IA, Préstamos 3 minutos de lectura
Resumen del panel de Money20/20 en Las Vegas: ChatGPT puede escribir, pero ¿puede la IA evaluar el riesgo crediticio?
Desde su lanzamiento, ChatGPT ha captado la atención del mundo entero, lo que ha desatado debates sobre cómo podría revolucionar el sector de los servicios financieros, especialmente la evaluación de riesgos crediticios.
La semana pasada, tuve el placer de hablar sobre los retos y las posibilidades del uso de la inteligencia artificial (IA) en la evaluación de créditos en Money20/20 Vegas, junto a tres líderes del sector en este ámbito:
- Sarah Hinkfuss, socia de Bain Capital Ventures, una firma de capital de riesgo que invierte en empresas ambiciosas en etapa de crecimiento en los sectores de tecnología financiera, software de aplicaciones y tecnología climática.
- Matt Mollison, científico jefe de datos y arquitecto de aprendizaje automático en Branch International, una de las instituciones de microcrédito más grandes del mundo.
- Seema Amble, socia de Andreessen Horowitz, una firma global de capital de riesgo que invierte en el futuro del software B2B y la tecnología financiera.
Estos son los puntos clave de nuestra discusión:
1. Debido a su falta de precisión y a los riesgos que conlleva, ChatGPT no reemplazará en el corto plazo los modelos de riesgo actuales de las aseguradoras.
ChatGPT es un producto de OpenAI, una de las empresas líderes mundiales en inteligencia artificial. Se trata de una interfaz que permite a los usuarios enviar solicitudes o interactuar con GPT-4, el modelo de lenguaje a gran escala (LLM) de OpenAI. Dado que GPT-4 ha sido entrenado con una enorme cantidad de datos (prácticamente la totalidad de Internet pública), cuenta con un amplio acervo de conocimientos y, gracias a la naturaleza de la IA generativa, es capaz de crear contenido totalmente nuevo.
Sin embargo, la IA generativa, tal como se utiliza en ChatGPT, es solo una subcategoría de la IA y no representa a todos los algoritmos de IA. Los algoritmos de IA y de aprendizaje automático se han utilizado en la suscripción de seguros desde hace años, mucho antes del lanzamiento de ChatGPT.
En mi opinión, ChatGPT no va a reemplazar en el corto plazo los modelos de riesgo que utilizan actualmente las entidades crediticias. Sin embargo, tengo mucha confianza en la capacidad del aprendizaje automático, en general, para tomar decisiones de riesgo más precisas.
Sarah confirmó que, dado que los modelos de lenguaje grandes (LLM) como ChatGPT se entrenan con datos públicos y nunca han tenido acceso a datos privados sobre impagos, tomar decisiones de suscripción utilizando ChatGPT sería muy impreciso y riesgoso.
Matt hizo hincapié en que las decisiones de suscripción tampoco pueden tomarse como si fueran una «caja negra». Es necesario comprender las razones que subyacen a estas decisiones para poder ser el verdadero dueño de tu propia lógica de toma de decisiones.
Los profesionales del aprendizaje automático responsables deben ser capaces de comprender los factores que influyen en las predicciones del modelo. Deben poder mantener el control sobre el modelo y sus datos de entrenamiento. Los modelos como los que se utilizan en ChatGPT aprenden a partir de una gran cantidad de datos históricos, que a menudo contienen sesgos; esto puede dar lugar al incumplimiento de las regulaciones, dependiendo de su contexto operativo.
2. ChatGPT sí tiene la capacidad de mejorar la precisión y la eficiencia de los modelos de riesgo
Matt explicó que, aunque es demasiado arriesgado utilizar ChatGPT para tomar decisiones de suscripción, puede servir como herramienta para lograr un rendimiento sobrehumano.
«En Branch, hemos utilizado ChatGPT para el aumento de conjuntos de datos, específicamente para el etiquetado, con el fin de apoyar el entrenamiento de nuestros propios modelos que utilizamos en la ingeniería de características, los cuales, a su vez, se emplean en nuestros modelos de riesgo crediticio».
Estoy de acuerdo en que ChatGPT puede ser una herramienta muy poderosa para crear nuevas señales y variables, y para aumentar la precisión de los modelos de riesgo. He visto que algunos clientes ya están aprovechando el potencial de los modelos de lenguaje grande (LLM), como ChatGPT, para interpretar y clasificar transacciones bancarias.
Antes, en Taktile, teníamos que contratar a 15 estudiantes que trabajaban a tiempo parcial para ayudar a una entidad crediticia a etiquetar sus datos de transacciones bancarias. Ahora, comparamos los resultados y ChatGPT tiene una precisión casi similar.
Matt explicó que ChatGPT es excelente para analizar el lenguaje humano. Al igual que en el ejemplo de las transacciones bancarias, Branch puede proporcionarle al modelo de lenguaje grande (LLM) un conjunto de datos en lenguaje natural no estructurados, junto con instrucciones para clasificar diferentes tipos de mensajes SMS, lo que permite realizar rápidamente una tarea tediosa.
Seema también destacó lo valioso que puede ser ChatGPT en el ámbito de la atención al cliente. Puede ayudar a guiar a los clientes a lo largo del proceso de solicitud de préstamos (explicando qué significan los conceptos y dónde encontrar la información que deben proporcionar), responder preguntas sobre la decisión de otorgamiento de un préstamo y brindar apoyo continuo en las áreas de ventas y captación de clientes.
El verdadero poder de ChatGPT radica en que puedes introducir datos privados en él, incluso si no lo utilizas específicamente para tomar decisiones de suscripción.
3. Más allá de los modelos de lenguaje grande (LLM), la IA sigue siendo increíblemente eficaz para predecir el riesgo crediticio
Matt explicó que, en los mercados emergentes, se ha demostrado que los modelos de inteligencia artificial marcan la diferencia en cuanto a la precisión para las entidades crediticias, y que Branch los ha estado utilizando desde hace años para operar a gran escala en sus mercados.
Branch opera en mercados con una infraestructura de información menos desarrollada que en Estados Unidos, por lo que tiene que recurrir en gran medida a fuentes de datos alternativas.
En lugar de basarse en las calificaciones tradicionales de las agencias de crédito para predecir el riesgo, Matt explicó cómo entrenan modelos internos de aprendizaje automático para predecir el riesgo asociado a otorgar a un cliente un préstamo de un monto determinado.
Como han señalado Sarah y Seema, existen diferencias claras entre los préstamos al consumo y los préstamos a empresas. En los mercados desarrollados, por ejemplo, es difícil utilizar la inteligencia artificial para tomar decisiones de evaluación de crédito de los consumidores debido a las regulaciones, pero puede ser muy útil en la evaluación de crédito de las empresas, donde hay menos regulaciones. En Estados Unidos, las entidades que otorgan préstamos al consumo siguen estando sujetas a la Ley de Igualdad de Oportunidades de Crédito, que exige a los acreedores explicar las razones específicas por las que toman medidas adversas.
4. A medida que el uso de la inteligencia artificial en la suscripción de créditos sigue creciendo, también lo hace la regulación que la rodea; por lo tanto, las entidades crediticias deben prepararse desde ahora para los cambios que se avecinan
La inteligencia artificial ya se utiliza ampliamente en la suscripción de seguros, y esperamos que su uso no haga más que aumentar en el futuro.
Ahora que la primera Ley de IA de Europa ya está en marcha, muchas entidades crediticias —incluso aquellas que no utilicen la IA en sentido estrictamente técnico— tendrán que adaptar sus operaciones para cumplir tanto con la normativa bancaria como con la de IA; además, es posible que se exija el cumplimiento de la normativa fuera de la UE a cualquiera que utilice modelos de IA o resultados generados en un país de la UE. Por lo tanto, las entidades crediticias deben comenzar a prepararse desde ahora para los cambios que se avecinan.
Si quieres profundizar en este tema, échale un vistazo a nuestro artículo sobre el futuro de la evaluación de crédito bajo la regulación de la IA.
