Por Felipe Vial, director de Vision Capital
La inteligencia artificial está comenzando a ocupar un lugar central en procesos tan relevantes como el scoring crediticio y el análisis de proyectos. Sin embargo, a medida que estas herramientas adquieren mayor protagonismo, también surge una exigencia cada vez más importante: la necesidad de comprender cómo se toman las decisiones.
La IA no puede ser una «caja negra». En un entorno regulado, la transparencia no es opcional; es el pilar de la confianza con el regulador y el cliente. Por ello, resulta fundamental migrar hacia sistemas de inteligencia artificial explicables que cumplan con estándares globales de cumplimiento, como el GDPR o los modelos IRB de banca interna.
El desafío consiste en pasar de la opacidad a la transparencia. Utilizando benchmarks técnicos, hemos validado que es posible alcanzar una precisión predictiva superior mediante modelos de «caja de cristal». La evidencia demuestra que es posible construir modelos más comprensibles sin renunciar a la capacidad de anticipar riesgos o mejorar la calidad de las decisiones.
Un ejemplo de ello es la aplicación de metodologías de selección híbrida, donde distintos modelos permiten identificar las variables que realmente mueven la aguja. Este enfoque hace posible reducir un set de 87 variables a solo 10 —una disminución del 88,5%— sin sacrificar poder predictivo. Más información no siempre significa mejores resultados; muchas veces, identificar correctamente las variables relevantes es lo que marca la diferencia.
Paralelamente, la implementación de nuevos algoritmos permite garantizar que los modelos sean intrínsecamente interpretables, facilitando que los expertos humanos puedan validar cada decisión. La inteligencia artificial debe transformarse en una herramienta de apoyo al criterio experto y no en un mecanismo opaco que entregue respuestas imposibles de explicar.
La eliminación de sesgos constituye otro desafío clave. Al analizar interacciones contraintuitivas —donde, por ejemplo, un menor ingreso parece erróneamente reducir el riesgo— es posible refinar los modelos para que sean más robustos y estén alineados con el juicio financiero experto. La calidad de una decisión no depende únicamente de su precisión estadística, sino también de su coherencia con la realidad económica y financiera.
Sin embargo, la transformación no se limita a los modelos analíticos. La competitividad también depende de la capacidad de integrar información, automatizar procesos y conectar datos en tiempo real. En ese contexto, la integración profunda con infraestructura tecnológica se ha convertido en el backbone de la conectividad de Open Banking en Chile.
A través de este ecosistema es posible desarrollar procesos de onboarding digital fluidos y seguros, integrando información en tiempo real y mejorando significativamente la experiencia de los usuarios. Los beneficios operativos son concretos y medibles.
La automatización masiva permite eliminar el ingreso manual de datos en un 100%, reduciendo tiempos y liberando capacidades para tareas de mayor valor agregado. Asimismo, la disminución de fallas manuales alcanza un 95%, fortaleciendo la calidad y confiabilidad de los procesos.
Quizás uno de los efectos más relevantes de esta transformación es la posibilidad de acercar liquidez a las pequeñas y medianas empresas con una velocidad antes impensada. Hoy, el factoring digital permite transformar días de evaluación en minutos de ejecución, asegurando capital de trabajo cuando más se necesita. En un contexto económico donde la liquidez sigue siendo uno de los principales desafíos para las pymes, la combinación entre inteligencia artificial, Open Banking y automatización está contribuyendo a construir un sistema financiero más eficiente, transparente y oportuno.
El verdadero potencial de estas tecnologías no radica únicamente en hacer más rápidos los procesos, sino en hacerlos mejores. Más explicables. Más robustos. Más transparentes. Y, sobre todo, más útiles para quienes necesitan tomar decisiones todos los días.
Equipo Prensa
Portal Innova
