El futuro del crédito digital no depende solo de tener más datos, sino de qué tan rápido se pueden convertir en decisiones accionables, fue la conclusión de los representantes de uFlow, Círculo de Crédito y Spin by OXXO, en el marco de la semana FinTech que se realiza en Ciudad de México.
Este enfoque, explicaron, es especialmente relevante en el contexto de las finanzas embebidas, donde plataformas no financieras —como retailers, apps de movilidad o servicios de telecomunicaciones— integran crédito en sus experiencias de usuario. En esos entornos, la capacidad de decidir rápido y con datos no tradicionales marca la diferencia entre una conversión exitosa y una oportunidad perdida.
Martín Ayarzagoitia, Chief Financial Officer (CFO) de Círculo de Crédito, planteó que el reto actual ya no es el acceso a información, sino la capacidad de adaptación. En un entorno donde los ciclos económicos y el comportamiento del consumidor cambian en semanas, las instituciones no pueden tardar meses en modificar sus políticas de riesgo.
«La democratización del crédito no solo depende de los datos, sino de la capacidad de las empresas para modificar sus políticas de riesgo en tiempo real sin depender de ciclos de desarrollo de software eternos”, dijo durante su participación en el panel.
Para el experto, este punto conecta directamente con la evolución de las finanzas embebidas, ya que las plataformas que integran crédito necesitan flexibilidad para responder a variaciones en morosidad, estacionalidad o cambios regulatorios sin rediseñar toda su arquitectura.
Las finanzas embebidas como “motor de decisiones”
Para Santiago Etchegoyen, CTO y cofundador de uFlow, la transformación se refiere al paso de procesos manuales (donde el área de riesgo depende de desarrolladores para cambiar políticas) a sistemas configurables por el propio equipo de crédito.
En ese esquema, el “motor de decisiones” es la capa tecnológica que centraliza y ejecuta las reglas de negocio definidas por la empresa que otorga el financiamiento. Por ejemplo, límites de monto, niveles de riesgo aceptables, combinaciones de variables, políticas de aprobación o rechazo, etc. Todo ello, junto con modelos de scoring y distintas fuentes de datos, incluidos burós y data transaccional interna.
“El motor de decisiones permite automatizar hasta el 90% de las decisiones de crédito, dejando el análisis humano solo para casos excepcionales. Lo importante es que esto no sea una tarea que implique tener especialistas en código”, señaló, en referencia a no tener que involucrar a desarrolladores cada vez que el área de riesgo quiere cambiar una regla.
Durante el panel, Etchegoyen y Ayarzagoitia coincidieron en que el éxito del crédito digital en 2026 radica en la orquestación: integrar modelos externos de mercado con modelos internos ajustables. Esta automatización permitiría que sectores como retail o economía bajo demanda se convirtieran en originadores de crédito de forma casi inmediata.
IA generativa como vehículo para la hiperpersonalización
Desde la perspectiva de Spin, Sahari Cabello, Head of Credit Strategy and Analytics, llevó el debate al área de la inteligencia artificial. Más allá del entusiasmo inicial, explicó que la IA generativa ya está teniendo aplicaciones concretas en crédito.
Cabello destacó que estas herramientas ya permiten transitar de modelos de riesgo estáticos a estrategias de hiperpersonalización, facilitando a las fintech y empresas de crédito prever comportamientos entre sus clientes.
Esto no solo impacta en originación, sino también en cobranza preventiva: contactar al cliente antes de que deje de pagar, con mensajes adaptados a su perfil y contexto. El resultado es una gestión más fina del riesgo y una experiencia menos intrusiva para el usuario, especialmente en segmentos históricamente subatendidos.
Caso Spin: Modelos matemáticos e IA para anticipar riesgo
La evolución hacia la hiperpersonalización no implica abandonar los modelos matemáticos tradicionales, sino fortalecerlos, señaló Cabello. Durante el foro, la también Licenciada en Matemáticas Aplicadas explicó que la base sigue siendo analítica: regresiones logísticas, estimaciones de probabilidad de incumplimiento (PD) y scorecards con ponderación de variables. Lo que cambia es la capa adicional de aprendizaje automático que recalibra estos modelos con información transaccional más reciente.
En lugar de depender exclusivamente de fórmulas construidas con datos históricos, el modelo incorpora señales dinámicas propias del ecosistema digital de la plataforma. Entre las más destacadas están: frecuencia de uso, variaciones en patrones de gasto, cambios en ticket promedio o alteraciones en hábitos de pago.
La IA generativa, explicó Cabello, actúa sobre los resultados de esos modelos para convertirlos en acciones concretas: segmentación diferenciada, ajustes personalizados en líneas de crédito o estrategias de comunicación preventiva. “No se trata únicamente de predecir incumplimiento, sino de intervenir antes de que ocurra”, explicó.
Así, el modelo combina matemáticas tradicionales, machine learning y capacidades generativas para gestionar riesgo con mayor precisión en segmentos donde el historial crediticio puede ser limitado o incompleto.
¿Qué datos alternativos se consideran para una evaluación crediticia?
Durante el panel también se mencionó que la evaluación crediticia dentro de esquemas de finanzas embebidas ya no se limita a información de burós tradicionales.
Dependiendo del ecosistema, pueden incorporarse datos transaccionales propios de la plataforma, comportamiento de pagos digitales e incluso información proveniente de servicios de telecomunicaciones, como patrones de recarga, consumo de datos o historial de pago en planes móviles.
En ese sentido, Ayarzagoitia destacó que la data de telecomunicaciones se ha convertido en una señal de comportamiento financiero tan potente como un historial bancario.
«Al final, si tú eres un usuario que lleva tres o cuatro años pagando puntualmente su plan de renta en AT&T o sus recargas constantes en Movistar, eso nos da una señal de comportamiento financiero muy potente. Aunque no tengas una tarjeta de crédito, tu comportamiento con tu línea móvil ya te define como alguien responsable y sujeto de crédito”, explicó.
Este tipo de variables, coincidieron los panelistas, amplían la capacidad de evaluación, especialmente en segmentos con historial crediticio limitado. Esto, siempre que sean integradas de forma regulatoria y con consentimiento del usuario.
De hecho, para Etchegoyen, esta convergencia de datos plantea un cambio de paradigma: el modelo de mercado (Buró) ya no compite contra el modelo interno de la empresa, sino que se complementan. Lo importante es saber ponderar ambos en el momento justo del ciclo de vida del cliente.
“El éxito radica en la orquestación: combinar modelos de mercado con datos propios dentro de la plataforma de forma dinámica. No se trata de cuál modelo es mejor, sino de cómo se complementan. Al principio el Buró te da la imagen completa, pero conforme el cliente vive en tu app, tu propia data empieza a tomar más peso”, explicó el directivo de uFlow.
Con esta visión, los panelistas concluyeron que el crédito en 2026 será un servicio invisible y omnipresente, donde la tecnología móvil no solo es el canal de entrega, sino la fuente principal de inteligencia para garantizar un crecimiento responsable y rentable en la región.
Imagen principal: Aline Sarmiento.
