Argentina tiene una paradoja financiera que pocos nombran con claridad. El crédito al sector privado apenas representó el 13,6% del PBI en octubre de 2025, frente a un promedio regional del 44,1%. La brecha no es de capacidad, es de modelos. El sistema tiene hambre de expansión pero carece de las herramientas para leer bien a quienes se incorporan.
Los datos de SIISA, empresa de tecnología y buró con foco en el mercado de crédito, grafican esa tensión con precisión: el 89% de los créditos se mantiene al día, pero la mora ronda el 12%, con deterioro respecto de períodos anteriores y una dispersión creciente entre segmentos. La inclusión financiera suma perfiles que los modelos tradicionales no saben evaluar bien y el costo de ese desconocimiento empieza a verse en los balances.
El contexto macroeconómico amplifica el problema: en un entorno con inflación variable, volatilidad cambiaria y sectores que se recuperan a velocidades diferentes, un modelo de scoring estático (el equivalente a una fotografía del cliente) es insuficiente para anticipar lo que va a pasar en los próximos seis meses.
Durante años, los modelos de crédito funcionaron como cajas negras eficaces. Tomaban datos, escupían un score, y nadie preguntaba por qué. Mientras el contexto se mantenía relativamente estable, ese esquema era tolerable. Cuando el contexto cambia rápido (y en Argentina casi siempre cambia rápido) no entender cómo decide el modelo es parte del problema a resolver, no un detalle técnico.
La Inteligencia Artificial Explicable (XAI) responde directamente a esa necesidad: no se trata solo de aprobar o rechazar un crédito, sino de justificar ese resultado de manera auditable. Qué variables pesaron, en qué proporción, y qué debería cambiar en el perfil del solicitante para obtener una respuesta diferente. Para las entidades, eso transforma el modelo en un instrumento de gestión activa del riesgo, no solo de filtrado.
El problema es que la adopción real sigue siendo baja. Un estudio de IDC muestra que, si bien casi 8 de cada 10 organizaciones (78%) afirman confiar plenamente en la IA, solo el 40% invirtió para que los sistemas sean demostrablemente fiables mediante gobernanza, explicabilidad y salvaguardas éticas. El gap entre la confianza declarada y la infraestructura real es, en sí mismo, un riesgo.
La ventaja más concreta de los modelos explicables no está en el momento del otorgamiento, está en el monitoreo posterior. Un sistema capaz de identificar que una variable dejó de ser relevante o que un segmento empieza a deteriorarse antes de que la mora se materialice permite actuar con margen. Es decir, refinanciar, ajustar límites, comunicar al cliente con anticipación.
"La diferencia entre el scoring tradicional y el inteligente es comparable a la que existe entre una fotografía y un video", grafica a iProUP Gabriel Meloni, analista de consumo. El primero captura un momento estático. El segundo, una secuencia de comportamientos que permite anticipar tendencias.
"En un mercado donde la mora puede cambiar en pocas semanas en función de variables macroeconómicas, esa diferencia es la que separa a las entidades que actúan de las que reaccionan", agrega Meloni.
La incorporación de fuentes de datos no bancarios complejiza el cuadro pero también lo enriquece. Comportamiento de pagos en servicios, movilidad laboral, patrones de consumo digital, toda esa información suma capas de señales que los modelos tradicionales ignoraban. La condición es que el sistema pueda leer esos datos y explicar el peso que les asignó. Sin trazabilidad, más datos solo generan más opacidad.
La transparencia en los modelos de crédito dejó de ser una decisión técnica para convertirse en una exigencia regulatoria en construcción. Argentina avanza en la elaboración de legislación sobre IA con énfasis en la gestión de riesgos, la reducción de los sesgos de los algoritmos y la garantía de la explicabilidad de las decisiones en servicios financieros y de crédito.
Las entidades que hoy implementen arquitecturas auditables estarán cumpliendo con lo que mañana será obligatorio y lo harán con ventaja operativa sobre quienes arranquen tarde.
La dimensión competitiva es igual de relevante. "En un mercado donde el crédito sigue expandiéndose y los márgenes se estrechan, la capacidad de otorgar más crédito con menos pérdidas no es un diferencial de nicho: es el negocio", sentencia un experto fintech a iProUP.
Las fintech que avanzan en esta dirección tienen un costo de adquisición de clientes más bajo porque rechazan menos perfiles viables y recuperan mejor los que se deterioran. Los bancos que no actualicen sus modelos competirán en desventaja con actores que toman decisiones más rápidas y más precisas.
La discusión en el mercado de crédito sigue girando mayoritariamente en torno a la capacidad predictiva de los modelos (qué porcentaje de la mora anticipan correctamente). Esa conversación es necesaria pero incompleta. El foco que falta es la trazabilidad: no solo si el modelo acierta, sino por qué acierta, y qué pasa cuando empieza a fallar en un segmento que el entrenamiento no contemplaba.
Un modelo que acumula u$s3 millones en fees y buybacks puede revalorizarse. Una cartera que acumula mora sin que nadie entienda cómo se deterioró no tiene solución técnica posible. La gestión del riesgo crediticio en 2026 no es un problema de datos (Argentina tiene cada vez más información disponible) sino de problema de legibilidad: convertir esos datos en decisiones que el equipo de riesgo pueda entender, defender ante el regulador y corregir a tiempo cuando el contexto cambia.
Las entidades que entiendan eso primero no solo van a gestionar mejor su mora. Van a capturar el segmento que los modelos opacos siguen rechazando por error y en Argentina, ese segmento es enorme.