AI Modelos de crédito en mercados emergentes: de la mejora predictiva a una gobernanza financiable

1. Comenzar por la decisión de crédito y el resultado de caja

Un modelo AI solo es valioso para un prestamista cuando sus decisiones mejoran los resultados de caja ajustados al riesgo conforme a una estrategia de crédito aprobada. La exactitud, el área bajo la curva, el índice de Gini, la precisión u otra métrica técnica pueden describir el comportamiento del modelo, mientras que la financiabilidad depende de la aprobación, la fijación de precios, la exposición, la morosidad, la recuperación, la pérdida, la liquidez y el tratamiento del prestatario. Por lo tanto, el equipo de diligencia debida debe partir de un registro de decisiones y rastrearlo hasta los flujos de caja contractuales y realizados.

El registro mínimo vincula la solicitud, el prestatario, el producto, el importe, el plazo, el precio, la versión del modelo, la instantánea de los datos de entrada, la puntuación, el umbral de decisión, la explicación, la anulación humana, la autoridad de aprobación, el desembolso, el calendario de amortización, el efectivo recibido, los atrasos, la regularización, la reestructuración, la recuperación y la baja en cuentas. Los identificadores estables deben conectar la plataforma del modelo, el sistema de gestión de préstamos, las cuentas bancarias, las presentaciones al buró de crédito y el libro mayor. Una muestra debe ser reproducible a partir de los datos y el código originales o de un servicio de puntuación controlado.

El prestamista debe distinguir tres preguntas. ¿Clasificó el modelo el riesgo mejor que una línea base aprobada? ¿Convirtió la institución esa clasificación en límites, precios y decisiones de política razonables? ¿Produjeron esas decisiones un resultado de caja coherente con el caso de suscripción? Una respuesta positiva a la primera pregunta no puede compensar una política o unas operaciones débiles.

El resultado inicial de la diligencia debida debe ser un linaje desde la puntuación hasta el efectivo. Toda afirmación posterior sobre inclusión, mejora predictiva, eficiencia del capital o valoración debe conciliarse con él.

El diagrama es un marco de gobernanza. Los roles, la evidencia y las aprobaciones deben verificarse para cada institución y jurisdicción.

2. Definir la financiabilidad antes de medir el rendimiento del modelo

Un modelo financiable tiene un uso definido, un propietario responsable, datos lícitos, una implementación controlada, un desafío independiente, un seguimiento estable, decisiones explicables, un respaldo operativo y una conexión demostrada con los flujos de caja de la cartera. Estos atributos deben definirse antes de que el prestamista revise el rendimiento principal. De lo contrario, una estadística sólida puede dominar la discusión mientras los controles esenciales permanecen sin probar.

El modelo puede respaldar la selección, la aprobación, la fijación de límites, la fijación de precios, el fraude, la cobranza o la alerta temprana. Cada uso tiene una materialidad y un coste de error diferentes. Un modelo de clasificación utilizado como una entrada para un oficial de crédito sénior difiere de un modelo automatizado de denegación. Un modelo que respalda anticipos pequeños y de corto plazo difiere de un modelo que fija una facilidad corporativa plurianual. Los criterios de financiabilidad deben seguir el impacto y la reversibilidad de la decisión.

Las prácticas sólidas propuestas por el FSB para 2026 organizan el riesgo AI en torno a la gobernanza y el ciclo de vida de desarrollo, despliegue, ciberseguridad, tecnología y terceros.[1] El Marco de Gestión de Riesgos AI del NIST utiliza las funciones de gobernar, mapear, medir y gestionar, y exige una evaluación continua, limitaciones documentadas y procedimientos para desconectar sistemas cuyo rendimiento sea incoherente con el uso previsto.[19] Estos marcos pueden informar la arquitectura de control, mientras que la legislación local y los requisitos prudenciales siguen siendo decisivos.

El término financiable no significa que un modelo sea perfecto. Significa que la incertidumbre residual se identifica, se mide, se gobierna y se refleja en el porcentaje de anticipo, la reserva, el covenant, el precio y los derechos del prestamista.

3. Mapear el perímetro del modelo, la política y el sistema

Una institución puede operar varios modelos detrás de una misma puntuación. Los componentes de identidad, fraude, capacidad de pago, crédito, fijación de precios, límites y cobranza pueden alimentar un motor de políticas. Las puntuaciones de proveedores pueden transformarse o combinarse con reglas y juicio humano. El perímetro de la diligencia debida debe incluir cada componente que modifique el resultado para el prestatario o la pérdida para el prestamista.

El inventario debe registrar la finalidad, el titular, la entidad jurídica, la jurisdicción, el segmento de prestatario, el producto, el rol en la decisión, el algoritmo, la versión del modelo, el periodo de entrenamiento, las fuentes de datos de entrada, el proveedor, la fecha de validación, la materialidad, el plan de contingencia y el plan de retirada. Los modelos sombra, las pruebas de campeón-retador y los ajustes de hoja de cálculo deben permanecer visibles. Un modelo fuera del inventario formal constituye un hallazgo de gobernanza aunque su desempeño técnico parezca sólido.

Los Estándares de Gestión de Modelos del Banco Central de UAE identifican la gobernanza, la gestión de datos, el desarrollo, la implementación, el uso, el monitoreo del desempeño y la validación independiente como componentes esenciales.[11] Su guía sobre tecnología habilitadora exige un registro integral de toda la organización y cobertura del ciclo de vida, desde el diseño hasta la retirada.[9] Estos principios sustentan un perímetro que se extiende más allá del código, hasta las políticas, las personas, los datos y las operaciones.

El prestamista también debe mapear qué entidad es propietaria del modelo, qué entidad origina y administra los préstamos, y qué entidad soporta las pérdidas. Los acuerdos intercompañía de scoring o de administración de préstamos pueden afectar el acceso a los datos y la continuidad tras una transacción o una ejecución.

Tabla 1. Mapa de inventario de modelos y evidencia por nivel de riesgo

El nivel de riesgo debe reflejar el impacto en la decisión, la exposición, la autonomía, la complejidad y la sustituibilidad.

4. Establecer los derechos sobre los datos, la procedencia y la disponibilidad continua

Los datos alternativos pueden incluir transacciones bancarias, flujos de dinero móvil, servicios públicos, alquiler, ventas en plataformas, registros contables, señales de dispositivos, geolocalización o información de comportamiento. El prestamista debe verificar la base jurídica, la notificación al prestatario, el consentimiento cuando proceda, la autorización contractual, la procedencia, la exactitud, la conservación, la transferencia y el uso permitido en modelos para cada campo o característica derivada.

El acceso a los datos puede ser temporal. Un socio de plataforma puede cancelar un flujo de datos, cambiar una interfaz de programación de aplicaciones, limitar el consentimiento o alterar las definiciones de los campos. Un modelo entrenado con datos amplios puede degradarse cuando producción recibe un conjunto más pequeño o más lento. El equipo de la transacción debe comparar la cobertura de desarrollo y producción y probar el mecanismo de contingencia ante la pérdida de cada fuente material.

El marco de préstamos digitales del RBI exige una recopilación basada en necesidades, consentimiento previo y explícito del prestatario, pistas de auditoría claras y responsabilidad de la entidad regulada respecto de los proveedores de servicios.[12][13] Las Regulaciones de Proveedores de Crédito Digital de Kenia exigen confidencialidad de la información del cliente y el envío oportuno, completo y exacto de información crediticia a burós autorizados.[14] Estos requisitos ilustran por qué los derechos y la calidad de los datos son cuestiones crediticias y no tareas técnicas de mantenimiento.

El prestamista debería exigir un registro de derechos de datos vinculado a las características del modelo y a los prestatarios. Los campos no respaldados deberían eliminarse o ponerse en cuarentena, el modelo debería volver a probarse y cualquier reducción del desempeño debería incorporarse al expediente de crédito.

Tabla 2. Registro de derechos de datos y evidencias

Los requisitos aplicables dependen de la legislación local, el producto, el prestatario y la fuente de datos.

5. Defina la variable objetivo y el incumplimiento de forma coherente

El rendimiento del modelo depende del resultado que predice. Un objetivo puede ser el impago, la morosidad a 30 días, la morosidad a 90 días, el castigo, el fraude, la reestructuración o la pérdida neta de efectivo en un horizonte definido. La definición de desarrollo debe ajustarse al producto, la política y el objetivo de financiación. Un objetivo de morosidad de horizonte corto puede clasificar el comportamiento de pago temprano sin llegar a captar la pérdida a lo largo de la vida del préstamo.

La ventana objetivo debe permitir suficiente tiempo para que el resultado madure. Los préstamos recientes sin un historial completo de comportamiento de pago no pueden etiquetarse como buenos solo porque aún no hayan incurrido en impago. La regularización, la reestructuración, el acuerdo, la moratoria, la venta y el castigo deben tratarse de forma coherente. Los resultados deben conciliarse con las fechas de vencimiento contractuales, los cobros y los registros contables.

Los Principios para la gestión del riesgo de crédito de 2025 del Comité de Basilea hacen hincapié en una concesión de crédito sólida, su administración, medición, seguimiento y controles.[7] La guía de validación del CBUAE exige revisar la definición de incumplimiento, los datos de desarrollo, el diseño del modelo, los supuestos, la estabilidad, la capacidad discriminante y la calibración.[10] Estos principios se aplican directamente a la evidencia que respalda el objetivo.

Un prestamista debería volver a ejecutar el rendimiento con definiciones alternativas. Si la mejora predictiva desaparece cuando el objetivo cambia de morosidad temprana a pérdida neta, el modelo puede ser útil para priorizar cobros y no ser apto para la elegibilidad de capital.

6. Construir cohortes que revelen la selección y la maduración

Las divisiones aleatorias entre entrenamiento y prueba pueden sobreestimar el rendimiento cuando aparecen registros de periodos, prestatarios, comercios o ubicaciones similares en ambas muestras. La capacidad de financiación exige pruebas fuera del tiempo y fuera del segmento. Las cohortes deben seguir la fecha de origen, el producto, la geografía, el canal, el tipo de prestatario, el tamaño del ticket, el plazo, la banda de puntuación y la versión del modelo con los mismos meses en libros.

La selección debe ser visible. El modelo observa resultados solo para préstamos aprobados, a menos que la institución tenga otra fuente para solicitantes rechazados. Por lo tanto, la política de aprobación puede generar sesgo de selección de muestra. Un modelo entrenado con aprobaciones previas puede tener un rendimiento deficiente al ampliarse a grupos previamente rechazados o con historial crediticio limitado. Los pilotos controlados y los límites conservadores pueden generar evidencia.

El trabajo del IFC de 2026 sobre crédito alternativo señala que los datos de transacciones son insumos habituales y que AI se utiliza de forma selectiva en modelos que atienden a prestatarios con historiales formales limitados.[16] La evidencia respalda la oportunidad y también refuerza la necesidad de evaluar el contexto, el segmento y la implementación. El éxito de un modelo en un país, socio o producto no establece su transferibilidad.

El paquete de cohortes debe indicar las ventanas de observación y rendimiento, las exclusiones, la proporción de datos faltantes y el número de cuentas y de exposición. Las muestras pequeñas deben identificarse y agruparse solo con una razón defendible.

7. Traducir la mejora predictiva en un puente económico

La mejora predictiva describe una mejora respecto de una línea base. Puede significar mayor capacidad de discriminación, mejor calibración, menor pérdida con la misma tasa de aprobación o mayor aprobación con la misma pérdida. El prestamista debería exigir una línea base que refleje la alternativa de decisión real, como una puntuación de buró, un scorecard o una regla de política, en lugar de un punto de referencia artificialmente débil.

El puente debe mantener constante una restricción del negocio. Con la misma tasa de aprobación, compárense la pérdida realizada y la contribución. Con la misma pérdida esperada, compárense las aprobaciones y la exposición financiada. El análisis debe incluir los costes de adquisición, datos, modelo, verificación, servicio, fraude, financiación y capital. Una pequeña ganancia estadística puede tener un valor limitado tras el gasto de implementación y la selección adversa.

El ejemplo hipotético siguiente comienza con 100 unidades de pérdida en efectivo esperada de la línea base. La mejora de la clasificación reduce la pérdida en 18 unidades, mientras que la expansión a segmentos con historial limitado añade 7, la laxitud de la política añade 5, el coste operativo de datos y modelo añade 4, y las recuperaciones más débiles añaden 3. El beneficio analítico neto es de 1 unidad. Cada importe es un supuesto analítico hipotético y debe sustituirse por evidencia verificada a nivel de cuenta.

Todos los valores son supuestos analíticos hipotéticos y no describen a un prestamista, modelo ni pronóstico de mercado.

8. Probar conjuntamente la discriminación, la calibración y la pérdida realizada

La discriminación mide si los prestatarios de mayor riesgo reciben peores puntuaciones. La calibración mide si las probabilidades previstas se corresponden con los resultados observados. Un modelo puede ordenar correctamente y subestimar sistemáticamente la pérdida. Los prestamistas necesitan ambas medidas porque el capital y los precios dependen del nivel de riesgo, no solo del orden.

La validación debe reportar el área bajo la curva o el Gini con intervalos de confianza, precisión y recall cuando proceda, calibración por banda de puntuación, Brier o log loss, y resultados observados frente a esperados. El análisis debe utilizar ponderaciones por cuenta y por exposición y debe mostrar la pérdida en efectivo, no solo el número de incumplimientos. El calendario y el coste de la recuperación importan para el servicio de la deuda.

El desempeño debe separarse por periodos de desarrollo, fuera de tiempo, de producción y de estrés. El informe de la EBA sobre aprendizaje automático en modelos de calificación interna hace hincapié en un uso prudente dentro del marco de riesgo de crédito y en la interacción con la protección de datos y las normas AI.[20] Las normas de validación del CBUAE exigen una revisión cuantitativa de la estabilidad, la capacidad discriminatoria, la sensibilidad y la calibración.[10]

Los umbrales de aprobación deben probarse frente a la capacidad y la liquidez. Un modelo que admite más prestatarios puede cambiar la composición de la cartera y saturar la verificación o la gestión de cobros. Por lo tanto, la financiabilidad vincula las pruebas técnicas con las operaciones y la financiación.

9. Evaluar la inclusión de clientes con historial crediticio limitado sin enmascarar la selección adversa

AI puede identificar a prestatarios cuya actividad de efectivo no está representada en los expedientes convencionales. El análisis del BIS señala que los datos alternativos pueden mejorar la predicción de incumplimiento para grupos desatendidos y revelar prestatarios cuyas puntuaciones convencionales son señales débiles.[3] El trabajo del IFC también describe modelos que utilizan dinero móvil, pagos digitales, registros de plataformas y datos empresariales.[16][17]

El prestamista debe medir la inclusión como una cohorte controlada. Los prestatarios nuevos en el crédito o con historial limitado deben tener definiciones explícitas, aprobación, exposición, precios, morosidad, pérdidas y reporte de quejas separados, y límites escalonados hasta que el desempeño madure. Las comparaciones deben ajustarse por importe, plazo, geografía, canal y condiciones económicas.

Las afirmaciones sobre inclusión deben distinguir el acceso de los resultados. Un mayor número de aprobaciones puede coexistir con precios inasequibles, refinanciaciones recurrentes o una comprensión débil por parte del prestatario. El desempeño de caja, el coste total, la reincidencia en el endeudamiento, las quejas, las dificultades financieras y las reestructuraciones deben monitorizarse conjuntamente.

La estructura de financiación puede aplicar porcentajes de anticipo más bajos o reservas más altas a segmentos sin historial y liberarlas tras un desempeño verificado de la cohorte. Esto permite que el capital siga a la evidencia sin abandonar un objetivo de inclusión.

10. Medir la equidad y el riesgo de variables proxy en el proceso de decisión real

Los datos históricos pueden codificar un acceso, un trato y unos resultados desiguales. Las variables alternativas pueden actuar como proxies de características protegidas o vulnerables. Por lo tanto, el análisis de equidad debe abarcar los datos, las etiquetas, la salida del modelo, los umbrales de política, las excepciones manuales, los precios, los límites, el servicio y la gestión de cobros.

La institución debe identificar, con asesoramiento jurídico, grupos de comparación legalmente admisibles. Las pruebas útiles pueden incluir aprobación, tasas de error, calibración, precios y pérdidas por grupo, con tamaño de muestra y confianza. Una diferencia estadística exige investigar el mecanismo, la necesidad empresarial, la calidad de los datos y la posible subsanación. Una sola métrica de paridad no puede resolver la evaluación.

La FSB ha advertido de que los datos históricos y las fuentes alternativas opacas pueden perpetuar sesgos y dificultar que los prestatarios corrijan errores.[2] El plan de acción de financiación de las mipymes del G20 señala que la evaluación crediticia automatizada puede introducir distorsiones y que los datos incompletos y no representativos pueden afectar a grupos desatendidos.[18]

El prestamista debe exigir un registro de variables, una revisión de variables proxy, pruebas de equidad, un canal de reclamaciones y un proceso de control de cambios. Cuando no se disponga de etiquetas de grupo lícitas, la institución debe documentar la limitación y utilizar otras pruebas, como la sensibilidad de las variables, los resultados geográficos, la revisión manual y los comentarios de los prestatarios.

11. Hacer que las explicaciones sean útiles para los prestatarios, los oficiales de crédito y los validadores

Una explicación debe adaptarse a su público. Los prestatarios necesitan razones principales claras y una vía para corregir datos o solicitar una revisión. Los analistas de crédito necesitan los impulsores de la decisión, la sensibilidad y el contexto de las políticas. Los validadores necesitan métodos reproducibles, estabilidad y limitaciones. Los supervisores necesitan trazabilidad y evidencia de rendición de cuentas.

La importancia global o local de las variables por sí sola puede ser insuficiente. Las variables correlacionadas pueden intercambiar importancia, y las explicaciones post hoc pueden variar. La institución debe probar la fidelidad, la estabilidad y la capacidad de acción. Una razón debe reflejar la decisión real y evitar exponer controles sensibles de seguridad o de fraude.

El proyecto Noor del BIS está desarrollando métodos explicables-AI que pueden ayudar a los supervisores a evaluar la transparencia, la equidad y la robustez preservando la privacidad.[5] Una intervención del BIS de 2026 señala que las instituciones siguen siendo responsables de la explicabilidad y la calidad de los datos en decisiones de alto impacto, como las solicitudes de crédito.[6] Estas iniciativas respaldan una explicación práctica al tiempo que preservan la responsabilidad institucional.

El prestamista debe muestrear explicaciones frente a los datos de origen, los cambios de puntuación y las decisiones de política. Una decisión adversa para el prestatario que no pueda explicarse de forma coherente no debería ser elegible para una ampliación automatizada ni para un beneficio de capital.

12. Gobernar las anulaciones humanas como un componente medible del modelo

El juicio humano puede aportar información que el modelo no puede observar. También puede debilitar la disciplina, favorecer objetivos de crecimiento u ocultar un segmento en deterioro. Cada anulación debe registrar la dirección, el motivo, la evidencia, la autoridad, la marca temporal, la puntuación del modelo, la decisión original, las condiciones finales y el resultado posterior.

El análisis de anulaciones debe distinguir la anulación del modelo de la excepción de política y de la corrección de datos. Corregir un error verificado de los datos de entrada es distinto de aprobar a un prestatario fuera del apetito de riesgo. Las anulaciones al alza y a la baja deben rastrearse por separado por analista, sucursal, canal, producto, geografía y banda de puntuación.

El análisis hipotético debe comparar la pérdida observada de las aprobaciones no anuladas, las anulaciones positivas y las anulaciones negativas con un riesgo de modelo similar. Una frecuencia elevada de anulaciones puede indicar un modelo mal ajustado o una adopción débil. La autoridad de anulación concentrada genera riesgo de conducta y operativo. Una tasa baja de anulaciones también puede ser preocupante si el personal sigue un modelo inadecuado sin cuestionarlo.

La guía de validación del CBUAE exige expresamente la revisión de las anulaciones de calificación y la coherencia de los insumos subjetivos y del posible sesgo.[10] El prestamista puede establecer disparadores de reporte, revisión independiente de muestras y límites, con suspensión temporal cuando el desempeño de las anulaciones supere materialmente la pérdida aprobada.

Las frecuencias y las tasas de pérdida son supuestos analíticos hipotéticos y no describen a un prestamista ni a un modelo.

13. Monitorear la deriva de datos, puntuación, decisiones y resultados

La deriva se produce cuando la producción difiere del desarrollo o de periodos aprobados anteriores. La deriva de datos cambia las distribuciones o la cobertura de los insumos. La deriva de concepto cambia la relación entre los insumos y el incumplimiento. La deriva de política cambia los umbrales, las reglas o el comportamiento humano. La deriva de resultados cambia la morosidad, la recuperación o la pérdida. El prestamista debe monitorear las cuatro, porque una distribución estable de puntuaciones puede coexistir con un deterioro de los flujos de caja.

El índice de estabilidad poblacional, la estabilidad de características, la ausencia de datos, el movimiento entre categorías y la distancia entre distribuciones pueden respaldar el monitoreo de datos. Los cambios en aprobación, rechazo, precios y límites por banda de puntuación respaldan el monitoreo de decisiones. La pérdida observada frente a la esperada, las tasas de migración, las curvas de cosecha y la recuperación respaldan el monitoreo de resultados. Las métricas deben mostrarse por producto, cohorte, canal, geografía y fuente de datos significativa.

Los umbrales requieren una respuesta aprobada. Una advertencia puede desencadenar una investigación y un reporte reforzado. Una superación del umbral puede restringir nuevas originaciones, aumentar las reservas, reducir la tasa de anticipo, activar el mecanismo de contingencia o exigir recalibración y validación. La respuesta debe considerar el tamaño de la muestra y la estacionalidad en lugar de basarse en una única estadística aislada.

El panel siguiente utiliza valores hipotéticos para demostrar la gobernanza. No proporciona umbrales universales. Cada institución debe calibrar los desencadenantes a la variabilidad histórica verificada, el riesgo de la cartera y los requisitos regulatorios.

Las puntuaciones son supuestos analíticos hipotéticos en una escala de seguimiento de uno a cinco y no son límites universales.

14. Probar el desempeño frente a perturbaciones macroeconómicas y locales

Las carteras de crédito de mercados emergentes pueden estar expuestas a inflación, depreciación cambiaria, precios de materias primas, eventos climáticos, conflictos, cambios de políticas, interrupciones de plataformas y perturbaciones del empleo local. Los datos de desarrollo pueden contener pocos periodos comparables. Un modelo puede mantenerse estadísticamente estable mientras la capacidad de pago de los prestatarios cambia por variables que no observa.

Las pruebas de estrés deben combinar los canales del modelo y de la cartera. Se pueden aplicar perturbaciones a los inputs cuando exista una relación defendible; también deben probarse directamente los umbrales de política y los resultados de caja. El prestamista puede aplicar mayores tasas de transición, menores tasas de regularización, recuperación retrasada, menores ingresos, mayor coste de refinanciación e interrupciones de datos por cohorte y geografía. Los escenarios deben incluir efectos correlacionados y restricciones operativas.

La investigación del BIS sobre AI y la financiación relacional encontró que la inversión en AI apoyó la oferta de crédito en periodos normales en la muestra estudiada, mientras que no proporcionó crédito adicional ni protección frente a los tipos de interés durante la crisis de la Covid.[4] Este resultado depende del contexto e ilustra por qué no debe suponerse que el desempeño en periodos normales persistirá ante una nueva perturbación.

El caso de la transacción debe comparar la pérdida y la liquidez en escenario de estrés con el margen disponible de capital, reservas y líneas de financiación. La confianza en el modelo debe reducirse, y no aumentar, cuando la perturbación quede fuera de la experiencia de desarrollo.

15. Conciliar el seguimiento del modelo con la contabilidad de la cartera y la caja

Los informes de seguimiento suelen utilizar etiquetas de morosidad o incumplimiento generadas dentro del sistema de préstamos. El prestamista debe conciliar esas etiquetas con los calendarios contractuales, los recibos bancarios, el libro mayor, las provisiones, las cancelaciones y las recuperaciones. Un modelo puede parecer calibrado si los atrasos se reestructuran, se prorrogan o se cancelan fuera de los datos de comportamiento.

La conciliación debe conservar los calendarios originales y revisados, las cancelaciones brutas y netas, la liquidación, la regularización, el coste y el momento de la recuperación. Las vistas de cuenta y de exposición deben mostrarse juntas. La pérdida debe atribuirse a la versión del modelo y a la política vigente en el momento de la originación, registrando por separado las acciones de gestión posteriores.

Los modelos de capital y de líneas de financiación pueden utilizar medidas de pérdida esperada, pérdida inesperada, concentración o estrés que difieran del objetivo del modelo. El puente debe indicar cada definición y mostrar cómo las bandas de puntuación informan la probabilidad de incumplimiento, la pérdida en caso de incumplimiento, la exposición, la reserva o la tasa de anticipo. Las transformaciones no sustentadas constituyen una brecha de financiabilidad.

Los ajustes de datos deben controlarse y reportarse. El marco de gobernanza corporativa de Basilea subraya la responsabilidad del consejo de administración sobre la calidad de los datos y las limitaciones de los modelos y de los inputs externos.[8] La conciliación hace observable esa rendición de cuentas.

16. Asignar responsabilidades al consejo, a la dirección y al control

El órgano de gobierno debe aprobar el uso material de AI, el apetito de riesgo y la rendición de cuentas. La alta dirección debe asumir la implementación, los recursos, las competencias, el seguimiento y la remediación. Los equipos de crédito, riesgo, cumplimiento, datos, tecnología, seguridad, jurídico, auditoría interna y negocio necesitan funciones definidas con cuestionamiento independiente.

El propietario del modelo no debe aprobar la validación independiente. Un comité de modelos puede revisar el desarrollo, los cambios, el rendimiento, las excepciones y la retirada. Un comité de crédito debe mantener la autoridad sobre la política de crédito y el riesgo de cartera. Las cuestiones materiales deben escalarse al consejo o al comité de riesgos del consejo mediante umbrales definidos.

La guía de tecnología habilitadora del CBUAE hace al órgano de gobierno y a la alta dirección responsables de los resultados y exige especialistas técnicos y de crédito con las competencias adecuadas.[9] El informe de 2025 de la Autoridad Prudencial de Sudáfrica y la Autoridad de Conducta del Sector Financiero recomienda una gobernanza integral, gobernanza de datos, gestión del riesgo de modelos y supervisión a nivel del consejo.[21]

El prestamista debe inspeccionar las actas, el cuestionamiento, las decisiones y el cierre de incidencias en lugar de aceptar un organigrama. La gobernanza se vuelve financiable cuando la autoridad cambia el comportamiento, la financiación y el despliegue.

17. Exigir una validación independiente con evidencia reproducible

La validación independiente debe revisar la solidez conceptual, los datos, el código, la implementación, el uso, el rendimiento, las limitaciones y los resultados. La independencia puede ser organizativa o lograrse mediante una revisión externa, siempre que el validador tenga acceso, competencia y libertad frente a incentivos de desarrollo. La materialidad debe determinar la profundidad y la frecuencia.

La validación debe reproducir muestras, confirmar la construcción de la variable objetivo, probar fugas de información, comparar líneas base, examinar el ajuste y la selección, ejecutar pruebas fuera de tiempo y por segmentos, evaluar la calibración, la equidad, las explicaciones, las excepciones, el estrés, la deriva y el mecanismo de respaldo. La validación de la implementación debe confirmar que el código, las transformaciones, los umbrales y los datos aprobados funcionan en producción.

El validador debe indicar los hallazgos, la severidad, los controles compensatorios y las condiciones de uso. Un modelo con un hallazgo crítico abierto no debe recibir el mismo tratamiento de capital o de línea de crédito que un modelo totalmente validado. La remediación debe someterse a nuevas pruebas por una parte independiente.

Las normas del CBUAE identifican la estabilidad, el poder discriminatorio, la sensibilidad, la calibración, la gobernanza, las excepciones, la documentación y los datos como áreas de validación.[10][11] El informe de validación debe entregarse al prestamista en condiciones de confidencialidad y con suficiente detalle para una evaluación independiente.

Tabla 3. Programa de pruebas de validación independiente

El alcance y la frecuencia deben ajustarse a la materialidad del modelo, la jurisdicción y el riesgo de la cartera.

18. Diligencia debida de los modelos de proveedores y de las dependencias tecnológicas concentradas

Un proveedor puede suministrar puntuaciones, datos, características, código, alojamiento o monitorización. La institución regulada y el prestamista siguen expuestos al riesgo de modelo y de continuidad incluso cuando la propiedad intelectual es externa. El equipo de diligencia debida debe identificar qué derechos de evidencia, auditoría, validación y cambio existen en el contrato.

El acuerdo debe cubrir el uso de datos, la titularidad, la confidencialidad, la seguridad, los cambios de modelo, el rendimiento, los niveles de servicio, la notificación de incidentes, la subcontratación, el acceso del regulador, el acceso del prestamista cuando sea necesario, la terminación, la transición y la conservación de registros. Un servicio de caja negra puede limitar la capacidad de la institución para explicar decisiones o reproducir puntuaciones históricas. El acceso contractual debe contrastarse con la práctica real del proveedor.

La concentración puede surgir cuando muchos prestamistas utilizan el mismo agregador de datos, servicio en la nube o modelo. Un cambio o una interrupción comunes pueden afectar a varias carteras simultáneamente. Las prácticas sólidas propuestas por el FSB incluyen el riesgo de terceros, cibernético y tecnológico.[1] NIST también aborda el software, el hardware y los datos de terceros a lo largo del ciclo de vida.[19]

El caso de financiación debe incluir el tiempo de sustitución, la portabilidad de los datos, la operación en paralelo y el mecanismo de respaldo. La terminación de un proveedor que inhabilite la suscripción de crédito debe ser un escenario de liquidez y continuidad del negocio.

19. Proteger la privacidad, la seguridad y las vías de recurso del prestatario

Los modelos de crédito pueden procesar información sensible de carácter financiero, conductual y relativa a dispositivos. La institución debe recopilar únicamente los datos necesarios para un fin aprobado, protegerlos, conservarlos durante un periodo justificado y otorgar a los prestatarios los derechos de acceso, corrección y revisión que correspondan. El consentimiento debe ser significativo cuando se invoque y no debe encubrir una recopilación innecesaria.

La diligencia debida en materia de seguridad debe mapear los datos en reposo y en tránsito, las identidades, el acceso privilegiado, el cifrado, las claves, los registros, los entornos de desarrollo, los artefactos de modelo, las copias de seguridad y los proveedores. La extracción de modelos, el envenenamiento de datos, las entradas adversarias y los cambios no autorizados de características deben incorporarse al modelo de amenazas. Los incidentes deben vincularse con las decisiones y los prestatarios afectados.

La guía del Banco Mundial sobre acceso financiero responsable hace hincapié en la protección del consumidor en las finanzas digitales y en la supervisión basada en riesgos.[15] El marco del RBI exige una política de privacidad clara, un almacenamiento limitado por parte de los proveedores de servicios y supervisión por parte de la entidad regulada.[12][13] La normativa de Kenia exige confidencialidad y gestión de reclamaciones.[14]

El prestamista debe exigir la notificación de incidentes materiales relacionados con datos, seguridad o trato al prestatario, junto con la remediación y el impacto financiero. Las vías de recurso del prestatario respaldan tanto el cumplimiento normativo como la calidad de los datos de crédito, ya que los registros corregidos mejoran las decisiones futuras.

20. Crear una matriz regulatoria específica por jurisdicción

Los mercados emergentes difieren en licencias, protección del consumidor, decisiones automatizadas, localización de datos, reporte a centrales de riesgo, externalización, estándares de modelos y acceso supervisor. Una plataforma regional no debe asumir que un único modelo y flujo de consentimiento pueden desplegarse sin cambios. El perímetro legal y operativo debe mapearse por país, producto, prestatario y entidad.

El UAE cuenta con estándares vigentes de gestión de modelos y tecnología habilitadora que abarcan gobernanza, datos, validación y controles del ciclo de vida.[9][10][11] India sitúa la responsabilidad de entidad regulada, el consentimiento, la pista de auditoría y los controles de préstamo digital en torno a los proveedores de servicios.[12][13] Kenia concede licencias y supervisa a los proveedores de crédito digital, y regula el uso de información crediticia y la protección del cliente.[14] Las directrices de banca abierta de Nigeria incluyen gobernanza de datos aprobada por el consejo y la consideración de sistemas algorítmicos.[22]

La matriz debe identificar los requisitos de aprobación, notificación, documentación, explicación, transferencia de datos, conservación, auditoría y reclamaciones. Los cambios deben estar sometidos a control de versiones y vinculados a la configuración del sistema. Es posible que los asesores jurídicos locales y los reguladores necesiten confirmar la interpretación.

Una jurisdicción sin reglas prescriptivas AI sigue exigiendo cumplimiento en materia de crédito, datos, conducta, externalización y gobernanza. El prestamista debe trasladar la incertidumbre al precio y exigir pruebas en lugar de tratar el silencio normativo como permiso.

21. Convertir la evidencia del modelo en puertas de elegibilidad de capital

La elegibilidad de capital significa que la exposición del prestamista o del inversor recibe el tratamiento acordado en materia de disponibilidad, tasa de anticipo, reservas, precio o cartera porque se cuenta con la evidencia especificada. La puerta no debe basarse en una etiqueta de proveedor ni en una métrica técnica. Debe combinar controles legales, de datos, de modelo, de cartera y operativos.

La primera puerta confirma los derechos, el inventario, la gobernanza y la reproducibilidad. La segunda confirma la validación independiente, la mejora frente a la línea base y la calibración. La tercera confirma la implementación en producción, las explicaciones, las modificaciones manuales y la monitorización. La cuarta confirma las pérdidas realizadas de cohortes maduras y el comportamiento en pruebas de estrés. La quinta confirma el cumplimiento continuo, el acceso del proveedor, la contingencia y los informes de covenants.

Un modelo puede superar puertas seleccionadas y recibir un tratamiento limitado. Las cohortes no maduras pueden tener tasas de anticipo más bajas o reservas más altas. Un incumplimiento puede detener la nueva elegibilidad mientras las exposiciones existentes se amortizan bajo una administración controlada. La restauración debe exigir una subsanación verificada y una aprobación independiente.

El diagrama hipotético de puertas que figura a continuación muestra el acceso progresivo al capital. Los porcentajes son supuestos analíticos y no representan términos de mercado. El tratamiento real depende de la evidencia verificada, la estructura legal y el apetito de riesgo.

Las tasas de anticipo son supuestos analíticos hipotéticos y no representan condiciones de prestamistas ni cotizaciones de mercado.

22. Integrar el riesgo de modelo en la estructura de la facilidad y los covenants

Los documentos de la facilidad deben definir los préstamos elegibles, las versiones del modelo, los productos aprobados, los requisitos de datos, la concentración, la maduración, los atrasos, la reestructuración, el fraude y la documentación. La elegibilidad respaldada por modelos puede estar condicionada a la validación, la monitorización y el acceso. El prestatario no debe cambiar un modelo, un umbral o una política que sean materiales sin el preaviso y la aprobación acordados cuando corresponda.

Los informes pueden incluir la distribución de puntuaciones, las aprobaciones, las modificaciones manuales, la cobertura de datos, la deriva, la pérdida observada frente a la esperada, el comportamiento por cohorte de originación, los indicadores de equidad o conducta, los incidentes y los hallazgos de validación. Los disparadores deben tener acciones definidas: informes reforzados, reserva, reducción de la tasa de anticipo, pausa, remediación o contingencia. La materialidad y los periodos de subsanación requieren una redacción cuidadosa.

El control de efectivo sigue siendo esencial. Un modelo no puede sustituir la titularidad de las cuentas por cobrar, la exigibilidad, la gestión controlada de cobros, la conciliación de la base de préstamos, la liquidez y el capital. La facilidad debe conectar el riesgo de modelo con la arquitectura crediticia ordinaria.

El prestamista debería recibir derechos de auditoría y acceso suficientes para verificar la evidencia, protegiendo al mismo tiempo los datos del prestatario y la propiedad intelectual del proveedor. Expertos independientes pueden apoyar la revisión de asuntos sensibles conforme a los acuerdos de confidencialidad pactados.

Tabla 4. Covenant de riesgo de modelo y marco de reporte

Los términos son ilustrativos y requieren asesoramiento legal y regulatorio específico para la operación.

23. Aplicar el marco en la diligencia debida de la operación y del prestamista

Un inversor o prestamista debería solicitar el inventario de modelos, las políticas, el mapa de datos, los contratos, los archivos de desarrollo, la validación, los registros de producción, los registros de decisiones, la cinta de cartera, la conciliación de efectivo y contable, las reclamaciones, los incidentes, la correspondencia con el regulador y las actas del comité. Las presentaciones de la dirección deberían contrastarse con los registros de origen y con muestras reproducidas de forma independiente.

El registro de incidencias de la diligencia debida debería vincular cada hallazgo con el valor, la estructura de crédito, la condición de cierre, el covenant, el responsable de la remediación y el seguimiento. Un modelo que mejora la aprobación pero carece de derechos de datos duraderos puede reducir el valor. Un modelo con una mejora modesta y un gobierno sólido puede respaldar capital controlado. La conclusión debería indicar el mecanismo y la evidencia.

Las protecciones de la operación pueden incluir condiciones para la validación, el consentimiento sobre datos o proveedores, la remediación, el depósito en garantía, la indemnización y la retención. La valoración debería deducir la inversión requerida y utilizar la contribución y la pérdida verificadas. El valor futuro del modelo debería reconocerse mediante hitos y no mediante afirmaciones no respaldadas.

La revisión debería incluir la capacidad de la institución para operar si el modelo no está disponible. Un mecanismo de respaldo manual controlado o basado en un scorecard más simple protege a los prestatarios, la cobranza y el efectivo del prestamista durante una interrupción o una impugnación.

24. Ejecutar un plan de financiabilidad de 100 días

Los primeros 30 días deberían fijar el inventario, el linaje de decisiones, los derechos de datos, las versiones de los modelos, los hallazgos de validación, la conciliación de la cartera y los incidentes críticos. La institución debería congelar los cambios no autorizados y establecer el gobierno, la titularidad de las incidencias y la información al prestamista. Las cohortes de alto riesgo o no respaldadas pueden recibir límites temporales.

Los días 31 a 60 deberían reproducir el desempeño, recalibrar cuando esté justificado, probar explicaciones y excepciones, cerrar brechas de datos, validar la producción, establecer umbrales de deriva y ensayar el respaldo. Las acciones legales, de privacidad, de seguridad y con proveedores deberían avanzar en paralelo con dependencias controladas.

Los días 61 a 100 deberían probar los controles remediados, madurar las nuevas cohortes, implementar condiciones de liberación de capital y covenants, confirmar el derecho de recurso contra el prestatario y obtener aseguramiento independiente. La expansión debería seguir los resultados verificados y no el calendario.

Cada iniciativa necesita un responsable, evidencia, coste, un hito de decisión y el riesgo residual aceptado. El plan debe informar sobre los resultados de caja y de los prestatarios junto con la finalización técnica.

Tabla 5. Plan ilustrativo de financiabilidad del modelo a 100 días

El calendario debe ajustarse al riesgo, la maduración de la cartera, los requisitos regulatorios y la preparación operativa.

25. Un marco de decisión para el comité de inversiones

El comité de inversiones debería recibir una respuesta integrada a seis preguntas. ¿Tiene la institución el derecho de usar y seguir recibiendo cada insumo material? ¿Se pueden reproducir el modelo y la decisión? ¿El rendimiento supera una línea base transparente en pruebas fuera de tiempo y por segmento? ¿Está la probabilidad calibrada con la pérdida en efectivo realizada? ¿Se gobiernan las explicaciones, las sobrescrituras, la equidad, la deriva y los mecanismos de respaldo? ¿Convierte la facilidad crediticia esos controles en hitos de capital exigibles?

La recomendación debería distinguir entre evidencia verificada, asuntos pendientes y supuestos analíticos hipotéticos. Cada hallazgo material debería afectar el valor, el porcentaje de anticipo, la reserva, el covenant, la condición, el seguimiento o la decisión de detenerse. Una puntuación técnica del modelo nunca debería figurar por sí sola en una conclusión de inversión.

AI los modelos de crédito pueden ampliar la información y favorecer la inclusión cuando los registros formales son escasos. Su valor se vuelve duradero cuando los derechos sobre los datos, la validación, la política, las operaciones y los resultados de efectivo permanecen conectados a lo largo del ciclo de vida. La gobernanza financiable hace visible esa conexión para los prestatarios, la dirección, los reguladores y los proveedores de capital.

El expediente de evidencia más sólido es reproducible. Un revisor debería poder pasar de un resultado de una facilidad o valoración al rendimiento de la cohorte, los registros de decisiones, la versión del modelo, los insumos, el consentimiento, los contratos y el efectivo realizado. Esa cadena permite un escalado responsable y protege el capital cuando cambian las condiciones.

Referencias

1. Consejo de Estabilidad Financiera, Prácticas sólidas para la adopción responsable de la inteligencia artificial: Informe de consulta, 10 de junio de 2026, https://www.fsb.org/2026/06/fsb-consults-on-sound-practices-for-the-responsible-adoption-of-artificial-intelligence-ai/
2. Consejo de Estabilidad Financiera, Implicaciones de la inteligencia artificial para la estabilidad financiera, 14 de noviembre de 2024, https://www.fsb.org/2024/11/the-financial-stability-implications-of-artificial-intelligence/
3. Banco de Pagos Internacionales, La inteligencia artificial y la economía: implicaciones para los bancos centrales, Informe Económico Anual 2024, https://www.bis.org/publications/aer-2024/artificial-intelligence-economy-implications-central-banks
4. Banco de Pagos Internacionales, La inteligencia artificial y el préstamo relacional, Documento de trabajo n.º 1244, 19 de febrero de 2025, https://www.bis.org/publications/working-paper-1244-artificial-intelligence-and-relationship-lending
5. Centro de Innovación del BIS, Proyecto Noor, https://www.bis.org/project/noor
6. Banco de Pagos Internacionales, Regulación y supervisión del sector financiero en la era de la inteligencia artificial, 20 de mayo de 2026, https://www.bis.org/speeches/20260520-regulation-and-supervision-financial-sector-age-artificial-intelligence
7. Comité de Supervisión Bancaria de Basilea, Principios para la gestión del riesgo de crédito, 2025, https://www.bis.org/bcbs/publ/d595.pdf
8. Comité de Supervisión Bancaria de Basilea, Principios de gobierno corporativo para bancos, marco consolidado, https://www.bis.org/committees/bcbs/basel-consolidated-guidelines/module/cgo/10
9. Banco Central de UAE, Directrices para instituciones financieras que adoptan tecnologías habilitadoras: análisis de macrodatos e inteligencia artificial, https://rulebook.centralbank.ae/sites/default/files/en_net_file_store/CBUAE_EN_2413_VER1.pdf
10. Banco Central de UAE, Estándares de gestión de modelos: monitorización y validación, https://rulebook.centralbank.ae/en/rulebook/211-monitoring-and-validation
11. Banco Central de UAE, Normas de gestión de modelos, https://rulebook.centralbank.ae/en/rulebook/model-management-standards
12. Banco de la Reserva de la India, Directrices sobre préstamos digitales, 2 de septiembre de 2022, https://systemhealth.rbi.org.in/Scripts/NotificationUser.aspx_Id%3D12382%26Mode%3D0.html
13. Banco de la Reserva de la India, Manual sobre regulaciones en síntesis, 2025, https://website.rbi.org.in/documents/d/rbi/handbookg27022025d0f3f53f5d3c4310a6bb2f8ac2175d3a
14. Banco Central de Kenia, Reglamento de proveedores de crédito digital de 2022, https://www.centralbank.go.ke/wp-content/uploads/2022/03/L-.N.-No.-46-Central-Bank-of-Kenya-Digital-Credit-Providers-Regulations-2022.pdf
15. Banco Mundial, Recursos sobre acceso financiero responsable y protección del consumidor financiero, https://responsiblefinance.worldbank.org/en/responsible-finance
16. Corporación Financiera Internacional, Descifrar el código del crédito: datos alternativos y AI para la inclusión financiera, 2026, https://www.ifc.org/en/insights-reports/2026/cracking-the-credit-code-alternative-data-and-ai-for-financial-inclusion
17. Corporación Financiera Internacional, Banca para mipymes en la era digital, 2025, https://www.ifc.org/content/dam/ifc/doc/2025/msme-banking-in-the-digital-era.pdf
18. Alianza Global para la Inclusión Financiera del G20, Plan de acción para la financiación de las mipymes, 2025, https://www.ifc.org/content/dam/ifc/doc/2025/gpfi-action-plan-for-msme-financing.pdf
19. Instituto Nacional de Estándares y Tecnología, Marco de Gestión de Riesgos de Inteligencia Artificial 1.0, https://nvlpubs.nist.gov/nistpubs/ai/NIST.AI.100-1.pdf
20. Autoridad Bancaria Europea, Informe de seguimiento sobre el uso del aprendizaje automático para modelos basados en calificaciones internas, 4 de agosto de 2023, https://www.eba.europa.eu/publications-and-media/press-releases/eba-publishes-follow-report-use-machine-learning-internal
21. Banco de la Reserva de Sudáfrica y Autoridad de Conducta del Sector Financiero, Inteligencia artificial en el sector financiero sudafricano, 24 de noviembre de 2025, https://www.resbank.co.za/content/dam/sarb/publications/media-releases/2025/sarbfsca-ai-report/Artificial%20Intelligence%20in%20the%20South%20African%20Financial%20Sector%20Final.pdf
22. Banco Central de Nigeria, Directrices operativas para la banca abierta en Nigeria, https://www.cbn.gov.ng/Out/2023/CCD/Operational%20Guidelines%20for%20Open%20Banking%20in%20Nigeria.pdf