La irregularidad en los créditos a familias llegó al 12,8% y en los préstamos personales al 15,9%, según el último informe del Banco Central. Con ese nivel de mora, el margen de error para cualquier entidad que preste dinero se redujo drásticamente.
Eso obliga a un ritmo de ajustes que hace tres años era impensado. Cambiar los requisitos para aprobar un préstamo, modificar los límites de exposición o alterar el tratamiento de determinados perfiles de riesgo puede volverse una necesidad semanal, y en algunos casos diaria.
El cuello de botella no está en la decisión. Está en la implementación. Cuando el área de riesgo define un cambio pero su puesta en marcha depende de un equipo técnico (muchas veces externo) pueden pasar días o semanas hasta que la nueva regla efectivamente empiece a aplicarse. Y en un mercado donde la mora se mueve mes a mes, esa demora tiene costo directo.
La solución que están adoptando bancos, fintech y retailers pasa por dos capas tecnológicas que trabajan juntas.
La primera es la arquitectura no-code, que permite a los equipos de negocio configurar reglas sin escribir código. La segunda es el asistente de inteligencia artificial, que traduce una instrucción en lenguaje natural a la lógica con la que el sistema va a evaluar cada solicitud.
En términos prácticos, un analista de riesgo escribe algo como "rechazar automáticamente las solicitudes de clientes con más de dos productos en mora en los últimos seis meses" y el asistente lo convierte en la regla operativa que se aplica desde ese momento.
Santiago Etchegoyen, CTO de SIISA, empresa de tecnología y buró enfocada en el mercado de crédito, "en un contexto donde las condiciones económicas cambian todas las semanas, la velocidad se vuelve una condición para operar".
"La tecnología de última generación con asistentes de IA hace que las demoras en implementación desaparezcan, ya que las áreas de riesgo pueden autogestionarse describiendo lo que necesitan en lenguaje natural y la IA lo traduce para aplicarlo en el proceso."
Cuando se habla de inteligencia artificial aplicada al crédito, el debate suele concentrarse en un concepto técnico que define todo y tiene consecuencias muy concretas para cualquier persona que pide un préstamo: la explicabilidad.
La explicabilidad es la capacidad de un modelo de justificar por qué evaluó una solicitud de la manera en que lo hizo: qué datos analizó, qué combinación de variables llevó a la aprobación o al rechazo, y bajo qué condiciones derivó el caso a revisión manual.
Sin explicabilidad, un rechazo crediticio es una caja negra: el solicitante no sabe por qué le dijeron que no y el propio banco no puede auditar si su modelo está discriminando de forma indebida. Con explicabilidad, cada decisión tiene una trazabilidad que puede revisarse.
Alejandra Vidal, especialista en riesgo crediticio y sistemas de scoring alternativo, señala que la combinación de ambos elementos es la que cambia el juego: "Un modelo rápido, pero opaco es un riesgo regulatorio".
En cambio, señala, "un modelo explicable pero lento no sirve en un mercado que se mueve semana a semana. Lo que las entidades están buscando ahora es la combinación de las dos cosas: poder ajustar reglas en horas y a la vez poder explicar cada decisión ante el regulador o ante el cliente que reclama".
Acá está la parte incómoda del debate y la que suele quedar fuera de los comunicados corporativos. Un sistema que permite ajustar reglas de riesgo en minutos puede usarse en dos direcciones opuestas:
En un país en que casi 7 millones de personas quedaron fuera del sistema crediticio formal por acumular más de 90 días de atraso, según estimaciones de la Gerencia de Estudios Económicos del Banco Provincia sobre datos del BCRA a mayo de 2026, esa distinción no es teórica.
Martín Casares, consultor en transformación digital para entidades financieras, plantea el matiz sin vueltas: "La tecnología es neutral. Lo que define si esto beneficia al usuario o lo perjudica es la política de riesgo que la entidad decida aplicar".
"Si el sistema se usa para segmentar mejor y prestar a quien puede pagar, hay inclusión financiera. Si se usa para restringir de forma masiva ante el primer indicio de mora, lo que hay es exclusión más rápida y más eficiente. La herramienta no decide eso, lo decide el negocio", completa.
Con el índice de mora en entidades financieras tocando su nivel más alto en más de dos décadas en mayo de 2026 según datos del BCRA, y con expectativas de que la tendencia empiece a ceder en los próximos meses, la capacidad de ajustar políticas de otorgamiento se convirtió en una ventaja competitiva medible.
La eliminación del paso intermedio (el desarrollo técnico que traducía la decisión de negocio en código funcional) no es solo un ahorro de tiempo. Es un cambio en quién controla efectivamente la política de riesgo de una entidad.
Con la frecuencia de ajustes que exige el contexto actual, esa variable empieza a pesar tanto como la precisión del modelo que la sostiene. Un motor de decisión muy preciso pero que tarda tres semanas en incorporar un cambio puede estar operando con reglas que ya no reflejan el riesgo real del mercado.
Para las entidades que compiten por el mismo universo de deudores en un contexto de mora récord, esa diferencia de días puede ser la que separa una cartera sana de una que se deteriora sin que nadie alcance a reaccionar.