Ganhos:
- Capacidade de entender em que se baseia a pontuação de crédito de dados e que a inteligência artificial não fornece a pontuação, mas sim um resumo claro da pontuação e acelera a verificação de documentos faltantes
- Usar inteligência artificial para produzir uma verificação de consistência e uma justificativa de decisão para o arquivo de empréstimo e ser capaz de tomar a decisão final de alocação como um especialista autorizado
- Capacidade de compreender que o resultado do modelo deve ser documentado de forma explicável, justificável e não discriminatória e manter linhas vermelhas
Quando chega um pedido de empréstimo, há uma pergunta simples em segundo plano: "Esse cliente pode pagar esse empréstimo e qual o risco que ele coloca para o banco pagar?" A resposta a esta questão está dispersa numa série de tarefas que ocupam a maior parte do dia do especialista em crédito: ler a demonstração de resultados, calcular o rácio dívida/rendimento, interpretar o histórico de crédito (KKB - nota do Credit Registry), avaliar as garantias, compará-las com a política interna e, por fim, redigir uma decisão fundamentada. A inteligência artificial economiza muito tempo na leitura, resumo e verificação de consistência de partes dessas tarefas. Mas atenção: a IA não gera a pontuação, ela ajuda a entender o que significa a pontuação e onde o arquivo está inconsistente. A decisão de atribuição de créditos, juntamente com a sua justificação, é assinada pelo perito habilitado.
Nesta unidade, veremos passo a passo em que se baseia a pontuação de crédito de dados, em que ponto você pode usar inteligência artificial com segurança, como verificar sua saída e quais linhas vermelhas você nunca deve cruzar.
Em que se baseia a pontuação de crédito?
Uma pontuação de crédito é uma estimativa que reduz a probabilidade de reembolso de um cliente a um valor numérico. As entradas típicas são:
- Renda e emprego: Renda regular mensal, jornada de trabalho, continuidade da fonte de renda.
- Endividamento atual: Empréstimos existentes, dívida de cartão de crédito, rácio dívida/rendimento (rácio entre o pagamento mensal da dívida e o rendimento).
- Histórico de crédito: padrão de pagamento anterior, atrasos, registros de acompanhamento legal (a pontuação KKB resume isso).
- Garantia: O bem (casa, veículo, depósito) e seu valor fornecido contra o empréstimo.
- Características da demanda: valor do empréstimo, prazo de vencimento, tipo de produto.
Dica: A pontuação é uma “estimativa de probabilidade”, não um “fato”. Dois clientes podem ter a mesma pontuação, mas suas histórias podem ser completamente diferentes. Tomar uma decisão sem ver o raciocínio por trás da partitura é julgar o livro pela capa.
Qual a posição da inteligência artificial nesse processo?
Está claro onde a inteligência artificial pode ser usada com segurança e onde não pode:
Missão
Função da IA
Quem tem a decisão/aprovação?
Resuma valores em um documento de renda
Leitura, resumo
Confirmação de fonte especializada
Rascunho de cálculo do rácio dívida/rendimento
rascunho de conta
Especialista recalcula
Verificação de consistência de arquivo (encontrando contradições)
digitalizar
Especialista confirma
Rascunho da justificativa de rejeição/aprovação
rascunho de texto
Autor especialista autorizado/aprovações
Explique o significado da pontuação
Texto de descrição
Avaliações de especialistas
Decisão de alocação de crédito
(somente rascunho)
A autoridade/comitê decide
Como pode ser visto, a inteligência artificial produz rascunhos e verificações em cada linha; não "decide" em nenhuma linha. Manter esta distinção é a essência desta unidade.
Passo a passo: preparando um arquivo com suporte de inteligência artificial
- Anonimizar. Remover nome, TR ID, número da conta; Descrever o cliente como “42 anos, funcionário público, segmento X”.
- Solicite um rascunho. Faça com que a IA arquive resumos, verificações de consistência e rascunhos de justificativas – não decisões.
- Conecte-o à fonte. Marque de qual documento vem cada número impresso.
- Recalcular. Verifique você mesmo os números críticos, como índice de dívida / rendimento, índice de garantias, etc.
- Filtro de política. Verifique o cumprimento da sua política interna de crédito e da política de não discriminação.
- Decisão e assinatura. Você toma a decisão, escreve a justificativa, deixa a trilha de auditoria.
Quatro modelos copiáveis
1) Verificação de consistência de arquivo:
Sua função: verificador de consistência de arquivos de crédito. Tomando uma decisão. Cliente (anônimo): 42 anos, funcionário público, renda líquida mensal 55.000 TL, pagamento mensal atual do empréstimo 12.000 TL, demanda 250.000 TL / 48 meses. Tarefa: Existem contradições matemáticas ou lógicas, documentos faltantes ou datas inconsistentes nas informações fornecidas? Liste cada descoberta com o rótulo “[confirmação necessária]” e especificando em quais informações ela se baseia. A decisão é minha.
2) Controle de cálculo da relação dívida/renda:
Calcule a relação dívida / renda passo a passo com os dados a seguir e mostre a fórmula.Basta fazer o cálculo, não tomar uma decisão de elegibilidade.Lucro líquido mensal: 55.000 TLCPagamento mensal atual da dívida: 12.000 TLEparcela mensal estimada do novo empréstimo: 6.500 TLDproduto desejado: taxa atual, taxa incluindo o novo empréstimo, fórmula e etapas intermediárias.
3) Projeto de justificativa de rejeição/aprovação (explicável):
Sua função: assistente que DESENHA a justificativa da decisão do empréstimo. COM BASE nas descobertas verificadas que forneço como contribuição, acrescentando novas informações. Constatações: [rácio dívida/rendimento 34%, rácio de garantias adequado, 1 registo de incumprimento] Tarefa: Escrever um rascunho de fundamentação com base nestas conclusões que seja explicável e não contenha linguagem discriminatória. Nenhuma referência a características protegidas (idade, sexo, origem, bairro). Acrescentarei a decisão final e a assinatura.
4) Explicação simples da pontuação:
Explique a um cliente o que significa uma pontuação de crédito em 4 frases, usando linguagem não acusatória e sem jargão técnico. Não utilize dados pessoais, não faça promessas definitivas. Vou verificar este texto antes de encaminhá-lo ao cliente.
Alerta fraco / Alerta forte
Alerta fraco:
Devemos dar crédito a este cliente? Decida com base na sua pontuação e escreva o motivo.
Este pedido deixa a decisão ao modelo, não vincula à fonte e não impede que a justificação pareça discriminatória.
Alerta poderoso:
Sua função: assistente de apoio à decisão, não tomador de decisão. Escreva um rascunho de justificativa com base nas descobertas verificadas que forneci a você. Mostre a descoberta na qual cada frase se baseia entre parênteses. Não faça referência a propriedades protegidas. Marque quaisquer pontos pouco claros como "[confirmação necessária]". Eu assumirei a decisão final de crédito e a responsabilidade.
A vontade forte limita o papel, conecta cada reivindicação à fonte, evita a discriminação e mantém a decisão na pessoa.
três mini cases
Caso 1 — Economia de tempo. Um especialista realiza uma verificação de consistência em um portfólio de 30 arquivos. A IA sinaliza 5 discrepâncias como “A renda declarada no número 8 é de 60.000, mas a folha de pagamento mostra 42.000”. O especialista confirma tudo na fonte; 3 deles são reais, 2 deles são leituras falsas da inteligência artificial. Um trabalho manual de 3 horas é reduzido para 40 minutos e nenhum aviso é usado sem verificação.
Caso 2 — O recálculo detecta o erro. A IA resume a relação dívida/renda em “28%”. O especialista repete a fórmula: não está incluída a dívida existente, a taxa real é de 41%, o que ultrapassa o limite da política interna. Sem verificação, poderá ocorrer uma confirmação falsa.
Caso 3 — Recusa por motivo discriminatório. A inteligência artificial constrói a frase “a área onde o candidato mora é arriscada” em uma minuta de rejeição. O especialista nega; Esta declaração acarreta o risco de discriminação indirecta (variável proxy) com base no distrito. A justificação é reescrita apenas com critérios legítimos, como o rácio dívida/rendimento e o registo de incumprimento.
Além da partitura: contexto e arquivos "limítrofes"
A parte mais difícil das decisões de crédito não é a aceitação aberta ou a rejeição aberta, mas os ficheiros “limítrofes”. Se a pontuação estiver muito próxima do limiar da política interna, a decisão não pode ficar à mercê de um único número; contexto entra em jogo. É aqui que a IA pode armar uma armadilha: ela avalia cada arquivo de limite com a mesma lógica mecânica e perde a nuance. É o especialista quem acrescenta a nuance.
Exemplos de contexto em que um perito analisa um ficheiro fronteiriço:
- A história do atraso: Um único atraso foi devido a um problema de saúde temporário ou a uma incapacidade persistente de pagar? O mesmo “1 registro de atraso” pode contar duas histórias diferentes.
- Natureza da renda: Dois clientes podem ter renda igual, mas um pode ser um assalariado regular e o outro uma renda variável como autônomo; O perfil de risco é diferente.
- Relacionamento com o banco: A ficha de um cliente que já trabalha bem há muito tempo é lida de forma diferente da de um novo cliente.
A IA pode ajudá-lo a resumir esses contextos, mas cabe ao especialista avaliar e decidir – especialmente em casos limítrofes.
Dica: nos casos em que a pontuação está próxima do limite, concentre-se na pergunta “o que a história deste cliente conta” em vez de “o que o modelo disse?” Os arquivos de limite são onde brilha o julgamento de especialistas, e não a automação.
Erros comuns
- Pensar que o placar é a decisão. A pontuação é uma previsão; Não é a decisão em si. É errado julgar com base na pontuação sem justificativa e contexto.
- Não recalculando o número. Utilizar as taxas e totais dados pela inteligência artificial sem confirmá-los; É aqui que entra a alucinação ou a leitura errada.
- Não percebendo a justificativa discriminatória. Aprovar justificativas que incluam características protegidas ou variáveis substitutas, como vizinhança, idade, sexo; grave risco jurídico.
- Ignorando a trilha de auditoria. Falha em documentar em que conclusão verificada se baseou a decisão; não pode ser defendido em objeções ou auditorias subsequentes.
- Compartilhando credenciais. Entrar na ferramenta sem anonimizar o arquivo.
Atenção: Quando uma decisão de crédito é rejeitada, o cliente tem o direito de saber o motivo e de se opor. Portanto, a justificação deve ser correta, explicável e isenta de discriminação. “O modelo marcou assim” não é uma justificativa.
Em resumo
A pontuação de crédito é uma estimativa de probabilidade baseada em dados como renda, endividamento, histórico de crédito e garantias. Nesse processo, a IA produz leitura de documentos, verificação de consistência, minuta de contas e minuta de justificativa; Mas isso não muda a pontuação ou a decisão para você. Recalcule cada número, atribua cada justificativa à fonte e passe-a pelo filtro da discriminação. A decisão de atribuição de crédito é assinada pelo perito autorizado, juntamente com a justificação explicável. Numa frase: A inteligência artificial prepara o arquivo; Uma pessoa competente toma a decisão de crédito.
Tarefa de aplicativo
Defina um exemplo de arquivo de crédito (anônimo: idade, ocupação, renda, dívida atual, reivindicação, vencimento). Com os modelos 1 e 2 acima, faça primeiro uma verificação de consistência e depois calcule o rácio dívida/rendimento. Recalcular manualmente e comparar a taxa dada pela inteligência artificial. Em seguida, gere um rascunho de justificativa com o 3º modelo e verifique se nele há uma propriedade protegida ou variável substituta; Reescreva-o com critérios legítimos, se houver.
lista de verificação
- [ ] Anonimizei o arquivo; Não compartilhei nenhuma informação de identificação.
- [] Dei à inteligência artificial uma tarefa de rascunho/controle, não uma decisão.
- [ ] Recalculei a relação dívida/renda e os números críticos manualmente.
- [ ] Atribuí a justificativa às descobertas verificadas e citei a fonte.
- [] Verifiquei que não há nenhuma variável de propriedade/proxy protegida no argumento.
- [ ] Registrei a decisão e sua justificativa; Assumi a responsabilidade final.