Data Science / Ciencia De Datos
Instituciones Financieras
Tecnología
05 de agosto de 2025
IA e inadimplencia en Brasil: nuevas herramientas
El uso de modelos predictivos ya está revelando capas ocultas en los datos, permitiendo la identificación de patrones y la anticipación de comportamientos
El escenario económico brasileño en el primer semestre de 2025 presentó un aumento en la morosidad, una tendencia que se observa desde 2022 y que ha sido una preocupación recurrente para gobiernos e instituciones financieras a lo largo de las últimas décadas (Leite Filho, 2025).
Este indicador refleja, en parte, las fluctuaciones económicas del país, las políticas de crédito y las condiciones socioeconómicas. A escala global, la estancación económica y las tensiones comerciales han elevado el riesgo de incumplimiento de obligaciones financieras. Zhao et al. (2025), por ejemplo, observaron un aumento notable — del 15.000% — del impago de las deudas de empresas en China entre 2014 y 2023.
Para las instituciones financieras, el retraso o la falla en el pago de cuentas puede generar pérdidas sustanciales y, en casos de gran volumen de préstamos en mora, puede amenazar la estabilidad financiera (Liu, 2025).
En este contexto, la previsión del riesgo de impago se vuelve esencial para bancos y otras entidades de crédito. Comprender cómo mitigar este riesgo es fundamental para asegurar un funcionamiento económico estable y saludable. Este artículo explora cómo la Inteligencia Artificial (IA) y el Aprendizaje Automático (Machine Learning – ML) se están aplicando para gestionar la complejidad del impago, buscando optimizar la comprensión y la gestión del riesgo de crédito en Brasil.
IA y el análisis de crédito
La creciente escala de préstamos personales y la complejidad de los datos crediticios, en rápido crecimiento en la era del desarrollo de Internet y las herramientas de big data, han convertido la evaluación precisa de la puntuación crediticia y el riesgo de incumplimiento de los préstamos personales en un tema central en el campo financiero (Liu, 2025).
Tradicionalmente, el análisis del riesgo de crédito se apoyaba en datos históricos e indicadores estáticos, lo que dificultaba la captura de las dinámicas de mercado y características no lineales (Yi, 2025). En contrapartida, la evolución del machine learning, especialmente la aplicación de Redes Neuronales Recurrentes (RNNs) y sus variantes en el análisis de datos de series temporales, ha proporcionado nuevas perspectivas y métodos para medir el riesgo de impago de crédito.
La IA se ha mostrado como una alternativa prometedora, no solo para predecir el impago, sino también para rediseñar la forma en que el riesgo crediticio es comprendido en Brasil. En el contexto de la educación superior, por ejemplo, entidades como las Instituciones Comunitarias de Enseñanza Superior (ICES) de Rio Grande do Sul han emprendido esfuerzos para mantener el equilibrio económico-financiero frente a la reducción de alumnos y a las condiciones macroeconómicas (Lima et al., 2025). Estas instituciones, caracterizadas por alta complejidad de gestión y planificación financiera detallada, demuestran que una gestión criteriosa del capital de giro es fundamental para la precisión y seguridad de los procesos financieros, mitigando el impago.
La capacidad de la IA para integrar y procesar una amplia gama de datos, más allá del historial de pagos o los ingresos declarados, permite capturar relaciones complejas entre variables demográficas, conductuales, contextuales e incluso psicométricas. Esto forma una visión más amplia y dinámica del perfil de riesgo de los clientes. La precisión en la predicción de incumplimiento de préstamos ha sido crucial para la estabilidad del mercado financiero y la prevención de riesgos sistémicos (Huang et al., 2025).
El uso de modelos predictivos basados en IA ya está revelando capas ocultas en los datos, permitiendo la identificación de patrones y la anticipación de comportamientos antes de que el retraso se consolide como impago total. Con ello, el análisis de crédito, antes reactivo, pasa a funcionar como un enfoque proactivo, con potencial de impactar directamente la rentabilidad y la gestión de capital de las instituciones financieras (Bhandary & Ghosh, 2025). La IA, en este contexto, se convierte en una herramienta indispensable para navegar en un entorno económico complejo y cambiante.
Modelos que aprenden de los datos
La principal transformación que aporta la IA al estudio de la morosidad reside en su capacidad para integrar y procesar una vasta gama de datos, que antes se consideraban poco en los modelos tradicionales. No se trata solo de observar el historial de pagos o los ingresos declarados; los modelos de machine learning pueden capturar relaciones complejas entre variables demográficas, conductuales, contextuales e incluso psicométricas— como la impulsividad, la aversión al riesgo o la tendencia a posponer el pago de facturas —, formando una visión mucho más amplia y dinámica del perfil de riesgo de cada cliente (Liu, 2025).
En pruebas comparativas, algoritmos como Random Forest, XGBoost y redes neuronales recurrentes han presentado resultados superiores a los métodos clásicos, como regresión logística o score estandarizado. Por ejemplo, en un análisis empírico sobre la predicción de impago de tarjetas de crédito en Taiwán, Bhandary & Ghosh (2025) observaron que los métodos modernos de machine learning, incluyendo XGBoost, Random Forest y Redes Neuronales Profundas (DNN), superaron a los métodos estadísticos tradicionales en el rendimiento predictivo. La Red Neuronal Profunda (DNN) demostró el mejor rendimiento general en comparación con otros modelos de machine learning, como Regresión Logística, Máquina de Vectores de Soporte (SVM) y Naïve Bayes, como constatado por Liu (2025). En el sector industrial, Long et al, (2025) observaron que el modelo Vector Autoregressive-Gated Recurrent Unit (VAR-GRU), que combina machine learning con factores macroeconómicos, presenta una capacidad predictiva óptima para impagos de títulos corporativos en horizontes de uno, tres y seis meses.
Además, las mejoras en modelos basados en Redes Neuronales Recurrentes (RNNs) también han demostrado ser prometedoras. Yi (2025) propuso un modelo basado en Gated Recurrent Unit (GRU) con mejoras estructurales, como la introducción de la función Focal Loss y del algoritmo de fuzzy clustering, para capturar patrones temporales en series de crédito. Este nuevo modelo no solo superó a técnicas estadísticas clásicas, como el modelo Logístico y Copula, con una precisión del 96,53%, sino que también demostró ser especialmente eficiente en predecir variaciones futuras en el comportamiento de pago, además de ser significativamente más rápido en la ejecución.
Características no financieras
El uso de datos no financieros ha sido crucial para mejorar la predicción de riesgos. Huang et al. (2025) utilizaron 38 características no financieras multidimensionales de PYMEs en China, como información de registro de empresas y sentimiento de noticias, para predecir el riesgo de incumplimiento de pagarés. Descubrieron que la antigüedad de la empresa, el número de litigios, la proporción de noticias negativas, el número de incumplimientos del año anterior y el número de personas sujetas a restricciones de consumo estaban significativamente correlacionados con el incumplimiento. El análisis de textos, por su parte, también ha demostrado ser valioso; Wu et al. (2025) observaron que un LLM como ChatGPT, al analizar evaluaciones de préstamos, puede mejorar significativamente las predicciones de incumplimiento, generando una mayor rentabilidad en comparación con textos escritos por humanos.
Este cambio de paradigma permite que la morosidad sea modelada como un proceso con múltiples causas y trayectorias posibles, ofreciendo medios para reconocer caminos y, más importante, intervenir antes de que el peor escenario se concrete.
De la previsión a la prevención
El mayor potencial de la inteligencia artificial aplicada al crédito no reside solo en la capacidad de predecir quién va a retrasar un pago; el valor real de la tecnología emerge cuando se utiliza para evitar que ese retraso ocurra. Este movimiento ha sido adoptado por muchas instituciones financieras.
Los modelos de machine learning son eficaces en la identificación temprana de clientes con mayor riesgo de incumplimiento, como lo demuestra Liu (2025). Al predecir el comportamiento del cliente, estos modelos permiten a las instituciones ofrecer renegociaciones a medida, ajustar los límites de crédito o incluso modificar los ciclos de cobro. En este sentido, la IA funciona como un sistema de monitoreo preventivo.
La herramienta también se ha aplicado para adaptar intervenciones en tiempo real. Por ejemplo, el modelo IGRU-FCM, desarrollado por Yi (2025), no solo evalúa con precisión el riesgo de incumplimiento crediticio, sino que también realiza el análisis estadístico en solo 59 milisegundos (1 ms = 0,001 s). Esta velocidad es crucial para los mercados financieros que exigen monitoreo en tiempo real.
En otro contexto, Wang & Duan (2025) observaron que los bancos comerciales chinos, ante la incertidumbre de la política económica, adoptan una estructura de préstamos más diversificada para mitigar los riesgos de incumplimiento crediticio, y esta relación se mantiene robusta incluso después de rigurosas pruebas de endogeneidad (situación en la que una variable explicativa en un modelo de regresión está correlacionada con el término de error del modelo).
Este cambio de postura redefine el papel de los modelos predictivos. En lugar de funcionar como filtros que excluyen a los consumidores basándose en criterios rígidos, se convierten en instrumentos para ofrecer soluciones financieras más humanas y sostenibles. La IA, en este contexto, actúa como socia tanto del acreedor como del tomador de crédito.
Riesgos de exclusión
Aunque la IA aporta avances significativos a la gestión de crédito, también plantea una serie de preocupaciones éticas y operativas que no pueden ser ignoradas. Cuando se aplica sin criterios claros de transparencia, responsabilidad y supervisión, la IA puede reproducir o incluso profundizar las desigualdades ya existentes en el sistema financiero.
Uno de los riesgos más discutidos es el sesgo algorítmico. Los modelos entrenados con bases de datos históricas tienden a repetir patrones de exclusión, penalizando, por ejemplo, a individuos que nunca tuvieron acceso al crédito formal o que viven en regiones con baja oferta bancaria. Incluso variables aparentemente neutras, como el código postal o el tipo de teléfono celular, pueden funcionar como proxies de ingresos o escolaridad, lo que puede llevar a la exclusión indirecta de grupos vulnerables. De hecho, Wang y Duan (2025) alertan sobre este fenómeno al comparar enfoques estadísticos tradicionales y modelos de IA, sugiriendo que la sofisticación algorítmica no elimina el riesgo de decisiones sesgadas.
La aplicación de la IA en el sistema financiero, por lo tanto, no puede ser tratada solo como una innovación técnica. Se trata de una elección política y económica que define quién tendrá acceso al crédito, en qué condiciones y con qué consecuencias. El desafío no es solo hacer el crédito más eficiente, sino garantizar que sea más justo, transparente y sostenible. Esto exige una combinación de tecnología y gobernanza, en la que la explicabilidad de los modelos de IA es esencial. Los modelos que permiten entender el peso de cada variable en la decisión final abren espacio para auditorías más eficaces y para la construcción de modelos más equitativos.
Consideraciones Finales
La morosidad en Brasil en 2025 refleja no solo un momento económico desafiante, sino también las dinámicas macroeconómicas y los modelos de crédito adoptados en el mercado, según el análisis de Leite Filho (2025). En este escenario, la IA emerge como una herramienta poderosa para comprender el riesgo de forma más profunda y personalizada.
Los estudios recientes destacan la capacidad de los algoritmos para identificar patrones que escapan a los análisis tradicionales y para proponer soluciones más eficaces, tanto para predecir como para prevenir el impago. Modelos de machine learning, como XGBoost, Random Forest y Redes Neuronales Profundas (DNN), han demostrado un rendimiento superior en la predicción de la morosidad, como muestran Bhandary y Ghosh (2025) y Liu (2025). Además, innovaciones como el modelo IGRU-FCM, que integra GRU con Focal Loss y fuzzy clustering, no solo mejoran la precisión en la evaluación del riesgo crediticio, sino que también optimizan significativamente el tiempo de computación, lo cual es crucial para el monitoreo en tiempo real (Yi, 2025).
Sin embargo, la sofisticación técnica no elimina la responsabilidad ética. El uso de la IA en el sistema financiero debe ir acompañado de mecanismos de control, explicabilidad y justicia. Los algoritmos no son neutrales; reflejan los datos con los que fueron entrenados y las elecciones de quienes los construyeron. La tecnología tiene mucho que aportar a un sistema de crédito más inteligente, pero esto solo será posible si se utiliza con conciencia y propósito. En lugar de ampliar el abismo entre quienes tienen acceso y quienes quedan al margen, la IA debe orientarse a construir puentes, promoviendo un futuro del crédito que dependa menos de la capacidad de predecir un retraso y más de la disposición a evitar que ocurra.
| Para tener acceso a las referencias de este texto haga clic aquí. |
Quién publicó esta columna
José Erasmo Silva
