AI para Sistemas de Seguimiento del Crédito y Alerta Temprana

Introducción

Las pérdidas crediticias rara vez comienzan cuando un pago se retrasa. El deterioro puede aparecer antes en los cobros, los saldos de efectivo, la holgura del covenant, el comportamiento de reporte, la concentración de clientes, las condiciones de proveedores, el movimiento de inventario, la rotación de la dirección, el estado del colateral o un acontecimiento externo. La dificultad práctica consiste en reunir esas observaciones a tiempo, distinguir la señal del ruido, asignar un revisor y conectar la revisión con una respuesta autorizada.

Este artículo aborda AI para Sistemas de Seguimiento del Crédito y Alerta Temprana para dos Matchpoint Partners audiencias objetivo. Fondos de crédito privado, préstamo directo y situaciones especiales son inversores internacionales en crédito y situaciones especiales que buscan rendimiento y complejidad en activos reales y empresas operativas de GCC. GCC propietarios de pymes y empresas familiares son propietarios, directores generales y operadores de nueva generación preocupados por el capital de trabajo, la financiación comercial, la sucesión, la refinanciación y la salida. supervisa el riesgo para el capital y los derechos contractuales. supervisa la liquidez, la resiliencia y la evidencia necesaria para una interacción constructiva con los prestamistas. Pueden utilizar señales relacionadas mientras mantienen incentivos, permisos y autoridad de decisión distintos.

La pregunta rectora es: ¿cómo puede la inteligencia artificial mejorar la oportunidad y la consistencia de la monitorización del crédito mientras preserva la evidencia, el juicio humano, la confidencialidad y la intervención sujeta a rendición de cuentas? La respuesta exige un sistema operativo, no solo una puntuación. El sistema debe definir resultados, preservar el momento del evento, validar derechos y calidad, combinar reglas transparentes con modelos estadísticos adecuados, calibrar probabilidades, priorizar alertas, mostrar motivos, registrar impugnaciones y anulaciones, encaminar acciones y aprender de los resultados observados.

Los principios vigentes del Comité de Basilea sitúan la administración, la medición y la monitorización del crédito junto con una concesión sólida de crédito y controles adecuados [1]. El Principio Básico 18 de Basilea aborda la identificación temprana y la gestión de exposiciones problemáticas [2]. Las directrices de la Autoridad Bancaria Europea sobre originación y monitorización de préstamos cubren la monitorización a lo largo del ciclo de vida del crédito [3]. La NIIF 9 exige una evaluación de si el riesgo de crédito ha aumentado significativamente desde el reconocimiento inicial y considera información prospectiva razonable y sustentable [4]. El Banco Central de UAE exige un marco documentado de riesgo de crédito que abarque la originación, la monitorización, la recuperación y las provisiones, incluida la identificación temprana de pérdidas y de factores que puedan llevar al deterioro o al incumplimiento [5]. Sus estándares vinculan el aumento significativo del riesgo de crédito con indicadores de alerta temprana y una supervisión continua [6]. Estas fuentes se aplican según la institución, la actividad y la jurisdicción; proporcionan referencias útiles de control para otros inversores en crédito.

La predicción del crédito tiene una larga historia empírica. Los ratios contables, los modelos de valor de mercado, los métodos de hazard y los modelos de incumplimiento multiperiodo ofrecen perspectivas distintas del deterioro financiero [9-18]. Los estudios de aprendizaje automático examinan el rendimiento de clasificación, los resultados desequilibrados, las relaciones no lineales y los datos alternativos [19-27]. La investigación sobre explicabilidad, calibración, deriva conceptual y deuda técnica proporciona herramientas para evaluar cómo se comportan dichos modelos después del desarrollo [28-34]. Las fuentes regulatorias y normativas actuales abordan la gobernanza de modelos basada en riesgos, la gestión de riesgos de AI, la privacidad, el consentimiento, el contexto de insolvencia y los controles de AI en los mercados de capitales [35-40].

El artículo define un sistema de alerta temprana de crédito con AI como un proceso gobernado que convierte evidencia autorizada y con marca temporal en indicadores de deterioro revisables, dirige esos indicadores a personas responsables y registra la decisión, la acción y el resultado consiguientes. La inteligencia artificial puede incluir aprendizaje estadístico, modelos de supervivencia, conjuntos de árboles, detección de anomalías, extracción de documentos y asistencia en lenguaje natural. La definición excluye la autoridad crediticia autónoma.

La contribución es un marco práctico. Proporciona:

• un perímetro de IA y de decisión;
• una taxonomía de eventos de crédito y resultados;
• una arquitectura controlada de fuentes y características;
• una taxonomía de señales que abarca evidencia contractual, de flujo de caja, financiera, operativa, de colateral y externa;
• un stack de modelos que parte de líneas base transparentes;
• un cuadro de evaluación que abarca calibración, tiempo de anticipación, carga de alertas, estabilidad y capacidad de actuación;
• manuales de intervención y registros de escalamiento;
• ejemplos ilustrativos hipotéticos para uso en cartera y con prestatarios;
• un puente de productividad y pérdidas condicionado por la evidencia; y
• una hoja de ruta de implementación de noventa días.

El análisis revisa 40 fuentes primarias, de autoridad reconocida y claramente etiquetadas disponibles hasta el 1 de agosto de 2026. Los hallazgos académicos se presentan dentro de los contextos de sus estudios. Los requisitos regulatorios dependen de la jurisdicción, la licencia y la actividad. No se proporcionaron Matchpoint observados y aprobados ni evidencia del cliente para ingresos, reducción de costes de caja o reducción de pérdidas. Por lo tanto, esos valores atribuidos siguen siendo USD 0.

La alerta temprana implica pasar de la señal a la intervención

Una puntuación es un objeto intermedio

Una probabilidad de incumplimiento puede ordenar las exposiciones. No establece qué ocurrió, si los datos estaban disponibles en ese momento, si un analista debería actuar, qué derecho contractual existe, cómo debería abordarse al prestatario ni si una intervención cambió un resultado. Un sistema de alerta temprana debe conectar la predicción con una decisión operativa.

La cadena debe permitir la abstención. La evidencia faltante, obsoleta, conflictiva o no autorizada puede generar una tarea de calidad de datos en lugar de una alerta de crédito. Un modelo puede generar incertidumbre que envíe una exposición a revisión manual. Un resultado de bajo riesgo nunca debe suprimir un incumplimiento contractual ni una revisión obligatoria.

Horizontes de alerta y decisiones

La alerta temprana es relativa a una decisión. Una señal que llega dos días antes de un pago incumplido puede ser temprana para la gestión de cobros y tardía para la negociación de covenants. Un ratio trimestral puede respaldar la dotación de provisiones y aportar poco tiempo de anticipación operativa. El horizonte debe definirse antes del desarrollo del modelo.

La NIIF 9 distingue entre pérdidas crediticias esperadas a 12 meses y a lo largo de la vida y exige comparar el riesgo de impago en la fecha de reporte con el riesgo en el reconocimiento inicial para determinar un aumento significativo del riesgo crediticio [4]. Las normas del CBUAE exigen evaluar y documentar periódicamente el aumento significativo del riesgo crediticio, utilizando la información razonable y sustentable disponible, incluida la información prospectiva [6]. Un fondo de crédito privado puede utilizar definiciones contables, regulatorias o contractuales diferentes. Debe documentar la correspondencia precisa entre los resultados de seguimiento, la valoración, las reservas, la situación en la lista de vigilancia y la autoridad del comité.

La autoridad humana permanece explícita

El sistema puede priorizar la revisión, calcular ratios, detectar informes faltantes, estimar el riesgo, recuperar el texto de los covenants o redactar una lista de preguntas. El analista responsable debe validar la evidencia y el contexto. El comité autorizado o su delegado debe decidir sobre exenciones, modificaciones, suspensiones de desembolsos, reservas, ejecución o estrategia de reestructuración. La dirección del prestatario conserva la autoridad sobre sus decisiones operativas. Las conclusiones legales, de insolvencia, contables y regulatorias requieren profesionales responsables.

El perímetro de decisión «And»

fondos de crédito privado

los equipos pueden mantener préstamos bilaterales o en club, facilidades respaldadas por activos, instrumentos mezzanine, estructuras preferentes y exposiciones de situaciones especiales. El seguimiento puede implicar informes contractuales, cálculos de la base de préstamo, datos de colateral, controles de efectivo, presupuestos, información del consejo, diálogo con el sponsor financiero y evolución del sector. La exposición puede ser ilíquida, la documentación puede ser a medida y los historiales de cartera pueden ser reducidos. Esas características aumentan la importancia de reglas trazables, la revisión experta y la comunicación de incertidumbre.

Las preguntas habituales incluyen:

• ¿Qué prestatarios muestran deterioro antes de un incumplimiento de pago?
• ¿Qué covenants tienen un margen disponible reducido debido a un denominador, una definición o un ajuste permitido?
• ¿Qué paquetes de datos llegan tarde, son inconsistentes o están incompletos?
• ¿Qué eventos externos requieren una solicitud de información específica?
• ¿Qué exposiciones combinan liquidez débil, incertidumbre sobre el colateral y dependencia del sponsor financiero?
• ¿Qué alertas se revisaron, se anularon o se dejaron caducar?
• ¿Qué intervención se produjo y qué resultado se derivó?

GCC Propietarios de pymes y empresas familiares

Los propietarios suelen vivir el riesgo de crédito como un problema de capital circulante y operativo. Los cobros pueden ralentizarse antes de que las cuentas mensuales reflejen el efecto. Un cliente importante puede retrasar la aceptación. El inventario puede aumentar porque la demanda se debilitó o porque la dirección está acumulando existencias deliberadamente. Los plazos de los proveedores pueden acortarse. Una transición familiar, un problema de dependencia de personas clave o una disputa de gobernanza pueden afectar la calidad de la información y la velocidad de decisión. El propietario necesita una visión operativa que permita actuar antes y mantener un diálogo creíble con los prestamistas.

Las preguntas habituales incluyen:

• ¿Se están ralentizando los cobros de clientes en relación con los patrones contractuales e históricos?
• ¿Encajarán las obligaciones comprometidas dentro de la liquidez actual y prevista?
• ¿Qué clientes, proveedores o proyectos generan riesgo de concentración?
• ¿Qué partida de reporting, covenant o seguro requiere actuación antes de una fecha límite?
• ¿Qué desviación refleja crecimiento planificado, estacionalidad o un deterioro real?
• ¿Qué evidencia debe prepararse para una conversación con un prestamista o inversor?
• ¿Qué acción operativa se tomó y qué cambió después?

Evidencia compartida, finalidades separadas

El mismo flujo de transacciones bancarias puede servir de base para la previsión de tesorería del propietario y para un proceso de seguimiento del prestamista. El consentimiento, los derechos contractuales, la confidencialidad y la limitación de la finalidad determinan si el prestamista puede recibirlo y cómo. El Reglamento de Finanzas Abiertas del CBUAE incluye productos de crédito y préstamo y exige consentimiento explícito, comunicación segura y tratamiento limitado a la finalidad dentro de su ámbito de aplicación [7]. Un flujo de datos contractual privado fuera de ese marco sigue requiriendo una base jurídica y contractual válida.

Controles de conflictos y comunicación

Un asesor que preste servicio tanto a un proveedor de capital como a un solicitante de capital debería establecer el perímetro del encargo, el proceso de conflictos, las barreras de información y los resultados permitidos antes de integrar datos. El sistema de alerta temprana nunca debería convertirse en un canal informal que amplíe el acceso de una de las partes. Cada ficha de alerta debería identificar el derecho de acceso de la fuente, el público permitido y la autoridad de comunicación.

Objeto	Pregunta clave	Evidencia mínima	Responsable designado
Evento de origen	¿Qué cambió y cuándo se pudo saber?	Valor original, hora del evento, hora de disponibilidad, linaje	Responsable de datos
Señal	¿Por qué podría ser relevante el cambio?	Versión de regla o modelo, umbral, comparador	Analítica de crédito
Alerta	¿Por qué esta exposición requiere revisión ahora?	Severidad, motivos, enlaces de evidencia, caducidad	Seguimiento de cartera
Revisión	¿Es la alerta creíble y material?	Juicio del analista, contexto del prestatario, cuestionamiento	Revisor designado
Decisión	¿Qué respuesta está autorizada?	Política, covenant, autoridad, justificación	Autoridad de crédito
Acción	¿Qué se hizo y quién lo hizo?	Tarea, responsable, fecha, registro de comunicaciones	Responsable de la acción
Resultado	¿Qué ocurrió después?	Subsanación, deterioro, incumplimiento, recuperación, sin cambios	Registrador independiente

Arquitectura de resultados, etiquetas y tiempo

Defina el evento antes de entrenar el modelo

El incumplimiento puede significar un evento de incumplimiento contractual, una definición regulatoria, una etapa contable, una transición de calificación, un evento de reestructuración o una etiqueta específica del estudio. Combinarlos sin distinción genera fuga de etiquetas y una gobernanza débil. Las normas de riesgo de crédito del CBUAE distinguen entre impago e improbabilidad de pago y exigen señales de alerta temprana documentadas [5]. La UAE Ley Financiera y de Bancarrota define procesos y derechos formales en su ámbito [8]. Una etiqueta de modelo no debe tratarse como una conclusión jurídica.

El diccionario de resultados debe incluir la definición, el propietario, la fecha de entrada en vigor, la evidencia, la jerarquía, el uso permitido y la relación con otras definiciones. Un cambio requiere versionado y análisis de impacto.

Tres relojes evitan fugas

Cada observación requiere al menos tres momentos:

1. Hora del evento: cuando se produjo el evento subyacente.
2. Hora de disponibilidad: cuando un sistema o una persona autorizados podrían haberlo conocido por primera vez.
3. Hora de acción: cuando actuó un revisor o un responsable de la decisión.

Un estado financiero de cierre de año puede describir condiciones de diciembre y estar disponible en abril. Entrenarlo como si se conociera en diciembre introduce sesgo de anticipación. Un certificado de covenant puede presentarse tarde. La tardanza es en sí misma una señal; los valores financieros posteriores no pueden imputarse retroactivamente al conjunto de decisiones anterior.

Unidad de observación y cohorte

La unidad de observación puede ser prestatario-día, facilidad-mes, prueba de covenant, factura, cuenta o revisión de cartera. Debe coincidir con la frecuencia de decisión y la fiabilidad de los datos. Las características a nivel de facilidad pueden combinarse con exposiciones a nivel de obligado y de grupo. Las estructuras de partes vinculadas, los garantes y los vínculos de colateral requieren entidades explícitas en lugar de coincidencia textual.

Las carteras pequeñas de crédito privado pueden no admitir modelos supervisados complejos. Una línea base transparente de reglas, un análisis de supervivencia fundamentado en evidencia externa, una segmentación experta y bandas de incertidumbre pueden ser más defendibles. El registro de desarrollo del modelo debe documentar los límites de la cohorte, las exclusiones, la falta de datos, la prevalencia del resultado y la exposición al incumplimiento.

Taxonomía de señales y contrato de datos

Seis familias de señales

Un sistema de alerta temprana debería combinar evidencia complementaria. Altman, Beaver y Ohlson demuestran el papel histórico de los ratios contables [9-11]. Merton utiliza la relación de teoría de opciones entre el valor de los activos y los pasivos [12]. Shumway, Chava y Jarrow, Duffie y coautores, Bharath y Shumway, y Campbell y coautores utilizan información de hazard, de mercado y de múltiples periodos [13-17]. Altman y Sabato abordan la modelización específica para pymes [18]. Estos estudios respaldan una cartera de métodos en lugar de una puntuación universal.

Señales contractuales

El seguimiento contractual debe comenzar con un registro estructurado de obligaciones. Cada obligación requiere la cláusula, la definición de cálculo, la frecuencia, la parte informante, la evidencia, el periodo de gracia, el estado de exención y el revisor responsable. La extracción en lenguaje natural puede ayudar a capturar cláusulas. Una persona debe aprobar la obligación estructurada antes de su uso en producción. El sistema debe conservar el pasaje exacto de origen.

La lógica de alertas debe separar una entrada faltante, un incumplimiento calculado, una cuestión de interpretación legal y una exención aprobada. Un retraso en la presentación de informes puede ser un fallo de proceso, una distracción operativa o una dificultad incipiente. El sistema debe registrar el hecho y canalizar la interpretación al analista responsable.

Señales de flujo de caja y de transacciones

Los datos de transacciones pueden aumentar la puntualidad. Khandani, Kim y Lo utilizan transacciones de consumidores y datos de burós de crédito en un estudio de crédito al consumo [22]. Berg y coautores muestran que las variables de huella digital pueden complementar las puntuaciones de buró en su entorno [23]. Jagtiani y Lemieux examinan datos alternativos y aprendizaje automático en la financiación fintech [24]. Sus poblaciones y decisiones difieren de GCC crédito privado y monitorización de pymes. Establecen la viabilidad en entornos de estudio específicos; no establecen la economía ni la transferibilidad.

Las señales de efectivo útiles pueden incluir la volatilidad de las entradas en periodos móviles, la concentración por pagador, los días entre factura y cobro, los eventos de pagos fallidos, los días de colchón de saldo, las salidas comprometidas y las desviaciones respecto a una línea base estacional validada. El consentimiento, la cobertura de cuentas, la conversión de divisas, los flujos intercompañía y el cash pooling deben documentarse.

Señales financieras y operativas

Los ratios financieros deben conservar el numerador, el denominador, el periodo, la fuente y la política de ajuste. La desviación de la previsión requiere una línea base aprobada; de lo contrario, las previsiones revisadas repetidamente pueden borrar el deterioro. Las señales operativas deben vincularse al modelo de negocio. El crecimiento del inventario puede indicar expansión, ventas lentas o preparación de la cadena de suministro. La disminución de la cartera de pedidos puede reflejar la finalización de un proyecto planificado. La tarjeta de alerta debe mostrar la serie de origen y el comparador en lugar de ofrecer una única etiqueta opaca.

Señales de colateral y externas

El seguimiento del colateral puede incluir antigüedad de la valoración, cobertura, seguro, ubicación, control, estado y conversión en efectivo. Una estimación del modelo no determina la exigibilidad ni el valor realizable. Las fuentes externas pueden incluir registros mercantiles, registros judiciales, sanciones, precios de materias primas, indicadores sectoriales y noticias verificadas. La resolución de entidades, la calidad de la fuente, la jurisdicción y las licencias deben documentarse.

Contrato mínimo de datos

Las normas de recopilación de datos del CBUAE exigen datos suficientemente granulares y frecuentes, eventos mensuales de incumplimiento y recuperación por segmento de obligados, roles documentados, revisión maker-checker, automatización cuando proceda y unidades, moneda y marcas temporales precisas [6]. El siguiente contrato adapta esos principios a una implementación.

Flujo de trabajo operativo antes y después

Antes: informes periódicos y conciliación manual

El punto de partida común es una lista de seguimiento en hoja de cálculo alimentada por informes mensuales o trimestrales. Los analistas rastrean documentos, recalculan ratios, revisan correos electrónicos, comparan previsiones y preparan material para el comité. El juicio experto puede ser sólido. La trazabilidad de la evidencia, la consistencia y el tiempo de anticipación pueden depender de la disciplina individual. Un mismo evento puede registrarse en varios lugares con estados diferentes.

Después: cola gobernada y ficha de evidencia

El flujo de trabajo objetivo automatiza la recopilación y validación acotadas, aplica reglas y modelos aprobados, clasifica las exposiciones para revisión humana y registra la decisión. Cada alerta abre una ficha de evidencia en lugar de una conclusión. Muestra el horizonte de resultado, los eventos de origen, los valores de las características, las comparaciones, la versión del modelo y del umbral, los motivos, la incertidumbre, las alertas previas, las obligaciones vigentes, el propietario, la caducidad y las acciones permitidas.

Presupuesto de capacidad de alertas

El volumen de alertas es una variable de control de riesgos. Un modelo puede aumentar la exhaustividad enviando muchas exposiciones a revisión. Si el equipo no puede investigarlas, las advertencias genuinas pueden quedar enterradas. El diseño debe especificar las horas de revisión disponibles, las alertas previstas, la combinación de severidades, los objetivos de nivel de servicio y el escalamiento cuando la cola supere la capacidad.

El sistema debe medir la aceptación de alertas, la supresión de duplicados, el tiempo hasta la primera revisión, el tiempo hasta la decisión, la antigüedad de los casos no resueltos y las alertas vencidas. Una tasa de aceptación baja puede reflejar umbrales débiles, una presentación deficiente de la evidencia, un objetivo inadecuado o el comportamiento de los revisores. Requiere investigación en lugar de ajuste automático.

Arquitectura controlada y stack de herramientas

Capas separables

La arquitectura debe mantener separables la fuente, el almacén de eventos, el cálculo de características, el modelo, la alerta, la revisión y los registros de decisión. La separación hace viables el linaje, la validación, la sustitución y la respuesta a incidentes. Una plataforma de proveedor puede proporcionar varias capas. La firma sigue siendo responsable de mapear qué hace el proveedor, qué evidencia recibe y cómo se gestionan los fallos.

Línea base antes de la complejidad

Una secuencia de desarrollo puede comenzar con obligaciones, reglas para datos faltantes, ratios simples y una línea base estadística transparente. La regresión logística, el análisis de supervivencia o un modelo de árbol restringido pueden establecer si la complejidad adicional aporta un beneficio material. Lessmann y sus coautores evalúan comparativamente múltiples algoritmos de clasificación y muestran la importancia de una comparación amplia [19]. Brown y Mues examinan datos desequilibrados de scoring crediticio [20]. Barboza y sus coautores comparan modelos de aprendizaje automático para la predicción de quiebras [21]. La elección debe guiarse por el resultado, la cohorte, el volumen de datos, la explicabilidad y el coste operativo.

Sadhwani y sus coautores demuestran la modelización no lineal de hipotecas multiperíodo en un estudio que utiliza más de 120 millones de registros de hipotecas de EE. UU. [25]. Fuster y sus coautores examinan los efectos distributivos del aprendizaje automático en los mercados de crédito [26]. Se trata de estudios sustanciales y de contextos diferentes. Una pequeña cartera GCC de crédito privado no puede invocar evidencia equivalente. Los datos externos o el aprendizaje por transferencia pueden ayudar al desarrollo; la calibración y la validación locales siguen siendo necesarias.

Stack de modelos

La asistencia en lenguaje natural queda subordinada

Un modelo de lenguaje puede extraer una tabla de covenants, resumir un expediente de prestatario o redactar una nota de revisión. La salida debe conservar citas y confianza a nivel de pasaje. Los cálculos numéricos deben ejecutarse en código determinista. La interpretación contractual, las conclusiones jurídicas y los juicios crediticios finales corresponden a profesionales autorizados. El sistema debe abstenerse cuando haya evidencia contradictoria o fuera del esquema aprobado.

Seguridad y resiliencia

Los registros de crédito pueden contener información de clientes, empleados, proveedores, precios, cuentas y aspectos legales. El privilegio mínimo, el cifrado, la separación entre inquilinos, la residencia de datos, la gestión de secretos, el registro, las copias de seguridad, la recuperación y la respuesta a incidentes deben formar parte del diseño. Los modelos de proveedores y los servicios gestionados requieren restricciones de uso de datos, condiciones de conservación, revisión de subencargados y planificación de salida. El Marco de Gestión de Riesgos AI del NIST proporciona funciones voluntarias de gobernanza, mapeo, medición y gestión [36]. El informe AI de IOSCO aborda casos de uso y riesgos en los mercados de capitales [37]. Estas fuentes informan la gobernanza según su aplicabilidad.

Evaluación: de la exactitud a la capacidad de acción

Métricas de predicción

El deterioro del crédito suele presentar desequilibrio. La exactitud puede mantenerse alta cuando un modelo no detecta la mayoría de los eventos raros. La evaluación debe reportar la discriminación y la calibración a lo largo del horizonte previsto. Las curvas de precisión-exhaustividad pueden ser más informativas cuando los eventos positivos son raros. La selección del umbral debe incorporar la capacidad de los revisores y las consecuencias de las alertas omitidas o innecesarias.

Niculescu-Mizil y Caruana comparan métodos de calibración para modelos supervisados [30]. Brier proporciona la puntuación cuadrática utilizada para pronósticos probabilísticos [31]. La evaluación debe incluir calibración global, pendiente, gráficos de fiabilidad, recuentos de resultados e intervalos de incertidumbre cuando sea factible.

Explicabilidad y estabilidad de las razones

Lundberg y Lee desarrollan un enfoque unificado para la atribución de características mediante SHAP [28]. Ribeiro, Singh y Guestrin desarrollan explicaciones locales interpretables [29]. Las explicaciones describen el comportamiento del modelo bajo supuestos declarados. No prueban causalidad, calidad de los datos ni equidad. Una alerta de crédito debe combinar las razones del modelo con la evidencia de la fuente, el historial comparativo y el contexto de la política.

La estabilidad de las razones es importante. Los cambios pequeños e irrelevantes en las entradas no deberían producir narrativas contradictorias. Las variables correlacionadas pueden redistribuir la atribución. Las explicaciones deben probarse en distintas versiones, segmentos y perturbaciones. Una narrativa generada nunca debe reemplazar la característica numérica y el registro de origen.

Deriva y monitorización continua

Gama y coautores revisan la adaptación a la deriva conceptual [32]. Sculley y coautores describen la deuda técnica oculta en los sistemas de aprendizaje automático, incluidas las dependencias de datos y los bucles de retroalimentación [33]. La monitorización de la deriva debe distinguir:

• deriva de datos, donde cambia la distribución de las entradas;
• deriva conceptual, donde cambia la relación entre las entradas y los resultados;
• deriva de políticas, donde cambian las definiciones, los umbrales o las acciones;
• deriva poblacional, donde cambia la combinación de sectores, geografías, productos o prestatarios;
• deriva del pipeline, donde cambia la recopilación o la transformación; y
• deriva por intervención, donde las acciones cambian los resultados observados.

El modelo puede afectar a sus propios datos. Una intervención temprana puede evitar el impago, haciendo que una alerta eficaz parezca falsa. El análisis de resultados debe conservar el historial de intervenciones y tratamientos. Las afirmaciones causales requieren un diseño que las respalde.

Equidad y rendimiento por segmento

Hardt, Price y Srebro formalizan la igualdad de oportunidades en el aprendizaje supervisado [34]. Fuster y coautores examinan los efectos distributivos del aprendizaje automático del mercado de crédito [26]. Un sistema debe definir atributos protegidos y sensibles de acuerdo con la legislación aplicable, evitar el uso no autorizado, evaluar los patrones de error y acceso en los segmentos pertinentes e investigar las variables proxy. Una métrica de equidad es una lente analítica. La política, la ley, el propósito de la cartera y la responsabilidad humana determinan la decisión adecuada.

Scorecard de liberación

Gobernanza de modelos, privacidad y controles regulatorios

Gobernanza de modelos basada en riesgos

La Reserva Federal, la FDIC y la OCC publicaron directrices revisadas sobre riesgo de modelos en abril de 2026. En ellas se hace hincapié en un enfoque basado en riesgos adaptado al perfil, tamaño y complejidad del modelo, y abordan el desarrollo, la implementación, la validación, la gobernanza y el uso de modelos [35]. Su aplicabilidad directa depende de la institución. Los principios ofrecen una referencia útil para un sistema de seguimiento de crédito privado, ya que un modelo defectuoso puede alterar las decisiones de cartera, las valoraciones, las reservas y el trato a los prestatarios.

El inventario de modelos debe incluir reglas, modelos estadísticos, puntuaciones de proveedores, extractores de documentos y hojas de cálculo relevantes. Cada registro debe identificar el propósito, el propietario, los usuarios, las entradas, las salidas, las limitaciones, el estado de validación, el historial de cambios, las dependencias y el plan de retirada. Los ajustes expertos significativos deben documentarse y probarse.

La validación debe abarcar la solidez conceptual, la calidad de los datos, la verificación de procesos, el análisis de resultados, la monitorización continua y la implementación. La opacidad del proveedor no elimina la responsabilidad de comprender el uso previsto, las limitaciones y el rendimiento. Un componente que no pueda aportar suficiente evidencia puede restringirse a asistencia de bajo riesgo o rechazarse.

AI gestión de riesgos

El Marco de Gestión de Riesgos AI del NIST organiza la actividad en torno a Gobernar, Mapear, Medir y Gestionar [36]. Un mapa de controles puede utilizar esas funciones de la siguiente manera:

• Gobernar: asignar la responsabilidad de crédito, datos, tecnología, privacidad y validación.
• Mapear: definir usuarios, prestatarios, decisiones, daños, contexto legal y dependencias.
• Medir: probar la exactitud, la calibración, la deriva, la seguridad, la privacidad, los segmentos y la carga operativa.
• Gestionar: aprobar el alcance, supervisar, responder ante incidentes, revertir y retirar.

El marco es voluntario y general. No sustituye a los requisitos aplicables de servicios financieros, protección de datos, contratos o insolvencia.

Privacidad, consentimiento y finalidad

El marco federal UAE de protección de datos establece controles para el tratamiento de datos personales [38]. DIFC y ADGM mantienen sus propios regímenes de protección de datos para sus jurisdicciones [39-40]. El régimen apropiado depende de las entidades, el establecimiento, el tratamiento y los flujos de datos. Se requiere asesoramiento legal para una implementación específica.

El registro de derechos debe recoger el interesado o la fuente corporativa, las funciones de responsable y encargado del tratamiento, la finalidad, la base jurídica o el derecho contractual, los destinatarios permitidos, la ubicación, la conservación, la eliminación, los subencargados y el proceso de incidentes. Los datos personales que sean convenientes pero innecesarios no deben entrar en el almacén de características. Los datos sensibles requieren un análisis jurídico y de políticas específico.

La Open Finance de CBUAE exige consentimiento explícito, comunicación segura y limitación de la finalidad dentro de su ámbito, y restringe el scraping de datos [7]. Un producto orientado al prestatario debe separar la compartición opcional de datos de la relación de financiación subyacente, documentar la retirada del consentimiento y mantener un proceso en modo degradado.

Límites de la insolvencia y la reestructuración

La Ley UAE de Finanzas y Bancarrota establece mecanismos formales de reestructuración financiera y bancarrota [8]. Una puntuación de alerta temprana no puede determinar la situación de insolvencia, las obligaciones de presentación, los derechos de los acreedores, la prelación, la ejecución ni las obligaciones de los administradores. Cuando una alerta sugiera dificultades financieras, el manual de actuación debe derivar el asunto a profesionales debidamente cualificados en materia legal, de reestructuración y de insolvencia.

Clases de incidentes

Manuales de intervención y escalado

Las alertas requieren acciones acotadas

Una alerta debe corresponder a acciones que la institución pueda adoptar de forma lícita y contractual. Las respuestas posibles incluyen validar datos, solicitar información, intensificar el seguimiento, revisar el colateral, probar el cumplimiento de un covenant, analizar una subsanación, considerar una dispensa o modificación, ajustar una reserva, limitar nuevas disposiciones, transferir la exposición a un equipo especializado o preparar un documento para el comité. Cada acción depende de la documentación y la autoridad.

las respuestas pueden incluir acelerar los cobros, conciliar facturas en disputa, revisar las compras, proteger a los proveedores críticos, reducir el uso discrecional de efectivo, preparar una previsión de tesorería a trece semanas, revisar el margen disponible del covenant, involucrar a los prestamistas de forma temprana, fortalecer la gobernanza o buscar asesoramiento en reestructuración. Una recomendación requiere un juicio profesional específico para cada prestatario.

Los umbrales de esta tabla son categorías, no constituyen política aprobada. La política efectiva debe definir disparadores cuantitativos y cualitativos, días festivos, periodos de gracia, supresión, excepciones y tiempo máximo sin resolución.

Registro mínimo de alerta

Un registro de alerta debe contener:

1. ID de alerta, prestatario, facilidad y cartera;
2. hora de generación y de caducidad;
3. horizonte de resultado y gravedad;
4. versiones de reglas y modelos;
5. eventos de origen con hora de disponibilidad;
6. valores de las variables, comparadores y datos faltantes;
7. códigos de motivo e incertidumbre;
8. referencia a la obligación o política pertinente;
9. estado actual y anterior de la alerta;
10. revisor asignado y nivel de servicio;
11. evaluación del revisor y cuestionamiento de la evidencia;
12. justificación de la anulación, supresión o escalado;
13. autoridad de decisión y acción aprobada; y
14. marcas de tiempo de la acción y el resultado.

Diálogo con el prestatario

El sistema debe facilitar una conversación centrada y justa. El prestamista puede solicitar contexto sobre un patrón fáctico en lugar de presentar una conclusión automática. La tarjeta de alerta debe distinguir la evidencia observada de la interpretación del modelo y del juicio humano. El registro de comunicaciones debe mostrar qué información se solicitó, qué aportó el prestatario y si la alerta cambió.

Anulaciones

Las anulaciones son información. Un revisor puede conocer la estacionalidad, una refinanciación completada, una factura en disputa, una acción corporativa o un ajuste permitido que el modelo desconoce. El sistema debe registrar el motivo y el resultado posterior. Unas tasas elevadas de anulación pueden revelar datos débiles, umbrales mal segmentados o una disciplina de revisión ineficaz. El análisis de anulaciones debe mantenerse separado de los incentivos de desempeño que podrían desalentar un cuestionamiento justificado.

Campo	Contenido requerido	Prueba de liberación
Identidad de la fuente	Sistema, propietario, clave de registro y enlace original	Trazable al original autorizado
Derechos	Finalidad, audiencia, base de consentimiento o contractual, caducidad	Acceso probado antes de la creación de características
Hora del evento	Hora de vigencia subyacente	Zona horaria y periodo correctos
Hora de disponibilidad	Primera disponibilidad autorizada	Sin fuga de información futura
Revisión	Versión, valor anterior, motivo y carácter definitivo	Revisiones conservadas
Unidad	Moneda, escala, medida y signo	Supera la prueba de consistencia
Entidad	Prestatario, línea de crédito, cuenta, garante o colateral	Resuelto y revisado
Calidad	Integridad, validez, actualidad y excepciones	Umbral y propietario definidos
Resultado	Etiqueta, definición, evidencia y fecha de confirmación	Independiente del flujo de predictores
Conservación	Periodo requerido y regla de eliminación	Política vinculada

ejemplos ilustrativos

Cada entrada de esta sección es un supuestos hipotéticos de modelización. Los escenarios demuestran el flujo de trabajo y la medición. No describen Matchpoint, un cliente, una cartera ni un caso de negocio aprobado.

Escenario A: supervisión de cartera

Ejemplo ilustrativo. Un gestor tiene 40 prestatarios activos y un equipo de seguimiento con dos analistas. Cada exposición genera datos financieros mensuales, informes de covenant e información operativa seleccionada. Un piloto integra el registro de obligaciones, el estado de los informes y un conjunto limitado de variables validadas de caja y ratios.

Supuestos de modelización hipotéticos. El equipo asigna 80 horas de revisor al mes a la revisión de alertas tempranas. El umbral del piloto está diseñado para generar no más de 24 alertas ámbar nuevas y seis alertas de alta gravedad al mes. Estas cifras no son recomendaciones. Crean una restricción de capacidad para las pruebas.

Cálculo ilustrativo. El presupuesto de alertas consumiría `24 x 1.5 + 6 x 4 = 60` horas de revisor, dejando 20 horas para gestión de colas, desafío e incidencias. El cálculo pone a prueba la capacidad. No establece ahorros de productividad ni de plantilla.

El piloto en paralelo compararía las decisiones actuales de la lista de seguimiento con los resultados del sistema corregidos en el tiempo. Registraría alertas aceptadas, falsas alarmas, eventos no detectados, plazo medio de anticipación, esfuerzo del revisor, anulaciones e intervenciones. Las decisiones de crédito continuarían con el proceso existente hasta que se apruebe la puerta de producción.

Escenario B: automonitorización del prestatario

Ejemplo ilustrativo. Un distribuidor de propiedad familiar supervisa saldos bancarios, cobros semanales, cuentas por cobrar vencidas, inventario, concentración de los principales clientes, condiciones de proveedores y obligaciones de la línea de crédito. El sistema calcula un colchón de liquidez móvil y valida los datos cada mañana.

Supuestos hipotéticos de modelización. La empresa define una señal de revisión por la dirección cuando el colchón de caja validado cae por debajo de 21 días de salidas comprometidas, el plazo de cobro supera su banda ajustada por estacionalidad y una previsión de covenant muestra un margen disponible reducido. El umbral es ilustrativo. Los documentos de finanzas, consejo de administración y prestamistas determinarían la política real.

La tarjeta de evidencia para el propietario mostraría los saldos subyacentes, los cobros previstos, las salidas comprometidas, la versión de la previsión y el cálculo del covenant. Una señal ámbar podría activar la resolución de disputas de facturas, una previsión de caja revisada y la preparación para el diálogo con prestamistas. No activaría una decisión de financiación autónoma.

Escenario C: triaje de operaciones de monitorización

Ejemplo ilustrativo. Un modelo de calidad de datos detecta un certificado de base de endeudamiento recibido con retraso y una discrepancia entre unidades monetarias en dos archivos. El sistema suprime la puntuación de crédito afectada, abre una incidencia de datos y deriva el asunto a operaciones. La incidencia se resuelve antes de que el analista evalúe el deterioro crediticio.

Este escenario ilustra un control central: los datos deficientes pueden ser la primera advertencia sin dejar de ser distintos de una conclusión sobre el riesgo del prestatario.

Límites de los escenarios

Los escenarios omiten la documentación legal, la fiscalidad, la contabilidad, la exigibilidad del colateral, el consentimiento del prestatario, la construcción de cartera, la valoración, la arquitectura de garantías y la regulación específica de la jurisdicción. No contienen una línea base aprobada ni un resultado observado. No pueden respaldar una afirmación pública sobre ahorros, ingresos, prevención de pérdidas o eficacia del modelo.

Atribución de productividad, ingresos y pérdidas

La productividad se mide en la tarea aceptada

El sistema puede mejorar la consistencia o el control sin liberar efectivo ni generar ingresos. El tiempo liberado crea capacidad. Los ingresos requieren trabajo aceptado, un cliente, un contrato, una factura, cobro y una atribución defendible. La reducción de pérdidas requiere un contrafactual creíble y evidencia de que la alerta permitió una intervención que cambió el resultado.

Puente de pérdida esperada

Una cartera puede calcular la pérdida esperada como medida analítica utilizando la probabilidad de incumplimiento, la pérdida dado el incumplimiento y la exposición al incumplimiento. Un cambio en una estimación del modelo no demuestra una reducción de pérdidas materializada. Una intervención de alerta temprana puede afectar la probabilidad de incumplimiento, la severidad de la pérdida o la exposición. El efecto debe medirse con definiciones aprobadas y un diseño de evaluación adecuado.

Fórmula ilustrativa. Para la exposición `i`, una expresión básica de pérdida esperada es `EL_i = PD_i x LGD_i x EAD_i`. Un análisis de intervención podría comparar la pérdida esperada aprobada antes y después de una acción, preservando la versión del modelo y los supuestos. La comparación sigue dependiendo del modelo. Se requieren la recuperación observada y un contrafactual aprobado para la reducción de pérdidas atribuida.

Evidencia externa limitada por la fuente

Khandani, Kim y Lo reportan ahorros estimados dentro de su estudio de crédito al consumo [22]. Ese resultado no se traslada al crédito privado, a las pymes GCC, a Matchpoint ni a un cliente. Lessmann y coautores, Brown y Mues, Barboza y coautores, Berg y coautores, Jagtiani y Lemieux, Sadhwani y coautores, y Fuster y coautores aportan evidencia sobre modelos y datos dentro de sus respectivas muestras [19-27]. Ninguno establece un caso de negocio.

registro de valor atribuido

Estos valores solo deben cambiar después de que el responsable de la evidencia apruebe la línea base, la observación, el método de atribución y el resultado.

Hoja de ruta de adopción de noventa días

La hoja de ruta es un piloto con fases de aprobación. Los plazos son una estructura de implementación, no una garantía de que una organización concreta pueda completar cada etapa dentro del período indicado.

Días 0-15: resultados y autoridad

• Seleccione un caso de uso de cartera o de seguimiento de prestatarios.
• Apruebe las definiciones de resultados y los horizontes de alerta.
• Identifique a los usuarios, los revisores y la autoridad de decisión.
• Registrar el perímetro legal, contractual, de privacidad y de conflictos.
• Definir el flujo de trabajo base, la capacidad y los criterios de éxito.
• Establecer un registro de reclamaciones con valor atribuido en USD 0.

Punto de control 1: el responsable de negocio, la autoridad de crédito y los responsables de control aprueban el uso previsto y los usos prohibidos.

Días 16-30: datos y obligaciones

• Crear el registro de obligaciones e informes.
• Inventariar los sistemas de origen, los propietarios, los derechos y la retención.
• Preservar la marca temporal del evento y la de disponibilidad.
• Definir entidades, líneas de financiación, monedas y unidades.
• Perfilar la ausencia de datos, las revisiones y la cobertura histórica.
• Reconstruir las etiquetas con independencia de las entradas del modelo.

Punto de control 2: las fuentes críticas son trazables, están autorizadas y son adecuadas para el resultado declarado.

Días 31-45: línea base

• Implementar reglas de calidad de datos y contractuales.
• Construir una línea base estadística transparente.
• Establecer particiones de cohorte, entrenamiento, validación y fuera de tiempo.
• Medir la discriminación, la calibración, el tiempo de anticipación y la carga de alertas.
• Crear el prototipo de ficha de evidencia.
• Documentar las limitaciones y la incertidumbre.

Hito 3: la complejidad se aplaza a menos que aporte una mejora material y explicable sobre la línea base.

Días 46-60: validación independiente

• Reproducir las variables y las puntuaciones.
• Cuestionar la fuga de información, la selección de cohortes y la ausencia de datos.
• Probar la calibración, los umbrales, los segmentos y los periodos de estrés.
• Probar las explicaciones, la estabilidad de las razones y la captura de anulaciones.
• Revisar los controles de privacidad, seguridad, residencia y proveedores.
• Simular fallos en las fuentes, los modelos y el enrutamiento de alertas.

Hito 4: Los hallazgos materiales se resuelven, se aceptan con controles o provocan la detención del piloto.

Días 61-75: operación en modo sombra

• Ejecutar el sistema sin modificar las decisiones de crédito existentes.
• Comparar las alertas con los resultados de los analistas y del comité.
• Medir el tamaño de la cola, el tiempo de revisión, la aceptación y el tiempo de ciclo.
• Registrar el contexto del prestatario, las excepciones y los eventos no detectados.
• Poner a prueba los manuales de actuación y los procesos de incidentes.
• Revisar si la ficha de evidencia respalda un diálogo proporcionado.

Puerta 5: se demuestran la capacidad operativa, la autoridad y la gestión de fallos en el alcance acordado.

Días 76-90: puerta de producción controlada

• Aprobar el modelo, las reglas, los umbrales y el calendario de monitorización.
• Definir el alcance en producción, los grupos de usuarios y la automatización prohibida.
• Establecer la reversión, el mecanismo de contingencia manual y el interruptor de parada.
• Formar a los revisores y a los responsables de la toma de decisiones.
• Activar el registro de resultados e intervenciones.
• Aprobar las afirmaciones públicas e internas únicamente sobre la base de evidencia observada.

Punto de control 6: las autoridades designadas aprueban el uso en producción controlado. El sistema sigue sujeto a monitorización, validación y respuesta a incidentes continuas.

Registro de afirmaciones y limitaciones

Afirmaciones permitidas y no respaldadas

Limitaciones empíricas

Los datos de crédito privado pueden ser escasos, heterogéneos y observados de forma selectiva. Los términos contractuales varían. Los incumplimientos son poco frecuentes y están influidos por intervenciones. Las recuperaciones maduran lentamente. La construcción de carteras cambia con el tiempo. Un modelo entrenado en una geografía, sector o producto puede funcionar mal en otros. Los estudios externos pueden respaldar métodos e hipótesis, mientras que la validación local determina la idoneidad para su uso.

Limitaciones operativas

La arquitectura depende de los derechos sobre los datos, la continuidad de las fuentes, el mapeo correcto de entidades, la capacidad de los revisores y la disciplina en la toma de decisiones. Una fuente de datos faltante, una unidad incorrecta o una obligación desactualizada pueden distorsionar los resultados. La fatiga de alertas puede debilitar la respuesta. Las anulaciones humanas pueden corregir el contexto e introducir inconsistencias. La gobernanza debe medir tanto el modelo como el proceso humano.

Limitaciones legales y regulatorias

Las obligaciones crediticias, de privacidad, de insolvencia, de consumo, de empleo, de sanciones, de externalización y AI dependen de la actividad y la jurisdicción. El artículo no determina la situación jurídica ni el perímetro regulatorio. Las fuentes de CBUAE, DIFC, ADGM, UAE federal, Basilea, EBA, Reserva Federal, NIST e IOSCO tienen distinta autoridad y aplicabilidad [1-8,35-40].

Limitaciones causales

La predicción identifica asociación. Una intervención puede modificar un resultado y los datos de entrenamiento posteriores. Atribuir la pérdida evitada exige un contrafactual creíble, un registro de tratamiento y una metodología aprobada. Una puntuación más alta no demuestra que deba emprenderse una acción concreta.

Rol de gobernanza	Responsabilidad	Independencia requerida
Responsable de negocio	Define la decisión, el alcance y la capacidad operativa	Responsable del uso
Responsable de datos	Aprueba los derechos, la calidad y el linaje	Separado del ajuste de modelos cuando sea viable
Desarrollador	Construye y documenta el componente	No puede aprobar su propia validación
Validador	Cuestiona el concepto, los datos, el rendimiento y la implementación	Independiente y competente
Autoridad de crédito	Aprueba umbrales y decisiones	Mantiene su criterio
Responsable de tecnología	Opera la seguridad, la resiliencia y el despliegue	Acceso segregado a producción
Auditoría o aseguramiento	Revisa el marco y la evidencia	Línea de reporte independiente

Conclusión

AI puede hacer que el seguimiento del crédito sea más oportuno y coherente cuando se integra en un sistema gobernado de señal a intervención. La capacidad duradera es la cadena trazable desde la evidencia autorizada hasta el momento del evento, las variables, las reglas, los modelos, las alertas, la revisión, la autoridad, la acción y el resultado.

los fondos de crédito privado pueden usar esa cadena para mejorar la vigilancia de la cartera, la gestión de covenants, la disciplina de las listas de seguimiento y el escalado a especialistas. GCC Los propietarios de pymes y empresas familiares pueden usar señales relacionadas para comprender antes la liquidez, los cobros, la concentración y las obligaciones. La lógica compartida de señales no fusiona los derechos sobre los datos ni la autoridad de decisión.

La secuencia de implementación debe comenzar con definiciones de resultados, obligaciones contractuales, derechos sobre los datos, registros cronológicamente correctos y líneas base transparentes. Los modelos complejos deben ganarse su lugar mediante evidencia comparativa. El control de liberación debe medir calibración, tiempo de anticipación, carga de alertas, estabilidad, segmentos, explicaciones, anulaciones y capacidad de acción. La autoridad humana en materia de crédito y la autoridad del prestatario permanecen explícitas.

El caso comercial debe seguir la misma disciplina de evidencia. El tiempo liberado es capacidad hasta que se utiliza. Los ingresos se atribuyen después del contrato, el cobro y la evidencia causal. La reducción de pérdidas se atribuye tras un contrafactual aprobado y un resultado observado. Para , los ingresos atribuidos Matchpoint o de clientes, la reducción del coste en efectivo, la reducción de pérdidas y el alfa siguen siendo USD 0.

Referencias

[1] Comité de Supervisión Bancaria de Basilea. (2025). Principios para la gestión del riesgo de crédito. Banco de Pagos Internacionales. https://www.bis.org/bcbs/publ/d595.htm

[2] Comité de Supervisión Bancaria de Basilea. (2024). Principios básicos para una supervisión bancaria eficaz, Principio 18: Activos problemáticos, provisiones y reservas. Banco de Pagos Internacionales. https://www.bis.org/basel_framework/chapter/BCP/40.htm

[3] Autoridad Bancaria Europea. (2020). Directrices sobre originación y seguimiento de préstamos. EBA/GL/2020/06. https://www.eba.europa.eu/activities/single-rulebook/regulatory-activities/credit-risk/guidelines-loan-origination-and-monitoring

[4] Fundación IFRS. (2024). IFRS 9 Instrumentos financieros. https://www.ifrs.org/issued-standards/list-of-standards/ifrs-9-financial-instruments/

[5] Banco Central de los UAE. (2024). Reglamento de Gestión del Riesgo de Crédito, artículo 3: Marco de Gestión del Riesgo de Crédito. C 3/2024. https://rulebook.centralbank.ae/en/rulebook/article-3-credit-risk-management-framework

[6] Banco Central de los UAE. (2024). Normas de Gestión del Riesgo de Crédito y Requisitos de Recopilación de Datos. https://rulebook.centralbank.ae/en/rulebook/credit-risk-management-standards y https://rulebook.centralbank.ae/en/rulebook/53-data-collection

[7] Banco Central de los UAE. (2025). Reglamento de Finanzas Abiertas. C 03/2025. https://rulebook.centralbank.ae/en/rulebook/open-finance-regulation

[8] Emiratos Árabes Unidos. (2023). Decreto-ley federal n.º 51 de 2023 por el que se promulga la Ley Financiera y de Insolvencia. https://uaelegislation.gov.ae/en/legislations/2190

[9] Altman, E. I. (1968). Ratios financieros, análisis discriminante y la predicción de la quiebra corporativa. Journal of Finance, 23(4), 589-609. https://doi.org/10.1111/j.1540-6261.1968.tb00843.x

[10] Beaver, W. H. (1966). Ratios financieros como predictores del fracaso empresarial. Journal of Accounting Research, 4, 71-111. https://doi.org/10.2307/2490171

[11] Ohlson, J. A. (1980). Ratios financieros y la predicción probabilística de la quiebra. Journal of Accounting Research, 18(1), 109-131. https://doi.org/10.2307/2490395

[12] Merton, R. C. (1974). Sobre la valoración de la deuda corporativa: la estructura de riesgo de los tipos de interés. Journal of Finance, 29(2), 449-470. https://doi.org/10.1111/j.1540-6261.1974.tb03058.x

[13] Shumway, T. (2001). Pronosticar la quiebra con mayor precisión: un modelo de riesgo simple. Journal of Business, 74(1), 101-124. https://doi.org/10.1086/209665

[14] Chava, S., & Jarrow, R. A. (2004). Predicción de quiebra con efectos sectoriales. Journal of Finance, 59(2), 537-569. https://doi.org/10.1111/j.1540-6261.2004.00682.x

[15] Duffie, D., Saita, L., & Wang, K. (2007). Predicción del incumplimiento corporativo multiperiodo con covariables estocásticas. Journal of Financial Economics, 83(3), 635-665. https://doi.org/10.1016/j.jfineco.2005.10.011

[16] Bharath, S. T., & Shumway, T. (2008). Pronóstico del incumplimiento con el modelo de distancia al incumplimiento de Merton. Review of Financial Studies, 21(3), 1339-1369. https://doi.org/10.1093/rfs/hhn044

[17] Campbell, J. Y., Hilscher, J., & Szilagyi, J. (2008). En busca del riesgo de dificultades financieras. Journal of Finance, 63(6), 2899-2939. https://doi.org/10.1111/j.1540-6261.2008.01416.x

[18] Altman, E. I., & Sabato, G. (2007). Modelización del riesgo de crédito para pymes: evidencia del mercado estadounidense. Abacus, 43(3), 332-357. https://doi.org/10.1111/j.1467-6281.2007.00234.x

[19] Lessmann, S., Baesens, B., Seow, H.-V., y Thomas, L. C. (2015). Evaluación comparativa de algoritmos de clasificación de última generación para la calificación crediticia: una actualización de la investigación. European Journal of Operational Research, 247(1), 124-136. https://doi.org/10.1016/j.ejor.2015.05.030

[20] Brown, I., y Mues, C. (2012). Comparación experimental de algoritmos de clasificación para conjuntos de datos desequilibrados de calificación crediticia. Expert Systems with Applications, 39(3), 3446-3453. https://doi.org/10.1016/j.eswa.2011.09.033

[21] Barboza, F., Kimura, H., y Altman, E. (2017). Modelos de aprendizaje automático y predicción de quiebra. Expert Systems with Applications, 83, 405-417. https://doi.org/10.1016/j.eswa.2017.04.006

[22] Khandani, A. E., Kim, A. J., y Lo, A. W. (2010). Modelos de riesgo de crédito al consumo mediante algoritmos de aprendizaje automático. Journal of Banking & Finance, 34(11), 2767-2787. https://doi.org/10.1016/j.jbankfin.2010.06.001

[23] Berg, T., Burg, V., Gombovic, A., y Puri, M. (2020). Sobre el auge de las fintech: calificación crediticia mediante huellas digitales. Review of Financial Studies, 33(7), 2845-2897. https://doi.org/10.1093/rfs/hhz099

[24] Jagtiani, J. y Lemieux, C. (2018). El papel de los datos alternativos y el aprendizaje automático en la concesión de préstamos fintech: evidencia de la plataforma de consumo de LendingClub. Documento de trabajo 18-15 del Banco de la Reserva Federal de Filadelfia. https://doi.org/10.21799/frbp.wp.2018.15

[25] Sadhwani, A., Giesecke, K. y Sirignano, J. (2021). Aprendizaje profundo para el riesgo hipotecario. Journal of Financial Econometrics, 19(2), 313-368. https://doi.org/10.1093/jjfinec/nbaa025

[26] Fuster, A., Goldsmith-Pinkham, P., Ramadorai, T. y Walther, A. (2022). ¿Predeciblemente desiguales? Los efectos del aprendizaje automático en los mercados de crédito. Journal of Finance, 77(1), 5-47. https://doi.org/10.1111/jofi.13090

[27] Berg, T., Fuster, A. y Puri, M. (2022). Préstamos fintech. Annual Review of Financial Economics, 14, 187-207. https://doi.org/10.1146/annurev-financial-101521-112042

[28] Lundberg, S. M. y Lee, S.-I. (2017). Un enfoque unificado para interpretar las predicciones de los modelos. Advances in Neural Information Processing Systems 30. https://proceedings.neurips.cc/paper/2017/hash/8a20a8621978632d76c43dfd28b67767-Abstract.html

[29] Ribeiro, M. T., Singh, S., & Guestrin, C. (2016). ¿Por qué debería confiar en usted? Explicación de las predicciones de cualquier clasificador. Actas de KDD 2016, 1135-1144. https://doi.org/10.1145/2939672.2939778

[30] Niculescu-Mizil, A., & Caruana, R. (2005). Predicción de buenas probabilidades mediante aprendizaje supervisado. Actas de ICML 2005, 625-632. https://doi.org/10.1145/1102351.1102430

[31] Brier, G. W. (1950). Verificación de pronósticos expresados en términos de probabilidad. Monthly Weather Review, 78(1), 1-3. https://doi.org/10.1175/1520-0493(1950)078%3C0001:VOFITE%3E2.0.CO;2

[32] Gama, J., Zliobaite, I., Bifet, A., Pechenizkiy, M., & Bouchachia, A. (2014). Una revisión sobre la adaptación a la deriva conceptual. ACM Computing Surveys, 46(4), artículo 44. https://doi.org/10.1145/2523813

[33] Sculley, D., Holt, G., Golovin, D., Davydov, E., Phillips, T., Ebner, D., Chaudhary, V., Young, M., Crespo, J.-F., & Dennison, D. (2015). Deuda técnica oculta en sistemas de aprendizaje automático. Advances in Neural Information Processing Systems 28. https://proceedings.neurips.cc/paper/2015/hash/86df7dcfd896fcaf2674f757a2463eba-Abstract.html

[34] Hardt, M., Price, E., y Srebro, N. (2016). Igualdad de oportunidades en el aprendizaje supervisado. Avances en Sistemas de Procesamiento de Información Neural 29. https://proceedings.neurips.cc/paper/2016/hash/9d2682367c3935defcb1f9e247a97c0d-Abstract.html

[35] Junta de Gobernadores del Sistema de la Reserva Federal, Corporación Federal de Seguro de Depósitos y Oficina del Contralor de la Moneda. (2026). Guía de supervisión sobre la gestión del riesgo de modelos. SR 26-2. https://www.federalreserve.gov/supervisionreg/srletters/SR2602.htm

[36] Instituto Nacional de Estándares y Tecnología. (2023). Marco de Gestión de Riesgos de Inteligencia Artificial (AI RMF 1.0). NIST AI 100-1. https://doi.org/10.6028/NIST.AI.100-1

[37] Organización Internacional de Comisiones de Valores. (2025). Inteligencia artificial en los mercados de capitales: casos de uso, riesgos y desafíos. https://www.iosco.org/library/pubdocs/pdf/IOSCOPD788.pdf

[38] Gobierno de UAE. (2021). Decreto-ley Federal n.º 45 de 2021 sobre la Protección de Datos Personales. https://u.ae/en/about-the-uae/digital-uae/data/data-protection-laws

[39] Centro Financiero Internacional de Dubái. (2020). Ley de Protección de Datos, Ley del DIFC n.º 5 de 2020. https://www.difc.com/business/laws-and-regulations/legal-database/difc-laws/data-protection-law-difc-law-no-5-2020

[40] Abu Dhabi Global Market. (2021). Reglamento de Protección de Datos de 2021 y directrices. https://www.adgm.com/operating-in-adgm/office-of-data-protection/resources

Apéndice A. Registro de supuestos y evidencias

Apéndice B. Conjunto mínimo de modelos y evaluación

1. Uso previsto, usuarios, usos prohibidos y autoridad de decisión.
2. Definición del resultado, horizonte, cohorte y proceso de confirmación.
3. Derechos de la fuente, momento del evento, momento de disponibilidad, linaje y calidad.
4. Definiciones de variables, cálculos, datos faltantes y revisiones.
5. Modelo de referencia, modelos candidatos y resultados comparativos.
6. Diseño de entrenamiento, validación, fuera de tiempo y periodos de estrés.
7. Discriminación, precisión, exhaustividad, calibración e incertidumbre.
8. Tiempo de anticipación, carga de alertas, capacidad de revisión y accionabilidad.
9. Pruebas de segmento, imparcialidad, explicación y estabilidad de motivos.
10. Verificación de la implementación y evidencia de seguridad y resiliencia.
11. Monitoreo continuo de deriva, resultados, anulaciones e incidentes.
12. Hallazgos, limitaciones y aprobación de la validación independiente.

Apéndice C. Lista de verificación de revisión de alertas tempranas.

• Confirmar la identidad del prestatario, la facilidad crediticia, el grupo y la fuente.
• Confirmar que la fuente estaba autorizada y disponible en el momento registrado.
• Inspeccionar las entradas faltantes, revisadas, en conflicto y obsoletas.
• Revisar las definiciones contractuales y el estado actual de las exenciones.
• Comparar el valor actual con el origen, el periodo anterior, el presupuesto y la línea base estacional.
• Inspeccionar los códigos de motivo, la incertidumbre y las características correlacionadas.
• Verificar las obligaciones relacionadas, el colateral, los garantes y la concentración.
• Registrar el contexto del prestatario y la evidencia de respaldo.
• Cuestionar la alerta y documentar cualquier anulación.
• Seleccionar únicamente acciones dentro de las atribuciones actuales.
• Dirigir las cuestiones legales, contables, de reestructuración o de insolvencia a especialistas.
• Registrar la decisión, el responsable de la acción, el plazo y la comunicación.
• Volver a revisar la alerta después de la ventana de resultados.

Apéndice D. Glosario

Registro de fuentes

El artículo completo recoge el alcance, el marco de evidencia y las limitaciones aplicadas a estas fuentes.

1. [1] Comité de Supervisión Bancaria de Basilea. (2025). *Principios para la gestión del riesgo de crédito*. Banco de Pagos Internacionales. Código abierto
2. [2] Comité de Supervisión Bancaria de Basilea. (2024). *Principios básicos para una supervisión bancaria eficaz, Principio 18: Activos problemáticos, provisiones y reservas*. Banco de Pagos Internacionales. Código abierto
3. [3] Autoridad Bancaria Europea. (2020). *Directrices sobre originación y seguimiento de préstamos*. EBA/GL/2020/06. Código abierto
4. [4] Fundación IFRS. (2024). *NIIF 9 Instrumentos financieros*. Código abierto
5. [5] Banco Central de UAE. (2024). *Reglamento de gestión del riesgo de crédito, artículo 3: Marco de gestión del riesgo de crédito*. C 3/2024. Código abierto
6. [6] Banco Central de UAE. (2024). *Normas de gestión del riesgo de crédito y requisitos de recopilación de datos*. y https://rulebook.centralbank.ae/en/rulebook/53-data-collection Código abierto
7. [7] Banco Central de UAE. (2025). *Reglamento de finanzas abiertas*. C 03/2025. Código abierto
8. [8] Emiratos Árabes Unidos. (2023). *Decreto-ley federal n.º 51 de 2023 por el que se promulga la Ley Financiera y de Quiebra*. Código abierto
9. [9] Altman, E. I. (1968). Ratios financieros, análisis discriminante y la predicción de quiebra corporativa. *Journal of Finance, 23*(4), 589-609. Código abierto
10. [10] Beaver, W. H. (1966). Ratios financieros como predictores de fracaso. *Journal of Accounting Research, 4*, 71-111. Código abierto
11. [11] Ohlson, J. A. (1980). Ratios financieros y la predicción probabilística de quiebra. *Journal of Accounting Research, 18*(1), 109-131. Código abierto
12. [12] Merton, R. C. (1974). Sobre la valoración de la deuda corporativa: la estructura de riesgo de los tipos de interés. *Journal of Finance, 29*(2), 449-470. Código abierto
13. [13] Shumway, T. (2001). Pronosticar la quiebra con mayor precisión: un modelo de riesgo simple. *Journal of Business, 74*(1), 101-124. Código abierto
14. [14] Chava, S., y Jarrow, R. A. (2004). Predicción de quiebra con efectos sectoriales. *Journal of Finance, 59*(2), 537-569. Código abierto
15. [15] Duffie, D., Saita, L., y Wang, K. (2007). Predicción de incumplimiento corporativo multiperiodo con covariables estocásticas. *Journal of Financial Economics, 83*(3), 635-665. Código abierto
16. [16] Bharath, S. T., y Shumway, T. (2008). Pronóstico del incumplimiento con el modelo de distancia al incumplimiento de Merton. *Review of Financial Studies, 21*(3), 1339-1369. Código abierto
17. [17] Campbell, J. Y., Hilscher, J., y Szilagyi, J. (2008). En busca del riesgo de dificultades financieras. *Journal of Finance, 63*(6), 2899-2939. Código abierto
18. [18] Altman, E. I., y Sabato, G. (2007). Modelización del riesgo de crédito para pymes: evidencia del mercado estadounidense. *Abacus, 43*(3), 332-357. Código abierto
19. [19] Lessmann, S., Baesens, B., Seow, H.-V., y Thomas, L. C. (2015). Evaluación comparativa de algoritmos de clasificación de vanguardia para la puntuación crediticia: una actualización de la investigación. *European Journal of Operational Research, 247*(1), 124-136. Código abierto
20. [20] Brown, I., y Mues, C. (2012). Una comparación experimental de algoritmos de clasificación para conjuntos de datos de puntuación crediticia desequilibrados. *Expert Systems with Applications, 39*(3), 3446-3453. Código abierto
21. [21] Barboza, F., Kimura, H., y Altman, E. (2017). Modelos de aprendizaje automático y predicción de quiebras. *Expert Systems with Applications, 83*, 405-417. Código abierto
22. [22] Khandani, A. E., Kim, A. J., y Lo, A. W. (2010). Modelos de riesgo de crédito al consumo mediante algoritmos de aprendizaje automático. *Journal of Banking & Finance, 34*(11), 2767-2787. Código abierto
23. [23] Berg, T., Burg, V., Gombovic, A., y Puri, M. (2020). Sobre el auge de las fintech: puntuación crediticia mediante huellas digitales. *Review of Financial Studies, 33*(7), 2845-2897. Código abierto
24. [24] Jagtiani, J., y Lemieux, C. (2018). *El papel de los datos alternativos y el aprendizaje automático en el préstamo fintech: evidencia de la plataforma de consumo de LendingClub*. Documento de trabajo 18-15 del Banco de la Reserva Federal de Filadelfia. Código abierto
25. [25] Sadhwani, A., Giesecke, K., y Sirignano, J. (2021). Aprendizaje profundo para el riesgo hipotecario. *Journal of Financial Econometrics, 19*(2), 313-368. Código abierto
26. [26] Fuster, A., Goldsmith-Pinkham, P., Ramadorai, T., y Walther, A. (2022). ¿Desiguales de forma predecible? Los efectos del aprendizaje automático en los mercados de crédito. *Journal of Finance, 77*(1), 5-47. Código abierto
27. [27] Berg, T., Fuster, A., y Puri, M. (2022). Préstamo fintech. *Annual Review of Financial Economics, 14*, 187-207. Código abierto
28. [28] Lundberg, S. M., y Lee, S.-I. (2017). Un enfoque unificado para interpretar las predicciones de modelos. *Advances in Neural Information Processing Systems 30*. Código abierto
29. [29] Ribeiro, M. T., Singh, S., y Guestrin, C. (2016). ¿Por qué debería confiar en usted? Explicación de las predicciones de cualquier clasificador. *Proceedings of KDD 2016*, 1135-1144. Código abierto
30. [30] Niculescu-Mizil, A., y Caruana, R. (2005). Predicción de buenas probabilidades con aprendizaje supervisado. *Proceedings of ICML 2005*, 625-632. Código abierto
31. [31] Brier, G. W. (1950). Verificación de pronósticos expresados en términos de probabilidad. *Monthly Weather Review, 78*(1), 1-3. Código abierto
32. [32] Gama, J., Zliobaite, I., Bifet, A., Pechenizkiy, M. y Bouchachia, A. (2014). Una revisión sobre la adaptación a la deriva conceptual. *ACM Computing Surveys, 46*(4), artículo 44. Código abierto
33. [33] Sculley, D., Holt, G., Golovin, D., Davydov, E., Phillips, T., Ebner, D., Chaudhary, V., Young, M., Crespo, J.-F. y Dennison, D. (2015). Deuda técnica oculta en sistemas de aprendizaje automático. *Advances in Neural Information Processing Systems 28*. Código abierto
34. [34] Hardt, M., Price, E. y Srebro, N. (2016). Igualdad de oportunidades en el aprendizaje supervisado. *Advances in Neural Information Processing Systems 29*. Código abierto
35. [35] Junta de Gobernadores del Sistema de la Reserva Federal, Corporación Federal de Seguro de Depósitos y Oficina del Contralor de la Moneda. (2026). *Guía de supervisión sobre la gestión del riesgo de modelos*. SR 26-2. Código abierto
36. [36] Instituto Nacional de Estándares y Tecnología. (2023). *Marco de Gestión de Riesgos de Inteligencia Artificial (AI RMF 1.0)*. NIST AI 100-1. Código abierto
37. [37] Organización Internacional de Comisiones de Valores. (2025). *La inteligencia artificial en los mercados de capitales: casos de uso, riesgos y desafíos*. Código abierto
38. [38] Gobierno de UAE. (2021). *Decreto-ley federal n.º 45 de 2021 sobre la protección de datos personales*. Código abierto
39. [39] Centro Financiero Internacional de Dubái. (2020). *Ley de Protección de Datos, Ley del DIFC n.º 5 de 2020*. Código abierto
40. [40] Mercado Global de Abu Dabi. (2021). *Reglamento de Protección de Datos de 2021 y Guía*. Código abierto

Afirmación	Estado de la evidencia	Formulación permitida
AI puede combinar múltiples señales de crédito con marca temporal	Respaldado por la arquitectura y la literatura	Describir la capacidad y los controles
Los métodos de aprendizaje automático pueden mejorar la predicción en algunos contextos estudiados	Respaldado en los estudios citados [19-27]	Preservar el contexto de población y métrica
Los datos alternativos pueden complementar los datos tradicionales en contextos estudiados	Respaldado en los estudios citados [22-24]	Preservar el consentimiento, la población y los límites
	Sin evidencia aprobada	No afirmar
	Sin evidencia aprobada	No afirmar
Matchpoint o un cliente ahorró efectivo o generó ingresos	Sin evidencia aprobada	No se declara Matchpoint ni ningún resultado financiero del cliente.
El sistema toma decisiones de crédito autónomas	Fuera del uso previsto	No afirmar
Un único modelo cumple todas las obligaciones legales y regulatorias GCC	No respaldado	Requieren análisis de actividad y jurisdicción