AI Field Notes: ¿Podría la mayor oportunidad de la IA en la suscripción de crédito para empresas estar en el “quizás”?

Durante años, gran parte de la fricción en la suscripción de crédito para empresas ha venido de llevar los casos ambiguos al punto en que los analistas puedan tomar una decisión de crédito con confianza. El esfuerzo manual detrás de estas decisiones con matices puede restarles eficiencia a los equipos de crédito y contribuir al abandono de clientes. Pero los avances recientes en IA agéntica están empezando a cambiar eso.

Cada vez más información contextual y difícil de estructurar, que tradicionalmente obligaba a los suscriptores experimentados a intervenir desde el principio, puede revisarse, compararse e investigarse antes de que ellos tengan que entrar en escena.

Para los prestamistas, la oportunidad inmediata no es simplemente automatizar más aprobaciones o rechazos. Es reducir la investigación manual necesaria para resolver el “quizás”: los casos en los que un contexto adicional todavía podría cambiar la decisión. Si se resuelve esto, los equipos de crédito pueden aumentar significativamente su volumen de crédito manteniendo el riesgo bajo control.

Puntos clave

• La mayor oportunidad de IA a corto plazo puede estar en el “quizás”. La IA agéntica puede investigar los casos ambiguos antes, reduciendo el trabajo manual necesario para dejarlos listos para una decisión de crédito confiable.
• Eso puede cambiar la economía de la investigación. Si los casos ambiguos requieren menos tiempo y esfuerzo para comprenderse, los prestamistas pueden evaluar más de ellos sin cambiar sus criterios de crédito.
• La IA agéntica debe convivir con las capacidades de suscripción existentes. Las reglas pueden manejar las señales deterministas, los agentes de IA pueden investigar lo que hay detrás de ellas y los suscriptores pueden concentrarse en el criterio.
• El umbral adecuado para la revisión humana debe probarse, no darse por sentado. Las ejecuciones en sombra (shadow runs) y las pruebas en paralelo pueden mostrar dónde la IA es confiable y dónde la experiencia de los suscriptores todavía aporta un valor significativo.

Por qué el “quizás” es donde la IA agéntica se vuelve interesante

La automatización tradicional del crédito ha sido más sólida donde la señal y la respuesta ya están bien definidas. Con el tiempo, los datos, las reglas y las verificaciones automatizadas han facilitado que los prestamistas identifiquen pronto los resultados evidentes y hagan avanzar los casos sencillos por el proceso de forma eficiente.

Lo más difícil es lo que ocurre cuando la señal por sí sola no basta para llegar a una conclusión.

Ian Bradley, Director de Operaciones (COO) de Breakout Finance, lo describió recientemente con una sencilla analogía de semáforo:

“Los casos en rojo y en verde suelen ser más fáciles de resolver. Los casos en amarillo, aquellos en los que la respuesta todavía no es obvia, son los que requieren más trabajo. Hay que dedicar tiempo a descubrir qué haría que el caso se vuelva un poco más verde, o qué variables lo están volviendo más rojo.”

Pensemos en un prestatario cuyos ingresos han caído fuera del rango esperado. La señal puede ser fácil de detectar, pero la conclusión inicial puede ser prematura. Lo más difícil es entender qué hay detrás: si el cambio es temporal o estructural, si la explicación del prestatario está respaldada en otras partes del expediente y qué otras pruebas podrían cambiar de forma sustancial la perspectiva.

Ese contexto adicional puede inclinar la decisión en cualquier dirección. Un expediente que al principio parece débil puede volverse más convincente tras una diligencia más profunda, mientras que una solicitud aparentemente sólida puede revelar problemas de fondo cuando se examina la evidencia con más detenimiento.

Históricamente, gran parte de esa investigación ha recaído en el suscriptor. La IA agéntica ahora puede encargarse de más de ella desde antes: revisa información menos estructurada, compara evidencia entre fuentes, detecta inconsistencias e identifica lo que sigue sin resolverse.

Para los equipos, la oportunidad es reducir el tiempo que los suscriptores dedican a reunir la evidencia necesaria para tomar una decisión confiable. Y una vez que baja el costo de hacer ese trabajo, el impacto va más allá de la eficiencia del suscriptor.

Cambiar la economía del “quizás”

Algunos prestatarios son costosos de evaluar porque el crédito en sí es genuinamente complejo. Otros simplemente requieren mucho trabajo para entenderlos.

Esa distinción importa, en particular en el crédito a pequeñas empresas. Un prestatario puede encajar finalmente dentro del apetito de riesgo del prestamista, pero varias horas de investigación manual pueden hacer que el caso sea difícil de justificar.

Aquí es donde reducir el trabajo en torno al “quizás” empieza a cambiar más que el tiempo de respuesta. Si la IA permite formarse una visión clara de un prestatario ambiguo de forma más rápida y económica, una investigación más profunda puede volverse viable en casos que antes requerían demasiado esfuerzo manual para justificarla.

Aplicar IA al “quizás” no debería significar reconstruir la suscripción desde cero

Es importante destacar que, aunque las herramientas de IA pueden acelerar el trabajo de investigación, no deberían obligar a los equipos a descartar sus procesos, reglas o controles de suscripción existentes. En muchos casos, estas nuevas soluciones pueden incorporarse al flujo de trabajo actual junto con los sistemas y capacidades que ya funcionan bien.

En muchos sentidos, esto se apoya en un cambio por el que los equipos de crédito ya han pasado. Caitlyn Wagner, vicepresidenta sénior (SVP) de Crédito en Breakout Finance, señaló que los árboles de decisión automatizados ya han eliminado gran parte del trabajo manual de la recepción inicial y la recopilación rutinaria de datos. La IA extiende esa misma progresión hacia un trabajo más difícil de capturar en lógica determinista.

Consideremos el caso de caída de ingresos que compartió Ian. Así cambia el proceso una vez que se incorpora IA al flujo de trabajo:

• Una regla identifica la señal. Los ingresos han caído más allá de un rango esperado, lo que activa una revisión adicional.
• La IA investiga lo que hay detrás. Un agente puede comparar el desempeño reciente con el histórico, revisar la información de respaldo, buscar los factores probables de la caída y sacar a la luz evidencia que respalde o contradiga la explicación inicial.
• El flujo de trabajo coordina lo que aún se necesita. Si queda sin resolver algo relevante, el proceso puede solicitar más evidencia o derivar el caso a la revisión correspondiente.
• El suscriptor aplica su criterio. En lugar de reconstruir el caso desde el principio, puede partir de una pregunta más precisa: dado lo que causó la caída, lo que ha sucedido desde entonces y la evidencia disponible, ¿esto cambia de forma sustancial nuestra visión del riesgo?

Esto también puede ayudar a que la evaluación vaya más allá de una visión estática del prestatario. Ian describió la diferencia como pasar de una “foto” a una “película”: la señal en un momento dado sigue importando, pero también importa lo que ocurrió antes, lo que ha ocurrido desde entonces y si esa trayectoria cambia la forma de entender el riesgo.

El suscriptor sigue emitiendo el juicio crediticio. Lo que cambia es cuánto trabajo de investigación ya se hizo antes de que el caso llegue a sus manos.

En términos más generales, esta puede ser una forma útil de pensar en la aplicación de la IA a la suscripción. Los datos estructurados pueden seguir estableciendo los hechos conocidos. Las reglas pueden manejar la política determinista. La IA puede trabajar las partes de un caso que son más difíciles de estructurar o que requieren más investigación. El flujo de trabajo puede coordinar lo que ocurre a continuación. Y la experiencia humana puede mantenerse enfocada en las preguntas donde el contexto, las contrapartidas y la experiencia influyen de forma sustancial en la respuesta.

El valor surge de usar esas capacidades en conjunto, en lugar de tratar la suscripción como una elección entre automatización y personas.

Encontrar el umbral adecuado de revisión del suscriptor en sus propios casos de “quizás”

El lugar que debería ocupar la IA en ese proceso será distinto para cada prestamista. Un buen punto de partida no es decidir de antemano qué debería o no debería hacer la IA, sino entender qué ocurre realmente hoy en sus casos de “quizás”.

Desglosar las derivaciones según por qué requieren intervención humana hace que la oportunidad sea más fácil de ver. Los equipos pueden distinguir entre los casos que necesitan más información, los que se resuelven con política determinista, los que requieren más investigación y los que exigen un verdadero juicio crediticio, e identificar dónde se está usando la capacidad de suscripción experimentada antes de que esa experiencia sea realmente necesaria.

A partir de ahí, el umbral puede probarse en lugar de darse por sentado.

Un enfoque práctico es ejecutar la IA en paralelo con el proceso existente sobre los mismos casos. ¿Identifica la misma evidencia relevante? ¿Detecta las mismas inconsistencias? ¿Pasa por alto algo importante? Y cuando el caso finalmente llega al suscriptor, ¿cuánto cambia o agrega de forma sustancial a lo que ya se había preparado?

Las ejecuciones en sombra y las pruebas en paralelo permiten a los equipos responder esas preguntas antes de modificar el flujo de trabajo en producción. También pueden dejar al descubierto supuestos sobre qué partes del proceso de suscripción requieren realmente experiencia y cuáles simplemente se incorporaron a la forma en que tradicionalmente se ha hecho el trabajo.

Ian describió esto como cuestionar la idea tradicional de la “receta secreta” de un prestamista:

“La receta secreta solía ser todo lo que ocurría una vez que un expediente llegaba al suscriptor. Pero gran parte de ese trabajo consiste en preparar el caso. Si se logra separar eso de las partes que realmente necesitan el criterio de un suscriptor, se puede ser mucho más deliberado sobre dónde intervienen.”

Esa distinción les da a los equipos algo concreto para probar. Donde los suscriptores descubren de forma repetida un contexto importante que el sistema pasa por alto, hay buenas razones para que su intervención se mantenga. Donde la investigación puede completarse de forma confiable mediante reglas e IA sin reducir la calidad del caso, puede haber una oportunidad de adelantar más de ese trabajo y liberar capacidad de suscripción.

El límite entre reglas, IA, flujo de trabajo y criterio humano seguirá moviéndose a medida que mejore la tecnología. El objetivo no es llegar a un modelo universal de suscripción, sino seguir aprendiendo qué se necesita para resolver el “quizás” y qué capacidad está mejor posicionada para realizar cada parte de ese trabajo.