Fintech Noticias
Por qué los modelos de préstamo con IA necesitan más que puntuaciones de crédito precisas
Añade Securities.io a tus fuentes preferidas en Google
De decisiones arbitrarias a puntuaciones de crédito
Al conceder préstamos, los bancos y otras instituciones financieras siempre han tenido que preocuparse de que los prestatarios no puedan devolver el dinero. Por eso, muchos préstamos están respaldados por activos como bienes inmuebles o activos empresariales que el banco puede incautar si no se realizan los pagos. Sin embargo, la decisión estaba en manos del personal del banco, que decidía si concedía el préstamo.
Con el tiempo, la decisión individual de un empleado bancario fue reemplazada por filtros cada vez más sofisticados basados en modelos internos de riesgo y fórmulas matemáticas, haciéndola más estandarizada y menos arbitraria.
“Parte del trabajo del gestor de crédito era intentar inferir la personalidad de la persona, si parecía organizada, madura y responsable. Un gestor de crédito podía rechazar a un solicitante si sospechaba que era alcohólico, o por razones más abiertamente discriminatorias relacionadas con la raza, el sexo o, para las prestatarias, su estado civil.” Josh Lauer – Profesor en la Universidad de New Hampshire y autor del libro “Creditworthy.”
Sin embargo, no fue hasta 1958 que FICO, fundada por el ingeniero Bill Fair y el matemático Earl Isaac, introdujo la puntuación de crédito estandarizada moderna. Y en 1989, la compañía lanzó la primera puntuación de crédito de propósito general a nivel nacional, con un rango de 300 a 850, que rápidamente se convirtió en el estándar de préstamo nacional de EE. UU.
Los límites de la puntuación de crédito
Una puntuación de crédito moderna se basa en cinco categorías de datos distintas:
- Historial de pagos (35%).
- Cantidad adeudada (30%).
- Duración del historial crediticio (15%).
- Nuevo crédito y consultas (10%).
- Diversidad de crédito (10%).
Este método hizo que la estimación de la solvencia fuera mucho más objetiva y justa que el método anterior. Pero, por supuesto, tiene sus limitaciones.
Por ejemplo, no incluye información sobre el comportamiento de una persona fuera de lo relacionado con deudas pasadas y presentes. Tampoco considera datos como lugar de residencia, ingresos, sector de empleo, activos poseídos, etc.
Una puntuación de crédito moderna también se basa en la suposición de que los bancos otorgan préstamos a individuos. Pero los sistemas de préstamo peer-to-peer (P2P) modernos y otros servicios financieros FinTech funcionan de manera diferente.
Paralelamente, los avances en IA han permitido integrar datos complejos y dispares en un modelo de decisión cohesivo. Por lo tanto, no es sorprendente que la IA esté avanzando rápidamente en la mejora de modelos que predicen incumplimientos de préstamos para una nueva generación de prestamistas digitales.
Un nuevo estudio de dos investigadores de la Universidad de Agder en Noruega examinó la gestión del riesgo crediticio en plataformas de préstamo peer-to-peer. Encontraron que la investigación se ha dividido en dos campos: uno centrado en mejorar la predicción de incumplimientos mediante aprendizaje automático, y otro enfocado en comprender por qué los prestatarios incumplen. Sin embargo, ambos enfoques siguen limitados por conjuntos de datos obsoletos, definiciones inconsistentes y cobertura geográfica limitada.
Los investigadores publicaron sus hallazgos en Technological Forecast, Social Change1, bajo el título “Credit risk management in peer-to-peer lending platforms: A systematic literature review”.
El auge y los desafíos del préstamo P2P
Crecimiento rápido, nuevos riesgos
El concepto central del préstamo P2P abarca la desintermediación, donde las plataformas funcionan como mercados en lugar de entidades que asumen riesgos, facilitando la coincidencia directa de la oferta y la demanda de fondos. Muchas nuevas empresas FinTech están liderando el desarrollo de estos mercados, así como los protocolos de préstamo P2P que utilizan blockchain para eludir por completo la necesidad de un proveedor de préstamos centralizado, junto con otras tecnologías DeFi (finanzas descentralizadas).
Se estima que el mercado de préstamos P2P alcanzará los 215 mil millones de dólares en 2026, y se espera que crezca a una tasa compuesta anual del 21,9 % hasta 2033, con la mayor parte de los préstamos proviniendo de inversores individuales.
Fuente: Coherent Marketing Insights
Sin embargo, se trata de un sector muy nuevo y aún está poco regulado, con riesgos que van desde una mala estimación de los riesgos reales de incumplimiento hasta fraudes flagrantes.
Analizando la literatura P2P
Los investigadores identificaron un total de 433 estudios relevantes para su análisis sobre préstamos P2P y gestión del riesgo crediticio, de los cuales 280 fueron analizados más a fondo.
Los estudios científicos sobre el tema comenzaron a incrementarse realmente en 2014 y alcanzaron un plateau en 2020. Geográficamente, la mayoría de los investigadores provienen de China, EE. UU., India e Indonesia, siendo China la que ha publicado el 39 % del total de publicaciones.
La mayor parte de la investigación en curso se centra en los préstamos P2P en general, los riesgos crediticios y tecnologías relacionadas con IA como el aprendizaje automático. Muchos de estos estudios analizan los roles tanto de la información blanda (redes sociales) como de la información dura (tasas de interés) en la predicción de incumplimientos.
El tema más común de los artículos es evaluar la precisión predictiva mediante la aplicación de varios modelos de aprendizaje automático, acompañados de consideraciones a nivel de datos, variables y modelos.
El segundo tema más frecuente es identificar los determinantes de la probabilidad de incumplimiento y la severidad del mismo.
Otros estudios proponen nuevos sistemas de gestión del riesgo crediticio o discuten lo que aún está poco investigado.
Préstamos P2P y IA
Encontrando nuevos factores de riesgo
Dado que los préstamos P2P no dependen únicamente de las puntuaciones de crédito tradicionales, se utilizan el aprendizaje automático y, más recientemente, otras tecnologías de IA para identificar los riesgos de incumplimiento con mayor precisión.
Por ejemplo, se utilizaron mapas cognitivos difusos basados en enfoques de computación blanda y teoría de redes neuronales para crear un modelo de evaluación del riesgo crediticio.
Independientemente del método específico, los estudios a menudo demuestran que el aprendizaje automático supera a los métodos tradicionales de puntuación de crédito en términos de precisión.
En general, parece que, de forma individual, las puntuaciones de crédito de los prestatarios, su educación, estado civil y títulos profesionales son indicaciones típicas de la solvencia del prestatario.
Otro factor, basado en la “teoría del capital social”, también puede ayudar: la pertenencia a una red social determinada puede ser un factor determinante para identificar a individuos con menor probabilidad de incumplir sus préstamos.
Los investigadores encontraron una contribución en forma de U por edad en un estudio, mostrando que los solicitantes de mediana edad (mayores de 45 años) tienen un mayor riesgo de incumplimiento debido a su mayor carga económica al apoyar tanto a sus hijos como a sus padres jubilados.
También descubrieron que a las prestatarias se les cobran tasas de interés más altas, a pesar de que sus tasas de incumplimiento son significativamente menores que las de los prestatarios masculinos.
No es sorprendente que se favorezca una trayectoria laboral más larga, mayores ingresos y una menor proporción de deuda.
La propiedad de bienes, incluidas casas y automóviles, también aumenta la capacidad de pago de los prestatarios, mientras que los alquileres y los préstamos de automóviles pendientes la debilitan.
También descubrieron que las métricas “blandas” pueden ser predictivas, aunque no necesariamente accionables por las plataformas de préstamo P2P.
“Un estudio intentó analizar el carácter de los prestatarios, mostrando que el incumplimiento era más probable entre los estudiantes que retrasaban la devolución de libros a la biblioteca universitaria y reprobaban una mayor proporción de los cursos que tomaban.”
En total, el estudio encontró que los factores más importantes a tener en cuenta son:
- A nivel del prestatario:
- Demográficos.
- Rendimiento financiero.
- Solvencia.
- Puntuación de crédito.
- Capital social.
- Indicadores psicológicos.
- Nivel del préstamo (monto, período de reembolso, propósito, autenticación y longitud de la descripción).
- A nivel del prestamista:
- Indicadores demográficos.
- Comportamiento de rebaño.
- A nivel de la plataforma:
- Acciones especiales de cobro.
- Regímenes de precios.
- A nivel macro:
- Regulación.
- Desarrollo económico.
- Empleo.
- Cultura nacional.
- Periodos de crisis.
Evaluación de caja negra
Un problema recurrente con la IA es que las redes neuronales y el aprendizaje automático tienden a crear los llamados sistemas de “caja negra”, donde las razones de un resultado dado están lejos de ser claras incluso para los desarrolladores del sistema, y mucho menos para los operadores posteriores.
Esto puede ser un problema grave para los préstamos P2P que utilizan IA.
Primero, esto crea graves peligros de cálculo erróneo del riesgo de incumplimiento, sin forma de identificar el problema a tiempo.
En segundo lugar, esto puede plantear graves riesgos regulatorios, ya que muchas características de una persona, como la raza o el género, se consideran generalmente discriminatorias e ilegales de integrar en el proceso de decisión de conceder o no un préstamo.
Construyendo una puntuación de crédito IA
Construir una puntuación de crédito IA requiere utilizar el conjunto de datos adecuado para el entrenamiento de la IA.
Los investigadores sostienen que la mayoría de las evaluaciones de solvencia crediticia mediante IA deberían integrar múltiples marcos temporales. Los marcos temporales cortos (<30 días) ayudan a identificar señales de alerta temprana, mientras que los marcos temporales largos (120 días o más) ofrecen una mejor visión del resultado global del préstamo.
La recuperación, o la probabilidad de pagar sumas vencidas tras la ocurrencia de un incumplimiento, también es un dato importante.
Por último, un sistema de IA perfecto también debería ajustarse continuamente a las condiciones económicas cambiantes y demostrar que su suscripción sigue siendo fiable fuera de los conjuntos de datos históricos con los que fue entrenado.
En conjunto, el estudio apunta hacia la dirección de la puntuación de crédito impulsada por IA “perfecta”, que integre la mayor cantidad posible de variables relevantes, incluidas la estructura del préstamo, las políticas de la plataforma, el comportamiento de los inversores, las condiciones de empleo, la regulación y los choques macroeconómicos. Sin embargo, hacer que dicho proceso de decisión sea transparente y justo podría ser un desafío significativo con muchas de las tecnologías y procedimientos de entrenamiento de IA actuales.
Invertir en una puntuación de crédito IA
Upstart Holdings, Inc
A medida que los préstamos y las puntuaciones de crédito evolucionan, surgen nuevas empresas que ofrecen mejores alternativas a los sistemas tradicionales de puntuación de crédito y prácticas de préstamo.
Una de ellas es Upstart (UPST ), un mercado de préstamos impulsado por IA, lanzado en 2012, mucho antes de que la IA se convirtiera en un tema central de conversación tecnológica.
UPST Gráfico de precios
La idea detrás de Upstart era que el sistema de puntuación de crédito existente es ineficiente y obsoleto. Con mucho más datos disponibles, debía ser posible identificar mejor los riesgos de los préstamos y, como resultado, ofrecer préstamos más baratos a una gran parte de la población.
“Nuestro modelo de préstamo personal es significativamente más preciso que un modelo de crédito tradicional al evaluar el riesgo del prestatario. Creemos que nos esperan años de mejoras en la modelización.”
Este comienzo temprano le proporcionó a la empresa una abundante fuente de datos para entrenar su propia IA y aprovechar los recientes avances en los métodos de entrenamiento de IA.
Fuente: Upstart
Esto significa que el método de Upstart puede identificar a personas con altas puntuaciones FICO que, en la práctica, tienen un alto riesgo de incumplir sus préstamos. Y, por el contrario, las personas con bajas puntuaciones FICO no son tan propensas a incumplir.
Así, con el uso de IA y datos, Upstart puede lograr resultados sobresalientes para una cohorte determinada. Por ejemplo, puede ofrecer más préstamos con el mismo nivel de riesgo, pasando de una tasa de aprobación del 27 % al 67 %. O puede reducir las pérdidas de manera significativa, de una tasa de incumplimiento del 9 % al 5 %, o casi a la mitad.
Fuente: Upstart
Además, usar un algoritmo en lugar de un oficial de préstamos significa que el proceso está automatizado. Esto resulta menos costoso y mucho más rápido y agradable para solicitar un préstamo.
El mercado de Upstart conecta a los prestatarios con bancos, cooperativas de crédito y capital institucional. Informó que los inversores institucionales compraron el 64 % del principal originado a través de su mercado en 2025.
Upstart atiende a un mercado absolutamente masivo, con 25 billones de dólares en crédito originado cada año a nivel mundial. De esa suma, hasta 1 billón de dólares en ingresos están disponibles para las plataformas que originan y gestionan ese crédito.
En 2025, la compañía originó 1,5 millones de préstamos (un aumento del 115 % interanual), por un total de 11 mil millones de dólares (un aumento del 86 % interanual), y unos ingresos totales de 1 mil millones de dólares (un aumento del 64 % interanual). La empresa también está creciendo rápidamente en nuevos segmentos, con, por ejemplo, la originación de préstamos automotrices creciendo 5 veces (de 45 millones de dólares en el cuarto trimestre de 2024 a 263 millones de dólares en el primer trimestre de 2026), y la originación de préstamos hipotecarios creciendo 6 veces (de 27 millones de dólares en el cuarto trimestre de 2024 a 143 millones de dólares en el primer trimestre de 2026).
Así que, aunque son grandes, estas cifras palidecen en comparación con el potencial total de los métodos avanzados de puntuación de crédito y la evaluación de préstamos impulsada por IA.
Fuente: Upstart
Los recientes números de crecimiento y el hecho de haber sido construida como una empresa centrada en IA son aspectos positivos fuertes para el futuro de Upstart, incluso si el precio de la acción no ha recompensado realmente este éxito, manteniéndose al mismo nivel que en 2022 y mucho por debajo de su pico de 2021 durante la pandemia.
En parte, esto se debe a que también existen algunos riesgos para el modelo de negocio de Upstart.
El primero es que su modelo puede deteriorarse, ya que las condiciones económicas pueden superar los datos de entrenamiento y su IA podría pasar por alto nuevas tendencias.
Otro problema es la creciente presión regulatoria para la explicabilidad, la equidad y la presentación de informes de desempeño demográfico, ya que, incluso sin intención, la IA podría reintroducir prácticas discriminatorias previamente prohibidas en la industria financiera.
Por último, la compañía sigue dependiendo de la disponibilidad de financiación institucional a lo largo de los ciclos crediticios, con señales de tensión en el sistema financiero debido a los altos niveles de deuda y una situación geopolítica tensa.
Aún así, Upstart está idealmente posicionada para convertirse en un mercado clave de préstamos IA y proveedor de infraestructura de suscripción, una evolución necesaria del impulso inicial de las redes FinTech y P2P hacia nuevas prácticas de préstamo.
Y los inversores podrían querer obtener exposición a una empresa que ha estado cambiando radicalmente la forma en que se realiza la suscripción de préstamos desde el principio.
Últimas noticias y desarrollos de acciones de Upstart Holdings (UPST)
Estudio referenciado
1. Fengya Zhu y Rotem Shneor. Gestión del riesgo crediticio en plataformas de préstamo peer-to-peer: una revisión sistemática de la literatura. Technological Forecast, Social Change. Noviembre de 2026. Artículo: 124831. Volumen 232. 10.1016/j.techfore.2026.124831
