Usando Inteligencia Artifical (IA) para incorporar el capital social en las decisiones de crédito

Evaluar con precisión la solvencia de los prestatarios ha sido siempre uno de los grandes desafíos para las instituciones de microfinanzas (IMF). A menudo, los clientes de bajos ingresos carecen de historial crediticio u otros datos que las entidades financieras suelen utilizar para realizar su análisis de riesgos. Como consecuencia, personas que en realidad son solventes pueden ser rechazadas, mientras que otras con mayor riesgo terminan accediendo a créditos que no deberían, lo que puede derivar en incumplimientos y sobreendeudamiento.

No obstante, cada vez es más evidente que existen otros tipos de datos que pueden enriquecer las evaluaciones crediticias, especialmente en el caso de los llamados “clientes sin historial”. Desde hace tiempo se reconoce que el capital social —los beneficios y recursos derivados de las redes y relaciones personales— puede tener una influencia positiva en el comportamiento de pago. De este entendimiento nació el modelo de préstamos en grupo solidario. Pero ¿cómo podemos cuantificar el capital social en los procesos de análisis crediticio para clientes individuales? 

Modelos alternativos de evaluación crediticia basados en datos de capital social

El auge del big data ha permitido a las instituciones financieras digitalizar y perfeccionar sus procesos de evaluación crediticia mediante el uso de datos alternativos. Hasta hace poco, estos modelos se enfocaban principalmente en transacciones digitales y consumos móviles, como recargas de saldo, paquetes de datos o de SMS, como fuente principal de información.

Sin embargo, a medida que disminuye el costo de los smartphones y aumenta la cobertura GSM e internet, es razonable esperar un flujo de datos más rico y diverso, capaz de reflejar aspectos del capital social de los prestatarios. Para las IMF que colaboran con operadores de redes móviles, ahora es posible acceder a una variedad creciente de datos vinculados al capital social, tales como:

• Registros de llamadas (llamadas realizadas o recibidas regularmente y con una red variada de contactos).
• Actividad en redes sociales (presencia activa y frecuencia de inicio de sesión en plataformas como Facebook o X —antes Twitter—).
• Membresías digitales (participación en comunidades en línea, plataformas de intercambio de conocimiento o redes peer-to-peer que operan vía internet o SMS).

Mediante modelos de inteligencia artificial, con el debido consentimiento por parte del usuario, estos datos móviles pueden ser utilizados para evaluar en qué medida una persona participa activamente en la vida comunitaria, proporcionando así una nueva dimensión para estimar su comportamiento crediticio potencial.

Las instituciones de microfinanzas también podrían aprovechar sus redes de agentes para enriquecer sus bases de datos. Estos agentes operan en entornos locales donde las relaciones sociales son clave para el desarrollo del negocio, lo que los posiciona estratégicamente para recopilar información comunitaria sobre el capital social de los prestatarios.

Por ejemplo, los agentes podrían aportar datos sobre si un cliente pertenece a una asociación reconocida por la comunidad, si ocupa un cargo como jefe de distrito, líder vecinal o anciano de la aldea, o si goza de algún tipo de autoridad tradicional. Esta información cualitativa, recolectada en el terreno, puede complementar los modelos basados en datos digitales y ofrecer una visión más completa del perfil crediticio del solicitante.

Beneficios para las IMF y para sus clientes

Incorporar datos sobre el capital social en los procesos de evaluación crediticia puede generar múltiples beneficios para las instituciones de microfinanzas (IMF), entre ellos:

• Mayor rentabilidad en la colocación de créditos, al poder llegar a nuevos prestatarios con alto capital social que anteriormente eran excluidos por falta de datos o garantías tradicionales.
• Reducción del riesgo crediticio, ya que el capital social brinda señales adicionales sobre la capacidad del prestatario para acceder a oportunidades económicas dentro de su comunidad y utilizar el préstamo de manera responsable.
• Mejor desempeño de la red de agentes, gracias a que el análisis basado en datos alternativos permite identificar e incentivar a aquellos agentes que recopilan información de calidad sobre el capital social y contribuyen a mejorar las tasas de repago.

A su vez, los propios clientes se benefician al acceder a financiamiento que de otro modo les sería negado por carecer de historial crediticio o activos como garantía. Incluso en los casos en que un modelo de IA personalizado determine que una persona no es elegible debido a bajos niveles de capital social, esa información puede utilizarse para promover la inclusión financiera a través de préstamos grupales entre solicitantes con perfiles similares.

Actuar con cautela

A pesar de todos estos beneficios potenciales, es importante no dejarse llevar únicamente por el entusiasmo. El uso de datos alternativos relacionados con el capital social también conlleva riesgos significativos que deben gestionarse con responsabilidad. Si las IMF desean utilizar información social de clientes de bajos ingresos para evaluar su solvencia, será fundamental diseñar una estrategia integral que aborde los principales desafíos éticos, técnicos y operativos asociados a este enfoque.

Sesgo algorítmico y consideraciones de género

Los algoritmos deben ser diseñados teniendo en cuenta la diversidad de experiencias sociales, para evitar favorecer ciertos tipos de capital social sobre otros. Por ejemplo, muchas personas que no poseen un smartphone —o ni siquiera un celular básico— pueden igualmente estar activamente involucradas en la vida comunitaria. En estos casos, los datos recopilados por los agentes en el terreno deberían ser los únicos considerados, y su peso en los algoritmos debería ajustarse de manera adecuada.

Además, en muchos contextos, el capital social de los hombres tiende a ser más amplio, diverso e influyente, lo que les brinda mayor acceso a recursos económicos, poder político y servicios públicos. En contraste, el capital social de las mujeres suele estar más restringido a redes familiares o comunitarias centradas en el apoyo mutuo. Por ello, los algoritmos deben incorporar un diseño con perspectiva de género que equilibre estas disparidades, otorgando mayor relevancia a la información proveniente de redes familiares o de apoyo comunitario cuando se evalúe el crédito de mujeres.

Protección del cliente y privacidad

El consentimiento informado del cliente es la base fundamental para la recolección y análisis de datos sobre la vida social de las personas mediante modelos de inteligencia artificial. El uso de datos personales debe ser justo y responsable, y limitarse exclusivamente al propósito de evaluar el capital social en el contexto de una solicitud de crédito.

Riesgos tecnológicos

El riesgo tecnológico es una de las barreras más frecuentes en la implementación de proyectos impulsados por IA. Presupuestos limitados y restricciones regulatorias suelen derivar en la adopción de plataformas costosas y poco flexibles. Para gestionar eficazmente este riesgo, las IMF deben desarrollar un plan de trabajo integral que combine componentes tecnológicos, organizacionales, de capacitación y comunicación, facilitando una implementación eficiente y sin contratiempos.

Cambio cultural en la organización

El cambio en la cultura corporativa es clave para el éxito de las soluciones basadas en inteligencia artificial, especialmente cuando se trabaja con datos complejos sobre la vida social de los prestatarios. Fomentar una cultura de innovación permite que el personal aproveche el potencial de la IA en la evaluación crediticia sin temor a equivocarse. Procesos de toma de decisiones ágiles y equipos multidisciplinarios, capaces de adaptar rápidamente los modelos algorítmicos, crearán un entorno propicio para perfeccionar la metodología y aumentar su fiabilidad.

El futuro de la evaluación crediticia

La integración de datos sobre el capital social en los modelos de evaluación crediticia tiene el potencial de mejorar tanto la precisión como la inclusión en las prácticas de préstamo de las instituciones de microfinanzas.  Sin embargo, esta innovación debe abordarse con cautela. Si las IMF logran gestionar adecuadamente los riesgos asociados, tanto ellas como sus clientes podrán beneficiarse de un acceso más amplio al crédito y a las oportunidades que este conlleva, generando un impacto positivo en comunidades que históricamente han estado excluidas del sistema financiero.

¿Tienes ejemplos de uso de inteligencia artificial para medir solvencia financiera en América Latina y el Caribe? Déjanos saber en los comentarios de abajo o escribe a: mmartinez8@worldbank.org