Pensemos en dos empresas que venden prácticamente lo mismo, tienen ingresos similares y solicitan al mismo banco un crédito por la misma cantidad. Una recibe financiamiento a determinada tasa. A la otra le cobran tres puntos porcentuales adicionales.
Sobre el papel, cuesta encontrar la razón. Sus estados financieros son comparables, ambas pagan puntualmente y ninguna presenta señales evidentes de deterioro. Pero el algoritmo encontró algo. La segunda empresa depende demasiado de tres clientes. Sus entradas de efectivo se han vuelto más irregulares y algunos pagos a proveedores comenzaron a desplazarse hacia el final del mes.
Ninguna señal, por separado, justificaría una alarma. Juntas dibujan otra historia; la probabilidad de incumplimiento es ligeramente mayor de lo que muestran sus estados financieros. El banco no sabe que esa empresa dejará de pagar. Sabe algo que el modelo considera que existe una mayor posibilidad de que ocurra. Y acaba de ponerle precio.
En ese punto comienza una transformación mucho más dramática de lo que parece.
Durante buena parte de la historia bancaria, prestar dinero ha consistido en (tratar de) resolver el problema de conocer suficientemente bien al acreditado, para estimar la probabilidad de que pague. Estados financieros, historial crediticio, garantías, endeudamiento y relación previa con el banco construían esa fotografía.
La inteligencia artificial está convirtiendo esa fotografía en un largometraje. Ya no observa únicamente cuánto gana una empresa o cuánto debe. Puede analizar la frecuencia con la que entra dinero, cuándo sale, cómo cambia su liquidez, cuánto depende de determinados clientes, qué ocurre con sus proveedores y qué patrones comienzan a modificarse antes de que el deterioro aparezca claramente en un balance.
Aquí encuentro algo inquietante; el algoritmo puede comenzar a detectar el riesgo antes de que nosotros sepamos que existe.
El Banco de Pagos Internacionales (BIS), ha estudiado cómo el aprendizaje automático y los datos alternativos pueden mejorar la evaluación crediticia e identificar acreditados, que los métodos tradicionales clasificarían incorrectamente. Para una pequeña empresa con poco historial o una persona con escasa experiencia crediticia formal, esto puede abrir una puerta que antes estaba cerrada.
Y sí, hay una parte todavía más incómoda. Cuanto más aprenda el sistema financiero sobre nosotros, más difícil será escondernos dentro de un promedio.
Dos empresas que ayer pertenecían a la misma categoría pueden dejar de pertenecer a ella mañana mismo. El algoritmo puede encontrar volatilidad donde nosotros vemos normalidad, concentración donde vemos buenos clientes o deterioro donde todavía creemos tener liquidez suficiente.
Entonces, nuestro riesgo cambia de precio.
Una tasa incorpora costo de fondeo, capital, gastos operativos, margen y la posibilidad de incumplimiento. Si la IA permite calcular mejor esa última variable, también permite diferenciar mejor cuánto debería pagar cada acreditado.
Claro que eso puede beneficiar a quien, durante años, pagó demasiado porque un modelo rudimentario no sabía distinguirlo. Pero existe una frontera que no deberíamos cruzar sin hacer preguntas.
Supongamos que el algoritmo determina que una empresa debe pagar 300 puntos base adicionales. El crédito es aprobado, la tasa aparece en pantalla y el dinero está disponible. Todo funciona, salvo por un detalle. Nadie puede explicar satisfactoriamente por qué cuesta 300 puntos base más.
Ése es uno de los problemas más delicados de los modelos complejos. Pueden encontrar relaciones extraordinariamente difíciles de detectar para una persona y mejorar la predicción. Pero precisión y explicación, no siempre avanzan a la misma velocidad, y en finanzas, eso importa mucho.
Una tasa determina si una familia puede comprar una casa, si una empresa puede financiar inventario, si una fábrica puede ampliar capacidad o si un proyecto produce un retorno superior a su costo de capital. El BIS trabaja ya en herramientas para que supervisores puedan interpretar modelos utilizados por instituciones financieras. No basta con saber que funcionan. También importa entender por qué toman determinadas decisiones.
Estamos avanzando hacia un -eficaz y peligroso- sistema financiero capaz de conocernos con una precisión que nunca había sido posible. Puede significar más crédito, mejores tasas y oportunidades para quienes los modelos tradicionales no sabían evaluar correctamente. También significa que será cada vez más difícil ser simplemente “un cliente promedio”.
Nuestros flujos, comportamiento y patrones de pago pueden construir una huella financiera en permanente actualización. Cada nueva señal puede modificar la manera en que una institución calcula nuestro riesgo.
No necesariamente pagaremos más; algunos pagarán menos. Ésa es precisamente la promesa de medir mejor. Pero la próxima vez que un banco nos ofrezca una tasa, quizá la duda importante ya no sea únicamente cuánto nos cobra, sino, ¿qué sabe el algoritmo sobre nosotros para haber decidido que ése es exactamente el precio de nuestro dinero?
Manuel Herrejón Suárez (síguelo en X como @ManuelHerrejonS) es un empresario mexicano con más de dos décadas de experiencia en el sector bursátil y mercado cambiario, especialista en gestión de proyectos en el sector financiero. Es Licenciado en Derecho por la Universidad del Valle de México y Maestro en dirección de empresas para ejecutivos por el IPADE.