Ganancias:
- Capacidad de comprender en qué datos se basa la puntuación crediticia y que la inteligencia artificial no proporciona la puntuación, sino un resumen claro de la puntuación y acelera la verificación de documentos faltantes.
- Utilice inteligencia artificial para realizar una verificación de coherencia y un borrador de justificación de la decisión para el expediente de préstamo y poder tomar la decisión final de asignación como experto autorizado.
- Capacidad para comprender que los resultados del modelo deben documentarse de manera explicable, justificable y no discriminatoria y mantener líneas rojas.
Cuando llega una solicitud de préstamo, surge una simple pregunta de fondo: "¿Puede este cliente reembolsar este préstamo y qué riesgo corre para que el banco pague?". La respuesta a esta pregunta se distribuye en una serie de tareas que ocupan la mayor parte del día del especialista en crédito: leer la cuenta de resultados, calcular la relación deuda/ingresos, interpretar el historial crediticio (nota del KKB - Oficina de Registro de Crédito), evaluar la garantía, compararla con la política interna y, finalmente, redactar una decisión razonada. La inteligencia artificial ahorra mucho tiempo en la lectura, el resumen y la comprobación de la coherencia de partes de estas tareas. Pero tenga cuidado: la IA no genera la puntuación, sino que le ayuda a comprender qué significa la puntuación y dónde el archivo es inconsistente. La decisión de concesión del crédito, junto con su justificación, es firmada por el perito autorizado.
En esta unidad, veremos paso a paso en qué se basa la puntuación crediticia de datos, en qué punto se puede utilizar la inteligencia artificial de forma segura, cómo verificar su resultado y qué líneas rojas nunca se deben cruzar.
¿En qué se basa la calificación crediticia?
Una puntuación de crédito es una estimación que reduce la probabilidad de pago de un cliente a un valor numérico. Las entradas típicas son:
- Ingresos y empleo: Ingresos regulares mensuales, jornada laboral, continuidad de la fuente de ingresos.
- Endeudamiento actual: Préstamos existentes, deuda de tarjetas de crédito, relación deuda-ingresos (relación entre el pago mensual de la deuda y los ingresos).
- Historial de crédito: patrón de pago anterior, retrasos, registros de seguimiento legal (la puntuación KKB resume esto).
- Garantía: El activo (casa, vehículo, depósito) y su valor aportado contra el préstamo.
- Características de la demanda: Monto del préstamo, vencimiento, tipo de producto.
Consejo: la puntuación es una "estimación de probabilidad", no un "hecho". Dos clientes pueden tener la misma puntuación, pero sus historias pueden ser completamente diferentes. Tomar una decisión sin ver el razonamiento detrás de la partitura es juzgar el libro por su portada.
¿Dónde se encuentra la inteligencia artificial en este proceso?
Está claro dónde se puede utilizar la inteligencia artificial de forma segura y dónde no:
Búsqueda
Rol de la IA
¿Quién tiene la decisión/aprobación?
Resumir cantidades en un documento de ingresos
lectura, resumen
Confirmación de una fuente experta
Borrador de cálculo del ratio deuda/ingresos
borrador de cuenta
Experto recalcula
Comprobación de coherencia de archivos (encontrar contradicciones)
escanear
Experto confirma
Borrador de justificación de rechazo/aprobación
borrador de texto
Autor experto autorizado/aprobaciones
Explica el significado de la partitura.
Texto de descripción
Opiniones de expertos
Decisión de asignación de crédito
(solo borrador)
La autoridad/comité decide
Como puede verse, la inteligencia artificial produce borradores y comprobaciones en cada línea; no "decide" en ninguna línea. Mantener esta distinción es la esencia de esta unidad.
Paso a paso: preparar un expediente con soporte de inteligencia artificial
- Anonimizar. Eliminar nombre, ID TR, número de cuenta; Describir al cliente como “42 años, empleado público, segmento X”.
- Solicite un borrador. Haga que la IA presente resúmenes de archivos, comprobaciones de coherencia y borradores de justificaciones, no decisiones.
- Conéctelo a la fuente. Marque de qué documento proviene cada número en la impresión.
- Recalcular. Verifique usted mismo los números críticos, como la relación deuda-ingresos, la relación de garantía, etc.
- Filtro de políticas. Verifica el cumplimiento de tu política interna de crédito y política de no discriminación.
- Decisión y firma. Usted toma la decisión, escribe la justificación y deja el rastro de auditoría.
Cuatro plantillas copiables
1) Verificación de coherencia del archivo:
Su función: verificar la coherencia de los archivos de crédito. Toma de decisiones. Cliente (anónimo): 42 años, empleado público, ingreso neto mensual 55.000 TL, pago mensual actual del préstamo 12.000 TL, demanda 250.000 TL / 48 meses. Tarea: ¿Hay contradicciones matemáticas o lógicas, documentos faltantes o fechas inconsistentes en la información proporcionada? Enumere cada hallazgo con la etiqueta "[se requiere confirmación]" y especificando en qué información se basa. La decisión es mía.
2) Control del cálculo del ratio deuda/ingresos:
Calcule la relación deuda/ingresos paso a paso con los siguientes datos y muestre la fórmula. Simplemente haga el cálculo, no tome una decisión de elegibilidad. Ingreso neto mensual: 55,000 TLC Pago mensual de la deuda actual: 12,000 TLC Cuota mensual estimada del nuevo préstamo: 6,500 TLC Resultado deseado: tasa actual, tasa que incluye el nuevo préstamo, fórmula y pasos intermedios.
3) Borrador de justificación de rechazo/aprobación (explicable):
Su función: asistente que REDACTA los fundamentos de la decisión del préstamo. BASADO en los hallazgos verificados les doy como aporte, agregando nueva información. Hallazgos: [relación deuda/ingresos 34%, relación de garantía adecuada, 1 registro de morosidad] Tarea: Escriba un borrador de fundamento basado en estos hallazgos que sea explicable y no contenga lenguaje discriminatorio. No hay referencia a características protegidas (edad, género, origen, barrio). Agregaré la decisión final y la firma.
4) Explicación sencilla de la partitura:
Explique a un cliente qué significa una puntuación de crédito en 4 frases, utilizando un lenguaje no acusatorio y sin utilizar jerga técnica. No utilices datos personales, no hagas promesas definitivas. Revisaré este texto antes de reenviárselo al cliente.
Aviso débil / Aviso fuerte
Aviso débil:
¿Deberíamos darle crédito a este cliente? Decide en función de tu puntuación y escribe el motivo.
Esta solicitud deja la decisión al modelo, no vincula a la fuente y no evita que la justificación parezca discriminatoria.
Potente mensaje:
Su función: asistente de apoyo a las decisiones, no tomador de decisiones. Escriba un BORRADOR de fundamento basado en los hallazgos verificados que le proporcioné. Muestre entre paréntesis el hallazgo en el que se basa cada oración. No haga referencia a propiedades protegidas. Marque los puntos que no queden claros como "[se requiere confirmación]". Tomaré la decisión crediticia final y la responsabilidad.
La voluntad fuerte limita el rol, conecta cada reclamo con la fuente, previene la discriminación y mantiene la decisión en la persona.
tres mini casos
Caso 1: Ahorro de tiempo. Un experto realiza una comprobación de coherencia en una cartera de 30 archivos. La IA señala 5 discrepancias como “Los ingresos declarados en el número 8 son 60.000 pero la nómina arroja 42.000”. El experto lo confirma todo en la fuente; 3 de ellos son reales, 2 de ellos son lecturas falsas de la inteligencia artificial. Un trabajo manual de 3 horas se reduce a 40 minutos y no se utilizan advertencias sin verificación.
Caso 2: el recálculo detecta el error. La IA resume la relación deuda-ingresos en “28%”. El experto repite la fórmula: no se incluye la deuda existente, el tipo real es del 41%, lo que supera el umbral de la política interior. Sin verificación, podría ocurrir una confirmación falsa.
Caso 3: Negación de fundamento discriminatorio. La inteligencia artificial construye la frase "la zona donde vive el solicitante es riesgosa" en un borrador de rechazo. El experto lo niega; Esta declaración conlleva el riesgo de discriminación indirecta (variable representativa) según el distrito. La justificación se reescribe únicamente con criterios legítimos, como la relación deuda-ingresos y el historial de morosidad.
Más allá de la partitura: contexto y archivos "limítrofes"
La parte más difícil de las decisiones crediticias no es la aceptación abierta o el rechazo abierto, sino los expedientes "limítrofes". Si el puntaje está demasiado cerca del umbral de la política interna, la decisión no puede dejarse a merced de un solo número; El contexto entra en juego. Aquí es donde la IA puede tender una trampa: evalúa cada archivo de límites con la misma lógica mecánica y pasa por alto los matices. Es el experto quien añade el matiz.
Ejemplos de contexto en el que un perito consulta un expediente fronterizo:
- La historia del retraso: ¿Se debió un solo retraso a un problema de salud temporal o a una incapacidad persistente de pago? El mismo “registro de 1 retraso” puede contar dos historias diferentes.
- Naturaleza de los ingresos: Dos clientes pueden tener ingresos iguales, pero uno puede ser un asalariado regular y el otro un ingreso variable independiente; El perfil de riesgo es diferente.
- Relación con el banco: La ficha de un cliente que lleva mucho tiempo trabajando fluidamente se lee de forma diferente a la de un cliente nuevo.
La IA puede ayudarle a resumir estos contextos, pero corresponde al experto sopesar y decidir, especialmente en casos límite.
Consejo: en los casos en los que la puntuación esté cerca del umbral, céntrese en la pregunta "¿qué cuenta la historia de este cliente" en lugar de "¿qué dijo el modelo?" Los archivos de límites son donde brilla el juicio de los expertos, no la automatización.
Errores comunes
- Pensar en el marcador es la decisión. La puntuación es una predicción; No es la decisión en sí. Es un error juzgar basándose en la puntuación sin justificación ni contexto.
- No volver a calcular el número. Utilizar las tarifas y totales dados por la inteligencia artificial sin confirmarlos; Aquí es donde entran en juego las alucinaciones o las malas interpretaciones.
- Sin advertir la justificación discriminatoria. Aprobar justificaciones que incluyan características protegidas o variables sustitutas como barrio, edad, género; grave riesgo jurídico.
- Sin pasar por la pista de auditoría. No documentar en qué hallazgo verificado se basó la decisión; no puede defenderse en objeciones o auditorías posteriores.
- Compartir credenciales. Ingresar a la herramienta sin anonimizar el archivo.
Atención: Cuando se rechaza una decisión de crédito, el cliente tiene derecho a conocer el motivo y a oponerse. Por tanto, la justificación debe ser correcta, explicable y libre de discriminación. "El modelo lo calificó así" no es una justificación.
En resumen
La calificación crediticia es una estimación de la probabilidad basada en datos como ingresos, endeudamiento, historial crediticio y garantías. En este proceso, la IA produce lectura de documentos, verificación de coherencia, borrador de cuenta y borrador de justificación; Pero eso no cambia el puntaje ni la decisión para usted. Recalcular cada número, atribuir cada justificación a la fuente y pasarla por el filtro de la discriminación. La decisión de concesión de crédito va firmada por el perito autorizado, junto con la justificación explicativa. En una frase: La inteligencia artificial prepara el expediente; Una persona competente toma la decisión crediticia.
Tarea de aplicación
Defina un archivo de crédito de muestra (anónimo: edad, ocupación, ingresos, deuda actual, reclamo, vencimiento). Con las plantillas 1 y 2 anteriores, primero haga una verificación de coherencia y luego calcule la relación deuda/ingresos. Recalcular y comparar manualmente la tasa dada por la inteligencia artificial. Luego genere un borrador de justificación con la tercera plantilla y verifique si hay una propiedad protegida o una variable sustituta en él; Reescríbalo con criterios legítimos, si los hubiera.
lista de verificación
- [] Anonimicé el archivo; No compartí ninguna información de identificación.
- [] Le di a la inteligencia artificial una tarea de borrador/control, no una decisión.
- [] Volví a calcular la relación deuda/ingresos y las cifras críticas a mano.
- [] Atribuí el fundamento a hallazgos verificados y cité la fuente.
- [] Verifiqué que no hay ninguna propiedad protegida/variable proxy en el argumento.
- [ ] He registrado la decisión y su justificación; Asumí la responsabilidad final.