El Comité de Basilea debate exigencias de capital para entidades que deleguen scoring en modelos de IA

1. La Trampa de la Optimización Ciega: Del Scoring Logístico al Deep Learning

Durante cuatro décadas, las entidades bancarias globales calcularon el riesgo crediticio de particulares y empresas utilizando modelos de regresión logística y árboles de decisión verificables (como los sistemas FICO clásicos). Estos esquemas, aunque conservadores, poseían una ventaja regulatoria cardinal: cada punto de variación en el puntaje de un solicitante podía atribuirse a variables causales directas y comprensibles (ratio deuda/ingreso, historial de mora en meses, ratio de apalancamiento). Los reguladores podían auditar la fórmula con absoluta certeza matemática.

Con la irrupción del aprendizaje profundo y los modelos fundacionales multimodales, los departamentos de riesgo comenzaron a alimentar sus motores crediticios con miles de variables indirectas y datos no estructurados: historiales de navegación web, metadatos de geolocalización, análisis semántico de mensajes en aplicaciones comerciales y biometría conductual. Si bien estos sistemas redujeron transitoriamente la tasa de mora en períodos de estabilidad y bonanza, su funcionamiento como «cajas negras» profundas impide a los propios comités de riesgo entender cómo reaccionará la cartera bancaria ante un shock de liquidez o un alza repentina de tipos de interés no registrado en los datos de entrenamiento.

"No podemos tolerar que los bancos sustituyan la prudencia bancaria centenaria por correlaciones estadísticas opacas que nadie puede explicar cuando el mercado se derrumba. Si una entidad decide originar miles de millones de dólares en préstamos basándose en un algoritmo de caja negra, deberá respaldar cada dólar con reservas de capital sustancialmente mayores."

2. La Propuesta de Basilea: Sobrecarga por Opacidad y Pruebas de Estrés Algorítmico

El esquema regulatorio bajo debate contempla un conjunto de penalizaciones cuantitativas destinadas a desincentivar el uso irreflexivo de modelos opacos en los balances bancarios:

• Recargo sobre Activos Ponderados por Riesgo (RWA Surcharge): Los préstamos originados o clasificados por modelos cuya interpretabilidad no satisfaga los estándares SHAP/LIME o de explicabilidad causal sufrirán un incremento del 15% al 35% en la ponderación de sus activos por riesgo, forzando al banco a inmovilizar más capital Tier 1.
• Pruebas de Estrés Adversarias Obligatorias: Los reguladores exigirán que los bancos sometan sus modelos a simulaciones de «shocks algorítmicos» extremos (por ejemplo, inflación súbita del 200%, devaluaciones bruscas de monedas o colapsos de cadenas de suministro globales) para verificar si el sistema colapsa o suspende repentinamente el crédito a sectores viables.
• Mitigación del Riesgo de Alucinación de Solvencia: Tipificación explícita de sanciones para instituciones cuyos asistentes de suscripción otorguen créditos basándose en documentación sintética o falsificaciones de ingresos generadas por IA que burlen los controles biométricos.
• Responsabilidad Personal de los Oficiales de Riesgo (CRO): Obligación de que los directores de riesgo certifiquen con su firma que comprenden las premisas determinantes de los modelos de crédito, eliminando el argumento de ignorancia técnica ante eventuales pérdidas de cartera.

El Fenómeno del Rebaño Algorítmico (Algorithmic Herding)

El Banco de Pagos Internacionales alerta especialmente sobre la concentración: si veinte entidades financieras líderes licencian el mismo modelo fundacional de riesgo de un gigante tecnológico, cualquier sesgo del modelo provocará que todos los bancos corten el crédito al unísono a los mismos sectores comerciales, provocando recesiones artificiales inducidas.

3. Análisis FinOps, Coste de Capital (ROE) y Economía del Crédito Bancario

La aplicación de recargos de capital transforma por completo la rentabilidad financiera (ROE) de la banca digital y las fintechs:

• Caída del Rendimiento sobre el Capital (ROE): Un incremento de 25 puntos básicos en las reservas de capital obligatorio reduce el retorno sobre el capital patrimonial de las divisiones de crédito digital entre un 1,8% y un 3,2% anual, forzando a los bancos a encarecer los préstamos o a simplificar sus algoritmos.
• Presupuestos Crecientes de Explicabilidad y Validación: Las instituciones financieras deberán asignar entre USD 5 y USD 12 millones anuales a consultoras y equipos de validación cuantitativa para certificar que sus modelos no operan como cajas negras.
• Ventaja Competitiva de los Modelos Explicables (Glass-Box): Startups y bancos que opten por arquitecturas interpretables (como Generalized Additive Models - GAMs con splines) evitarán las sobrecargas de Basilea, manteniendo una estructura de costos de capital sustancialmente más baja que los competidores que abusan de redes neuronales profundas sin filtrar.

4. Repercusiones en Argentina: El Banco Central (BCRA) y el Mercado Fintech

En el ámbito financiero de la República Argentina, las discusiones de Basilea adquieren una resonancia particular debido a la rápida expansión de las billeteras digitales y los microcréditos automatizados:

• Adaptación Normativa del Banco Central de la República Argentina (BCRA): Como miembro participante del Comité de Basilea, el BCRA incorporará previsiblemente estas directrices en sus normas de «Gestión Crediticia y Riesgo de Crédito», exigiendo a los bancos tradicionales y digitales mayores ratios de encaje sobre líneas de crédito aprobadas por algoritmos sin trazabilidad humana.
• Impacto en Fintechs de Préstamos al Consumo: Plataformas como Mercado Pago, Ualá y fintechs crediticias que evalúan a millones de usuarios no bancarizados deberán justificar con rigor actuarial sus decisiones de rechazo u otorgamiento de préstamos ante reclamos de los consumidores y auditorías oficiales.
• Demanda de Actuarios e Ingenieros de Datos en Argentina: Las entidades financieras radicadas en Buenos Aires y centros urbanos del país deberán contratar matemáticos y analistas cuantitativos capaces de auditar y desarmar cajas negras algorítmicas, consolidando un sector profesional de altísima demanda y remuneración.

5. El Dilema entre Inclusión Financiera y Seguridad Macroprudencial

Cámaras empresariales y fintechs argumentan que limitar la IA en el scoring crediticio podría excluir del sistema formal a millones de personas sin historial bancario clásico que solo demuestran solvencia mediante su comportamiento digital. Los reguladores responden que una inclusión ficticia sustentada en modelos volátiles que estallan en crisis perjudica más a los sectores vulnerables que la intermediación cautelosa.

6. Hoja de Ruta Operativa: Adecuación a las Nuevas Reglas de Basilea para Scoring de IA

Checklist estructurado en cuatro fases para directores de riesgos (CRO), actuarios bancarios y líderes de transformación fintech:

1. Inventario y Clasificación de Modelos de Riesgo: Catalogar cada algoritmo utilizado en la originación, asignación de límites y cobranza, determinando su grado de explicabilidad y dependencia de redes neuronales opacas.
2. Implementación de Capas de Interpretabilidad Matemática: Integrar metodologías de análisis de contribución de variables (SHAP values, perfiles ICE) para que cada puntaje crediticio emitido cuente con una explicación textual de los factores causales.
3. Simulaciones de Pruebas de Estrés en Cartera Sintética: Ejecutar escenarios adversos de contracción de liquidez y subas de tasas de interés para medir la estabilidad y consistencia de las decisiones del modelo bajo estrés.
4. Cálculo Anticipado del Impacto en Capital y Reserva Tier 1: Modelar el impacto de un potencial recargo del 20% en activos ponderados por riesgo, ajustando el costo de fondeo y las tasas nominales anuales (TNA) para preservar la rentabilidad del banco.