Quien lee el título de este artículo podría creer que ha habido un error de concepto, que difícilmente las dos primeras expresiones puedan combinarse con la tercera. Pero existe suficiente evidencia para convencer de lo contrario o, al menos, para sembrar la duda sobre una premisa que parece sólidamente establecida.

En el tiempo en que vivimos es ya un lugar común decir que a todo sector le ha llegado su inteligencia artificial (IA), incorporando modelos de alta precisión para realizar tareas de manera más precisa y eficiente. Las finanzas no han sido la excepción. Primero se empieza a incorporar lentamente con la aparición de los primeros chats o asistentes a los que se les configuran respuestas automatizadas basadas en preguntas predecibles. A medida que la potencia del análisis de datos mejora junto con la evolución de los modelos, estos asistentes se van sofisticando, instalando el concepto de agentes que pueden interoperar y responder de manera certera, como si realmente nos conocieran. Y es porque nos conocen: tienen la capacidad de procesar datos que dejamos en nuestra huella digital, cual camino de migas que formamos sin darnos cuenta.

Este escenario es casi familiar para quienes nos desenvolvemos en el mundo de la tecnología. Sin embargo, lo que no es evidente es cómo este aumento de la capacidad analítica puede beneficiar a sectores históricamente marginados del sistema financiero formal, a partir de la ruptura de sesgos de exclusión impulsada por la automatización del proceso de evaluación crediticia.

El problema de los modelos tradicionales

Evaluar a las personas de forma tradicional no es malo. Simplemente limita el espectro de acción. Durante décadas, los sistemas de evaluación crediticia en América Latina se han construido sobre metodologías estadísticas como la regresión logística, que operan sobre variables estructuradas obtenidas de registros crediticios formales: historial de pagos, antigüedad laboral, ingresos declarados, nivel de endeudamiento. Estas variables funcionan en contextos de alta bancarización y estabilidad económica, pero presentan serias limitaciones en realidades complejas donde la informalidad laboral es preponderante.

Esta rigidez genera círculos de exclusión en los que poblaciones con menos recursos formales enfrentan mayores dificultades para acceder al crédito, ya que pagan diferencias de precio en el mercado no formal o directamente quedan excluidas del sistema financiero. Esta exclusión limita las posibilidades de expansión de su propia economía y frena la capacidad de desarrollo económico a nivel nacional. Las empresas locales también enfrentan este tipo de restricciones, lo que evidencia la necesidad de implementar mecanismos para perfeccionar los procesos de inclusión financiera. Un ejemplo claro es la situación del sector privado y su acceso al crédito, una herramienta clave para la innovación, la competitividad y el desarrollo. Esta dificultad queda en evidencia en un estudio realizado en 2025 por Federico Comesaña y Marcelo Lanfranconi en el marco de la Cámara Uruguay Fintech (CUF). Basándose en datos públicos, el trabajo revela las restricciones que estas organizaciones padecen para acceder al crédito. Los datos son elocuentes: en Uruguay, el crédito al sector privado representa apenas el 28% del producto interno bruto (PIB), mientras que en Brasil constituye el 72% y en Chile alcanza el 80%. La situación es aún más desafiante cuando se analizan específicamente las micro, medianas y pequeñas empresas locales. El informe citado revela que tan sólo el 27% de estas empresas logró acceder a algún tipo de crédito, confirmando la magnitud del problema.

El potencial transformador de la IA

Sumar variables nuevas a los modelos de evaluación abre la puerta a nuevas formas entendiendo también que las tendencias de pagos, consumo, inversión de las personas y las organizaciones han cambiado drásticamente. Cuando la IA se aplica responsablemente al scoring crediticio, permite incorporar datos no tradicionales: pagos de servicios públicos, historial de alquileres, comportamiento digital, actividad en redes sociales, incluso datos derivados de dispositivos móviles. Estas fuentes han demostrado ser útiles en países como India, Nepal y, sin ir más lejos, Brasil para incorporar a individuos con poca o nula historia crediticia al sistema financiero formal. Una investigación reciente sobre el caso uruguayo (cita al pie) reveló algo sorprendente: aunque existe abundante literatura teórica sobre las potencialidades de la IA en el sector financiero, apenas existen implementaciones concretas de estos sistemas en América Latina y, específicamente, en Uruguay. Esto contrasta significativamente con el creciente interés del sector en procesos de transformación digital. Los actores clave del ecosistema financiero uruguayo confirmaron que, aunque existen iniciativas de IA generativa en algunas áreas operativas, no se han desarrollado aplicaciones específicas para scoring crediticio.

Esta brecha entre teoría y práctica representa precisamente una oportunidad. Uruguay se encuentra en una posición ventajosa para desarrollar marcos innovadores que combinen eficiencia tecnológica con inclusión financiera. El país cuenta con legislación avanzada en protección de datos personales, una autoridad regulatoria especializada y un entorno democrático consolidado con altos niveles de confianza institucional.

Variables alternativas y acceso equitativo

Los algoritmos basados en machine learning tienen la capacidad de analizar grandes volúmenes de datos y detectar patrones que los modelos lineales tradicionales nunca podrían captar. Redes neuronales, gradient boosting, árboles de decisión: estas técnicas ofrecen precisión predictiva superior, especialmente cuando se dispone de conjuntos de datos amplios y heterogéneos.

Más aún, estos sistemas pueden incorporar lo que se conoce como “datos alternativos”. Una pequeña empresa que mantiene un registro consistente de pagos a proveedores puede recibir una evaluación positiva aunque no tenga historial crediticio formal. Un trabajador autónomo cuya actividad digital demuestra ingresos recurrentes puede acceder a crédito aunque sus ingresos no consten en un contrato tradicional. Un joven sin historial bancario puede ser evaluado según sus patrones de gasto responsable en transacciones digitales.

Este cambio paradigmático tiene implicaciones profundas. La IA, cuando se diseña con principios de equidad e inclusión, permite evaluar a usuarios sin historial crediticio utilizando proxies alternativos de solvencia financiera. No se trata simplemente de hacer más eficiente lo existente, sino de redefinir completamente cómo se diseñan las soluciones financieras.

La necesidad de responsabilidad y transparencia

Sin embargo, debemos considerar que esta oportunidad conlleva riesgos considerables. Los algoritmos pueden replicar patrones históricos de discriminación si no se diseñan con marcos éticos robustos. Los modelos pueden reproducir sesgos existentes, perpetuar inequidades o automatizar injusticias. La opacidad de algunos sistemas de IA operando como “cajas negras” dificulta la comprensión de cómo llegan a sus decisiones.

Por eso, el diseño responsable es imperativo. Esto implica incorporar técnicas de explicabilidad de modelos (XAI), implementar auditorías algorítmicas continuas, evaluar el impacto desproporcionado en grupos vulnerables, establecer mecanismos de transparencia con el cliente. Estas prácticas no son ornamentales; son requisitos para que un sistema de scoring con IA pueda contribuir realmente a la inclusión financiera en lugar de reforzar exclusiones ya existentes. Uruguay posee instituciones y marcos normativos que pueden servir como base para esta implementación ética. La Ley 18.331 de Protección de Datos Personales ya reconoce el derecho a comprender decisiones automatizadas que afecten derechos. El país puede avanzar hacia finanzas abiertas que privilegien la gobernanza centrada en el usuario, habilitar sandboxes regulatorios donde probar nuevos modelos, y desarrollar infraestructura pública que soporte y promueva la innovación responsable.

Conclusión: la oportunidad y el momento

Incorporar tecnología, automatizar, y usar herramientas de IA de forma ética y responsable, abre la puerta a un nuevo mundo que ya está aquí. No se trata de elegir entre eficiencia o inclusión, entre tecnología o equidad. El desafío es diseñar sistemas que persigan ambos objetivos simultáneamente. El sector financiero uruguayo tiene la oportunidad de sumarse al liderazgo regional demostrando que la IA, cuando se implementa conforme a criterios rigurosos, puede democratizar el acceso al crédito en lugar de concentrarlo. Que puede reducir sesgos en lugar de amplificarlos. Que puede construir relaciones más justas y equitativas entre instituciones financieras y usuarios. Su impacto depende de las decisiones que tomamos hoy. La automatización de los modelos, para que resulten más inclusivos, será la condición imprescindible para avanzar con equidad.

Como dice Harari (2016), en Homo Deus: Breve historia del mañana: “La tecnología no es buena ni mala, pero su futuro depende de las decisiones que tomemos hoy. Podemos usarla para construir sociedades más justas o para reforzar las desigualdades”.

Joaquín Rubio es licenciado MBA y magíster en Sistemas de Información por la Universidad de la República (Udelar), docente y coordinador académico en la Facultad de Ciencias Económicas y de Administración de la Udelar. CEO en Textum Automated Credits. Noelia de los Santos es licenciada en Economía y magíster en Sistemas de Información, Udelar. Analista funcional en Bantotal con experiencia en el área de colocaciones a nivel latinoamericano.

Bibliografía

  • Comesaña, Lanfranconi (2025). “El desafío del crédito productivo en Uruguay: análisis de la brecha y oportunidad fintech en Uruguay”. Informe Cámara Uruguaya Fintech.
  • De los Santos, N y Rubio, J (2025). Hacia una nueva evaluación crediticia en la era fintech: fundamentos para un modelo alternativo de scoring con IA en Uruguay (Tesis de maestría, FCEA, Udelar).
  • Martínez Fernández, L (2023). Comparative analysis of machine learning algorithms for credit scoring in emerging markets. International Journal of Financial Engineering, 10(2), 123-145.

Nuka, T y Osedahunsi, B (2024). From bias to balance: Integrating DEI in AI-driven financial systems to promote credit equity. International Journal of Science and Research Archive, 13(02), 1189–1206. https://doi.org/10.30574/ijsra.2024.13.2.2257.