Según un estudio del Banco de Inglaterra de 2024, el aprendizaje automático está mejorando la precisión del riesgo crediticio en un 25% o más en comparación con los métodos de puntuación tradicionales. El estudio analizó datos de préstamos de 50 instituciones financieras del Reino Unido y encontró que los modelos de aprendizaje automático producían un 25% menos de clasificaciones erróneas del riesgo del prestatario que los modelos de regresión logística convencionales. En la práctica, esto significa menos incumplimientos entre los prestatarios aprobados y menos rechazos de solicitantes solventes. Empresas como FICO, Experian, Equifax, Upstart y Zest AI están implementando estos modelos en toda la industria crediticia.
Por qué el aprendizaje automático supera a los modelos tradicionales
La calificación crediticia tradicional se basa en la regresión logística, una técnica estadística desarrollada en la década de 1950. Los puntajes FICO, utilizados por el 90% de los prestamistas estadounidenses, se basan en cinco factores: historial de pagos, montos adeudados, duración del historial crediticio, combinación de crédito y crédito nuevo. Estos modelos son lineales, lo que significa que suponen que cada variable tiene un efecto fijo e independiente sobre la calidad crediticia.
Los modelos de aprendizaje automático capturan relaciones e interacciones no lineales entre variables. Un modelo de árbol potenciado por gradiente, por ejemplo, podría aprender que un prestatario con una puntuación crediticia ligeramente por debajo del promedio pero con un comportamiento de ahorro constante y un empleo estable tiene en realidad un riesgo menor que un prestatario con una puntuación más alta pero con ingresos volátiles. Estos efectos de interacción son invisibles en los modelos tradicionales.
Las fuentes de datos alternativas amplían la ventaja. Los modelos de aprendizaje automático pueden incorporar datos de transacciones bancarias, historial de pagos de servicios públicos, pagos de alquiler, registros educativos y verificación de empleo. Experian Boost, que agrega datos de pago de servicios públicos y telecomunicaciones a los archivos de crédito, ha aumentado las calificaciones crediticias de 27 millones de consumidores, según Experian. Los ingresos de Fintech crecen a una tasa compuesta anual del 23% está impulsado en parte por estos modelos de préstamos más precisos que amplían el mercado al que se dirige.
Cuantificando la mejora del 25%
La cifra del 25% proviene de varios estudios independientes. La investigación del Banco de Inglaterra de 2024 encontró una reducción del 25% en la clasificación errónea utilizando modelos de bosque aleatorio y de gradiente potenciado. Un estudio independiente realizado por el Banco de la Reserva Federal de Filadelfia encontró que los modelos de préstamos de IA reducían las tasas de morosidad entre un 20% y un 30% en comparación con los cuadros de mando tradicionales, al tiempo que aprobaban a más prestatarios.
Los registros públicos de Upstart proporcionan evidencia del mundo real. La compañía informa que sus modelos de IA reducen las tasas de deserción en un 75% con la misma tasa de aprobación, o aprueban un 27% más de candidatos con la misma tasa de deserción. Los estudios de caso de Zest AI muestran reducciones del 15 % al 20 % en las cancelaciones para los socios bancarios. La plataforma Falcon de FICO, que utiliza el aprendizaje automático para calificar el fraude con tarjetas de crédito, procesa más de 65 mil millones de transacciones al año, con tasas de detección de fraude que superan el 95%.
Para los prestamistas, una mejora del 25% en la precisión del riesgo se traduce directamente en rentabilidad. Una reducción del 25% en los impagos inesperados de una cartera de préstamos de miles de millones de dólares ahorra 25 millones de dólares o más al año. Por otro lado, aprobar un 25% más de prestatarios solventes que habrían sido rechazados con los modelos tradicionales genera millones en ingresos adicionales por intereses. Las empresas fintech captan ya el 25% de los ingresos bancarios en parte porque sus modelos de CB les permiten atender de manera rentable a prestatarios que los bancos tradicionales rechazan.
Solicitudes en todas las categorías de préstamos
Los préstamos al consumo han experimentado la adopción más rápida. Los prestamistas en línea como LendingClub, Prosper y SoFi utilizan el aprendizaje automático para cada decisión crediticia. LendingClub procesa más de $4 mil millones en préstamos personales anualmente utilizando modelos de ML patentados. Los modelos de la empresa consideran más de 100 variables, incluida la verificación de ingresos, patrones de gasto y estabilidad laboral.
El crédito hipotecario está adoptando BC con más cautela debido a requisitos regulatorios. Fannie Mae y Freddie Mac, que compran la mayoría de las hipotecas en Estados Unidos, todavía exigen puntuaciones FICO para los préstamos conformes. Sin embargo, ambas agencias están probando datos alternativos y modelos de ML. El programa Day 1 Surety de Fannie Mae permite la suscripción de escritorio con verificación automatizada, lo que reduce los requisitos de revisión manual.
Los préstamos a pequeñas empresas son un área de alto impacto. Los bancos tradicionales aprueban menos del 20% de las solicitudes de préstamos para pequeñas empresas, según la Encuesta de crédito para pequeñas empresas de la Reserva Federal. Los prestamistas de inteligencia artificial como Kabbage (ahora parte de American Express), Funding Circle y OnDeck aprueban entre el 40% y el 60% de las solicitudes utilizando datos de transacciones bancarias comerciales, revisiones en línea y análisis de flujo de efectivo. Más de 30.000 empresas fintech Incluye cientos de expertos en préstamos basados en ML.
Equidad y cumplimiento normativo
Mitigar el sesgo es una prioridad. Si los datos de capacitación reflejan una discriminación crediticia histórica, los modelos de ML pueden aprender y amplificar estos sesgos. La Oficina de Protección Financiera del Consumidor advirtió que los modelos de préstamos de IA deben cumplir con leyes de préstamos justos, incluida la Ley de Igualdad de Oportunidades Crediticias. Zest AI ha desarrollado un marco de prueba de modelos que evalúa impactos dispares en clases protegidas antes de la implementación.
Los requisitos de explicabilidad añaden complejidad. Cuando a un prestatario se le niega un crédito, los prestamistas deben proporcionar razones específicas. Los modelos de aprendizaje automático que toman decisiones basadas en interacciones complejas entre cientos de variables son inherentemente menos explicables que los simples cuadros de mando. Empresas como FICO y Zest AI han creado capas de explicabilidad que generan advertencias de acciones adversas que cumplen con las normas a partir de los resultados del modelo ML.
La mejora del 25% en la precisión es lo suficientemente grande como para remodelar la industria crediticia. Crecimiento de 20 a más de 300 unicornios fintech incluye muchas empresas cuya principal ventaja competitiva es un modelo superior de riesgo crediticio. A medida que los reguladores desarrollen marcos más claros para la IA en los préstamos, la adopción se acelerará en toda la industria.
