La morosidad fue hace unos años –tras el boom de la crisis– un grave problema contable. El cliente de tu cliente no pagaba, y el efecto bola de nieve llegaba a tu proveedor, que se preguntaba si vería el dinero. Para que algo así no vuelva a ocurrir, usaremos la inteligencia artificial (IA) para detectar a futuros morosos.
No es ciencia ficción. La empresa española Axesor ya ha creado un sistema basado en redes neuronales para gestionar el riesgo de crédito empresarial. Y en tiempo real. La economía empresarial ha crecido tanto en complejidad que un análisis tradicional aporta poco a la estabilidad contable y bastante incertidumbre. Necesitamos a las máquinas. Necesitamos IA.
La complejidad del sistema económico
Hasta hace no demasiado tiempo las empresas eran entornos relativamente predecibles. Uno tenía sus clientes y sus proveedores, un espacio físico donde trabajar o vender, una plantilla poco cambiante, etc. Acceder a un crédito dependía de pocas o muy pocas variables, como el clásico balance de situación.
Pero el mundo laboral moderno es caótico. Los clientes y proveedores cambian y se han multiplicado al externalizar decenas de servicios. Los clientes llegan físicamente, pero también a través de la web, las redes sociales y otros medios. Algunos trabajadores trabajan en local, otros teletrabajan.
Lo que la fintech Axesor ha conseguido, gracias al entrenamiento de las redes neuronales, es identificar más de 400 variables o factores de cada empresa. Algunas son, por ejemplo, el capital ingresado a diario (flujo de caja), el número de trabajadores de los últimos 30 días, la relación entre número de proveedores y trabajadores, y un largo etcétera.
¿Cómo se usa la iA para evitar la morosidad?
Un moroso es una empresa o persona que no paga lo que debe. Ya sea porque se ve incapaz de responder a los pagos o porque no quiere. Lo primero es mucho más probable. La economía es un sistema complejo, y la mayoría de las marcas y personas no contamos con un colchón para amortiguar el riesgo de impago. Lo que sí tenemos son muchas deudas. Y nos metemos en más.
En el pasado precrisis, pedir un crédito resultaba fácil porque la morosidad era excepcionalmente baja. Tras ella, la morosidad creció y necesitábamos nuevos mecanismos para analizar a quién dejamos nuestro dinero. La inteligencia artificial, gracias a su vertiente de machine learning, es uno de ellos.
Imaginemos que analizamos 100 empresas minuto a minuto. Tenemos 400 factores de todas ellas muy bien atados. De estas empresas, 50 piden un crédito y cinco se ven incapaces de devolverlo. Es decir, hay un 5% de morosidad. La pregunta clave es “¿Por qué estas empresas no han podido devolver el crédito?”. ¿Tienen algo en común?.
Analizando esos 400 factores, la inteligencia artificial se da cuenta de que las 5 marcas comparten varios de ellos. Es decir, que hay cierta correlación en cómo ese 5% de morosos gestiona su empresa. Pueden ser clientes comunes, una balanza de pagos desequilibrada muy similar o una subcontratación parecida de ciertos servicios clave.
Probablemente se deba a más de un factor, y los seres humanos no somos buenos buscando en una gran cantidad de datos más de una causa. De ahí que necesitemos que la inteligencia artificial entrenada intervenga para echarnos una mano.
“¿Me das cinco monedas?”. “Te doy una y vamos viendo”
El problema principal de la morosidad no es la picaresca, que sin duda la hay, sino la imposibilidad de responder al pago por diversos motivos. A menudo ajenos a la marca o persona deudora. Gracias a la inteligencia artificial, podemos visualizar esos motivos antes de que inmovilicen al prestatario (quien recibe el dinero).
Así, cuando una empresa o particular acuden a por un préstamo, la IA puede analizar un gran volumen de datos de marcas o personas con características similares. En un particular, por ejemplo, sus ingresos de los últimos años, personas que dependen de ese sueldo, deudas previas, capacidad de respuesta con activos personales…
E incluso se podría extender el análisis a otros factores que parecen ajenos a los pagos y la economía. Por ejemplo el tipo de ocio predilecto, especialmente aquel que causa adicciones; la cantidad de familiares cercanos, que siempre pueden amortiguar la caída, o el nivel económico de los amigos más cercanos.
Como dato interesante, la estratificación salarial tiene como uno de sus factores claves los ingresos medios a nuestro alrededor. Es decir, si nuestros amigos empiezan a ganar más dinero, es probable que nos sintamos influidos y acabemos por cambiar de trabajo a otro con un salario mayor. Si a nuestro alrededor los salarios son bajos, tendemos a plantarnos.
Estos y otros datos aparentemente no correlacionados con el crédito son claves a la hora de otorgarlo. Al menos cuando se espera su retorno. Incluso se habla de reputación online e índice de confiabilidad en ciertos sectores particulares; o directamente “calificación social” si vamos a lo ‘Black Mirror’ o a China.
Así, dentro de unos años es posible que vayamos a una entidad de crédito y el prestamista nos diga que, según nuestro perfil, no nos conviene en absoluto pedirlo. Algo así podría beneficiarnos como prestatarios.
También es posible que ajusten y personifiquen intereses y capital prestado para asegurarse, primero, de que podemos hacer frente al pago y devolverles su dinero a un interés aceptable para ambas partes. Y, segundo, de que no nos hundiremos. A la economía no le interesa que reine la morosidad.
La ética tras la denegación del crédito
Hace 15 años, cuando una marca o particular acudía a una entidad bancaria, el préstamo estaba asegurado. “¿Nueva máquina, por qué no reformas la fábrica entera?”. “¿Inviertes en una casa? Toma un 20% más para el coche y las vacaciones”.
Si todas las piezas y agentes de la economía tienen liquidez, la morosidad y el efecto bola de nieve no existe. Pero basta con que una empresa cometa errores para que llegue la avalancha. El efecto dominó es peligroso. A nivel de empresas es duro, pero a las personas les puede ocasionar una catástrofe económica.
Fintechs como Axesor, apoyadas en la inteligencia artificial, serán capaces de analizar el perfil del prestatario mejor que nadie. Mejor que él mismo, incluso. Y esto las coloca en una posición de cierto poder y responsabilidad.
¿A quién no le fastidia que le nieguen un crédito cuando quiere comprarse una vivienda? Sin embargo, existe una importante vertiente ética en la denegación crediticia. Como si de una bola de cristal basada en la estadística y el machine learning se tratase, pronto podremos saber con cierto margen de seguridad y error si un prestatario puede asumir o no el crédito que pide.
Cuando es que sí, no hay problema. Se va feliz con su dinero para invertirlo en aquello que persigue. Cuando es que no, y somos el prestatario, nos ‘pica’ y hiere. “¿Por qué no me dan el crédito?” Pero cuando una inteligencia artificial nos niega el crédito, probablemente nos haga un favor a título personal.
Se trata de un favor ético que quizá estemos pasando por alto. Existían muchas –demasiadas– posibilidades de no poder hacer frente al pago. De entrar en una espiral de deuda y de arruinarnos. La inteligencia artificial, gracias a técnicas de machine learning y deep learning, puede analizar mejor que nosotros e impedir que cometamos ciertos errores.
En Nobbot | El peligro de calificar a los ciudadanos con una nota (como ya prueban en China)
En Nobbot | ¡Adiós a los atascos! IBM planea eliminarlos con ayuda de la inteligencia artificial
Imágenes | iStock/PhotoBylove, iStock/Heavypong, iStock/R_Type, iStock/monsitj