conversación con su equipo de expertos.

icon¿Cómo se estima el alcance de un proyecto de underwriting automatizado?

El alcance se estima a partir de tres variables. Primero, cuántos tipos de decisión se van a automatizar. Segundo, qué sistemas hay que integrar. Tercero, en qué estado están los datos.

icon¿Cómo empezar a automatizar el underwriting sin frenar la operación actual?

La forma más segura de pasar a un análisis de riesgo potenciado por IA es avanzar de manera progresiva. Primero, se automatizan los casos de menor riesgo y se validan los resultados. Luego, se amplía la autonomía cuando las métricas lo justifican. Además, una práctica habitual es ejecutar el motor en paralelo antes de habilitarlo para decidir.

Preguntas relacionadas

¿Cómo convertir datos de clientes en decisiones de crédito confiables?

¿Cómo se integra la IA con sistemas bancarios legacy?

¿Cómo cumplir la normativa en decisiones de crédito automatizadas?

The post Cómo pasar a un análisis de riesgo potenciado por IA en 7 pasos appeared first on .

]]>