Un país donde el crédito no llega a todos
Hay una paradoja que cualquiera que trabaje en finanzas en México conoce de memoria: sobra gente dispuesta a pagar un crédito y falta manera de comprobarlo. Una parte muy grande de los adultos del país nunca ha tenido una tarjeta bancaria, un crédito de nómina ni una hipoteca, y por lo tanto no aparece con un historial que un modelo tradicional pueda leer. No son malos pagadores; son invisibles para el sistema. El tamaño y las características de esa población no bancarizada pueden consultarse en las estadísticas del INEGI �?- y en los reportes de inclusión financiera de las autoridades del sector.
Durante años, esa brecha se explicó como un problema de riesgo: "no les prestamos porque no sabemos si pagarán". Pero la verdad más incómoda es que muchas veces no se les presta porque no sabemos cómo evaluarlos, que es distinto. El modelo clásico exige un historial que esa persona nunca pudo construir, precisamente porque nadie le dio el primer crédito. Es un círculo cerrado, y romperlo con criterio �?"sin caer en el préstamo irresponsable�?" es exactamente el terreno donde la inteligencia artificial aporta valor real.
Conviene decirlo sin adornos desde el principio: la IA no reparte dinero por arte de magia ni convierte a un mal pagador en uno bueno. Lo que hace es leer mejor la información disponible, detectar el fraude con más finura y ejecutar el proceso de originación sin fricción innecesaria, para que la plataforma preste con más criterio y menos intuición a ciegas. Este artículo explica, sin cifras inventadas y con honestidad, dónde ayuda de verdad y dónde no.
Por qué el modelo tradicional de scoring se queda corto
El scoring clásico nació para un mundo donde casi todos tenían una cuenta bancaria y un historial de crédito acumulado durante años. En ese mundo, mirar el pasado formal de una persona era suficiente para estimar su comportamiento futuro. El problema es que ese mundo nunca describió del todo a México, donde la informalidad es alta y donde muchísima gente maneja su vida financiera fuera de los canales que el modelo sabe leer.
Cuando una plataforma de crédito opera en el segmento no bancarizado, un modelo que exige historial formal simplemente no puede emitir una evaluación: se queda mudo ante quien más necesita el crédito. La consecuencia es doble y perversa. Por un lado, se rechaza a personas solventes solo porque no tienen papeles que el sistema entienda. Por otro, cuando sí se presta a ciegas, se hace sin criterio, lo que dispara la morosidad y termina encareciendo el crédito para todos. Ninguno de los dos resultados es sano.
La inteligencia artificial cambia la pregunta. En lugar de "¿qué historial formal tiene esta persona?", plantea "¿qué señales de comportamiento sugieren su disposición y su capacidad de pago?". Es un cambio de enfoque profundo: se pasa de auditar un expediente a leer una conducta. Y esa conducta, cuando la persona lo consiente y los datos se manejan con responsabilidad, deja huellas que un modelo bien entrenado puede interpretar.
Las tres capas de un sistema de scoring con IA
Un sistema de crédito moderno basado en IA no es un solo modelo mágico que dice "sí" o "no". Es una arquitectura por capas, donde cada una resuelve una parte del problema y alimenta a la siguiente. Entender esas capas ayuda a cualquier fintech a saber qué está comprando y qué está delegando cuando adopta esta tecnología.
Capa 1 �?" Identidad y prevención de fraude
Antes de evaluar si alguien pagará, hay que estar razonablemente seguros de que es quien dice ser. Esta primera capa verifica la identidad del solicitante, contrasta el documento oficial contra una imagen en vivo, detecta documentos alterados y busca inconsistencias que delatan un intento de suplantación. No es un trámite decorativo: es la línea de defensa que evita que el resto del sistema tome buenas decisiones sobre una persona falsa.
Capa 2 �?" Evaluación de riesgo
Aquí vive el corazón del scoring: el modelo que estima la probabilidad de pago a partir de las señales disponibles. Las variables cambian según el producto �?"un crédito de nómina no se evalúa igual que un pago a plazos en un comercio ni que un financiamiento a una pequeña empresa�?", pero la lógica es la misma: reconocer patrones que, de forma orientativa, se asocian con el cumplimiento. La salida no es un veredicto moral, sino una estimación de riesgo que se traduce en una decisión y en las condiciones del crédito.
Capa 3 �?" Monitoreo y recalibración
Un modelo de crédito que se deja quieto se deteriora. La economía cambia, el fraude evoluciona, el perfil de quienes solicitan se transforma. Por eso la tercera capa vigila de forma continua el desempeño del modelo y alerta cuando algo se desvía de lo esperado �?"una señal de que conviene reentrenar con datos más recientes�?". Sin esta capa, cualquier sistema por bueno que sea envejece mal y empieza a tomar decisiones con supuestos que ya no describen la realidad.
Datos alternativos: qué mira la IA cuando no hay Buró
La pregunta natural es: si la persona no tiene historial de crédito, ¿de dónde saca el modelo la información para evaluarla? La respuesta es que la vida financiera de cualquiera deja rastros mucho antes de tener una tarjeta. El pago puntual de servicios, el uso ordenado de una billetera digital, la regularidad de ingresos que entran y salen de una cuenta, la antigüedad y consistencia de ciertos hábitos: todo eso, cuando la persona lo autoriza, son señales que un modelo puede interpretar para estimar disposición y capacidad de pago.
Es fundamental ser honesto sobre lo que esto es y lo que no es. Ninguna de estas señales es una bola de cristal, y por separado ninguna decide nada. Su valor está en el conjunto: el modelo no se fija en un dato aislado, sino en la coherencia de un patrón. Y ese patrón mejora conforme la plataforma acumula datos limpios de pagos reales de su propio portafolio. Aquí aplica una regla de oro de todo proyecto de datos: basura entra, basura sale. Si los registros están sucios, duplicados o mal capturados, ninguna IA los rescatará. Por eso el primer paso serio de un proyecto de scoring no es comprar un modelo, sino ordenar la fuente de datos.
Hay además una frontera ética que conviene respetar de forma explícita. No todo dato disponible debe usarse solo porque exista. El uso de información personal para decidir un crédito está sujeto a las reglas de protección de datos del país, un tema que desarrollamos a fondo en nuestra guía sobre la privacidad de datos y la ley mexicana aplicada a la IA. La regla que seguimos es sencilla: consentimiento claro, propósito legítimo y transparencia sobre qué se usa y para qué. Un modelo que se apoya en datos obtenidos de forma turbia no solo es un riesgo legal; es una traición a la confianza del cliente.
Prevención de fraude: de reglas fijas a patrones que evolucionan
Si el scoring es la cara visible de la IA en una fintech, la prevención de fraude es su frente más crítico y, muchas veces, el de mayor impacto en la salud del portafolio. El fraude en el crédito digital es un problema serio y creciente, como advierten de forma recurrente las autoridades del sector; su magnitud y sus modalidades se documentan en los reportes de la CNBV �?- y en los materiales de educación financiera de la CONDUSEF �?-.
El enfoque tradicional se basa en reglas fijas: "rechazar si se cumple tal condición". El problema es que ese enfoque es estático, y el fraude no lo es. Los defraudadores aprenden las reglas del sistema y las esquivan de forma sistemática; lo que hoy funciona, mañana lo evaden. Por eso la detección con IA no se apoya en reglas rígidas, sino en el aprendizaje de patrones anómalos: el modelo observa docenas de señales al mismo tiempo durante la solicitud y reconoce cuándo algo no encaja con el comportamiento normal, incluso si no viola ninguna regla explícita.
Una inconsistencia entre lo que una persona declara y las señales digitales de su dispositivo, un ritmo de captura que no parece humano, una coincidencia sospechosa con solicitudes previamente rechazadas: ninguna de estas señales, por sí sola, basta para rechazar a alguien. Pero en conjunto pueden justificar que el caso se escale a una verificación adicional antes de liberar los fondos. La clave del sistema es la retroalimentación: cada fraude confirmado se reincorpora como aprendizaje, de modo que el modelo se afina con el tiempo en lugar de quedarse anclado en el fraude de hace cinco años.
"En el crédito digital, el fraude no rompe reglas: encuentra los huecos entre ellas. Por eso un buen sistema no memoriza prohibiciones, aprende a reconocer lo que no encaja �?"y sigue aprendiendo después de cada intento."
Originación: menos fricción, más solicitudes que llegan al final
La decisión de crédito es solo una parte del proceso. La originación �?"el recorrido completo desde que alguien abre la aplicación hasta que recibe el dinero�?" es donde muchas fintech ganan o pierden clientes. Un formulario largo y repetitivo hace que la gente abandone a la mitad, y cada abandono es una solicitud buena que se cae por cansancio, no por riesgo. Reducir esa fricción sin perder la información que el modelo necesita es un arte, y la IA ayuda en varios frentes.
El primero es la personalización del formulario: en lugar de pedirle lo mismo a todos, el sistema solicita solo los campos que aportan información dado lo que ya sabe del perfil. Alguien recurrente responde poco; alguien nuevo, un poco más. El segundo es la lectura automática de documentos: en vez de teclear a mano los datos de una identificación, el sistema los extrae de una foto, lo que reduce errores y abandono. El tercero es la comunicación durante la espera: mensajes claros y a tiempo que explican qué está pasando reducen la ansiedad y evitan que la persona se vaya por impaciencia. Son detalles menores por separado, pero juntos mueven la aguja. Esta lógica de atención conversacional bien hecha la desarrollamos en nuestra explicación sobre qué es un agente de IA y cómo trabaja, que es la base de cualquier flujo de originación moderno.
Hay un cuarto frente, menos visible pero igual de valioso: el trabajo del analista humano en los casos que el modelo escala. En lugar de revisar todo desde cero, el analista recibe un resumen estructurado del caso, con las señales que dispararon la revisión y los factores a favor y en contra. Así toma una decisión informada en minutos y no en media hora. La IA no reemplaza su juicio; se lo pone más fácil y más rápido.
Regulación y trato justo al cliente
Ninguna conversación seria sobre crédito en México puede ignorar el marco regulatorio, y aquí la IA no cambia las reglas del juego: las hace más exigentes en su cumplimiento. El sistema financiero opera bajo la supervisión de la Comisión Nacional Bancaria y de Valores �?-, la protección al usuario de servicios financieros la vigila la CONDUSEF �?-, y la política monetaria y buena parte de la infraestructura de pagos dependen del Banco de México �?-. Una plataforma de crédito que automatiza decisiones tiene la obligación de que esas decisiones sean explicables, justas y no discriminatorias.
Esto tiene una implicación técnica concreta: un modelo de crédito no puede ser una caja negra impenetrable. Debe poder explicar, en términos razonables, por qué se rechazó o se aprobó una solicitud, tanto para responder ante el cliente como para responder ante el regulador. La transparencia no es un adorno; es un requisito. Y el trato justo va más allá de la ley: cobrar tasas claras, no esconder condiciones y comunicar con honestidad son decisiones del negocio que ningún algoritmo toma por él.
Lo que la IA no debe decidir sola
Tan importante como saber qué automatizar es tener claro qué mantener bajo criterio humano. Prestar dinero es una decisión con consecuencias reales sobre la vida de las personas, y delegarla por completo a un sistema, sin supervisión ni posibilidad de revisión, sería una renuncia, no un avance. La IA es excelente para procesar volumen, reconocer patrones y señalar lo que no encaja; pero la política de riesgo, los umbrales de tolerancia, el trato ante un cliente en dificultad y la decisión de dar una segunda oportunidad razonable siguen siendo territorio humano.
Hay además una frontera de confianza que conviene respetar. El cliente debe entender que interactúa con un sistema automatizado, debe poder llegar a una persona cuando lo necesita, y debe tener un canal claro para inconformarse con una decisión que considere injusta. Un sistema que atrapa al usuario en un laberinto sin salida hace más daño a la marca que la lentitud que pretendía resolver. La regla que seguimos es sencilla: la IA atiende lo repetitivo con transparencia y escala a una persona en cuanto la situación requiere criterio, empatía o excepción.
El costo, con honestidad
Cualquier conversación seria sobre IA en una fintech llega, tarde o temprano, al costo, y aquí conviene resistir la tentación de dar un número mágico, porque no existe. La inversión depende de variables muy concretas: el volumen de solicitudes, los productos que se ofrecen, las integraciones necesarias con los sistemas existentes, el nivel de sofisticación del modelo de fraude y la escala de la operación. Presentado de forma orientativa, suele ubicarse en un rango que crece con la complejidad, no con las horas trabajadas.
La comparación honesta no es "IA en lugar de analistas", sino "el mismo equipo evaluando más y equivocándose menos". El retorno no viene de despedir a nadie, sino de dos fuentes más sanas: solicitudes buenas que antes se rechazaban por falta de información y ahora se aprueban con criterio, y pérdidas por fraude y morosidad que se contienen. Antes de fijar cualquier presupuesto, conviene ponerle números a ese retorno con método, un ejercicio que detallamos en nuestra guía sobre cómo medir el ROI de la inteligencia artificial. Sin ese ejercicio, cualquier precio parece caro o barato sin sustento.
Cómo empezar sin tropezar
La forma más segura de fracasar con IA en una fintech es querer automatizarlo todo el primer día. La forma más segura de tener éxito es empezar por el frente más doloroso y una cosa a la vez. Para muchas plataformas, ese primer paso es la prevención de fraude o la lectura automática de documentos en la originación, porque el retorno se siente pronto y el equipo nota de inmediato el alivio. Una vez que ese cimiento funciona y genera datos limpios, tiene sentido avanzar hacia el scoring propio y, después, hacia la personalización fina del recorrido.
Este orden no es capricho: cada etapa deja al negocio en mejores condiciones para la siguiente. Una originación ordenada produce el histórico limpio que un modelo de riesgo necesita; un modelo de fraude sólido protege el portafolio mientras el scoring madura. Saltarse pasos �?"perseguir lo vistoso antes de lo que pesa�?" es uno de los errores más comunes y más caros; lo abordamos, junto con otros, en nuestro artículo sobre los errores más frecuentes al implementar IA en una empresa. Para una plataforma pequeña, además, tiene sentido apoyarse al inicio en modelos generales del sector e ir transfiriendo aprendizaje hacia un modelo propio conforme el portafolio crece.
Qué medir para saber si funciona
Sin indicadores, un proyecto de IA es solo una intuición cara. Estos son los que revelan, en dirección más que en promesa de cifras, si la automatización está funcionando en una plataforma de crédito:
- Solicitudes que llegan al final: qué proporción de personas que empiezan el proceso lo completan, como señal de que la fricción bajó sin comprometer la información necesaria.
- Comportamiento del portafolio: si la morosidad se mantiene o mejora en los segmentos evaluados con el nuevo modelo, comparada con el patrón anterior del negocio.
- Fraude contenido: si la detección de intentos sospechosos mejora de forma sostenida conforme el modelo se reentrena con casos confirmados.
- Tiempo del analista y su reasignación: las horas que la automatización devolvió deben verse ocupadas en los casos que de verdad requieren juicio, no simplemente evaporadas.
- Justicia y quejas: decisiones explicables y un canal de inconformidad que funcione, como señal de que la automatización no atropella al cliente.
Errores comunes al llevar IA a una fintech
- Comprar un modelo antes de ordenar los datos: sin registros limpios de pagos y solicitudes, ninguna predicción es confiable.
- Confundir "más datos" con "mejores datos": usar información solo porque existe, sin consentimiento ni propósito claro, es un riesgo legal y ético evitable.
- Tratar el modelo como caja negra: una decisión de crédito que no se puede explicar no resiste ni al cliente ni al regulador.
- Automatizar la aprobación sin supervisión: la política de riesgo y los casos delicados necesitan criterio humano, no delegación total.
- Esperar magia inmediata: el modelo mejora con datos y ajuste; los primeros meses son de calibración, no de milagro.
Cómo lo abordamos en Victor IA
Nuestro método parte de un principio: primero se entiende la operación de crédito, después se automatiza. Antes de configurar cualquier modelo, mapeamos junto al negocio dónde está la fuga más dolorosa �?"fraude, abandono en la originación, decisiones a ciegas�?" y en qué estado están los datos, para atacar lo que de verdad pesa y no lo que se ve bien en una demostración. Empezamos por un frente, lo dejamos corriendo en paralelo con el proceso actual para comparar resultados, y solo entonces avanzamos hacia las demás capas. El equipo humano nunca queda fuera: participa en definir la política de riesgo, valida las decisiones sensibles y conserva el criterio sobre lo que importa. Ese acompañamiento �?"técnico y humano a la vez�?" es lo que convierte la desconfianza inicial en una herramienta que el propio equipo termina pidiendo. Si tu plataforma opera cerca de la banca digital tradicional, vale la pena leer también cómo se aplica la IA en bancos y servicios financieros digitales en México, y desde ahí construimos lo demás.