Andrés y el Crédito que Aprendió a Decidir

Prólogo

Un miércoles a las 11:47 de la mañana, Andrés tenía cuatro cosas en la pantalla al mismo tiempo y ninguna le decía lo que necesitaba saber.

En el dashboard de operaciones: doscientas treinta solicitudes de crédito abiertas, de las cuales ochenta y cuatro llevaban más de cuarenta y ocho horas sin decisión. No rechazadas — sin decisión. En el chat del comité de riesgo: un analista pidiendo más tiempo para revisar "los perfiles atípicos". En su correo: el corredor de una empresa de logística con ciento veinte vehículos preguntando si Crédito Ágil podía dar respuesta en el día, porque el banco que tenían se la daba en una semana y ya estaban cansados. Y en el único número que de verdad le importaba ese miércoles: la tasa de aprobación del mes, que llevaba tres meses bajando sin que nadie pudiera explicarle exactamente por qué.

Andrés sabía lo que el banco tardaba en aprobar un crédito: cinco días hábiles en promedio. Lo que no sabía — y eso era lo que no lo dejaba dormir — era si esos cinco días eran cinco días de análisis, o cinco días de esperar que alguien tuviera tiempo de mirar.

Había fundado Crédito Ágil con una promesa simple: crédito para empresas medianas en tiempo real, sin la burocracia bancaria. La había cumplido en los primeros tres años, cuando todo cabía en su cabeza y en la de seis analistas que conocía por nombre. Pero la cartera había crecido. Los analistas también. Y en algún punto del crecimiento — no sabía exactamente cuándo — la promesa de "crédito ágil" había dejado de cumplirse de forma consistente.

El corredor de los ciento veinte vehículos esperaba respuesta.

Andrés lo dejó en visto. No porque no quisiera responder — sino porque no sabía qué decirle con honestidad.

Capítulo 1 — El Diagnóstico

El consultor llegó con una pregunta que Andrés no esperaba:

"¿Qué generación de IA está usando Crédito Ágil?"

Andrés respondió con lo que sabía: modelos de scoring, Copilot, el chatbot. El consultor escuchó con paciencia y luego dibujó una línea en el tiempo.

Le explicó que la IA Simbólica de los años 80 eran reglas programadas por humanos — si el cliente tiene más de 3 moras, rechazar. Que el ML aprendía patrones de datos históricos para predecir — el scoring de Crédito Ágil vivía aquí. Que el Deep Learning procesaba señales no estructuradas — voz, imágenes, texto libre de las solicitudes. Que la GenAI generaba — análisis, resúmenes, recomendaciones. Y que los Agentes actuaban — no solo analizaban, sino que tomaban decisiones dentro de parámetros definidos y ejecutaban en los sistemas reales de la empresa.

"¿Y qué significa ser Agéntico?"

"Significa que tienes un ecosistema donde varios agentes coordinan entre sí como un sistema nervioso. No un agente — un enjambre. El agente de riesgo habla con el agente de fraude, que habla con el agente de onboarding, que habla con el agente de cumplimiento. Sin fricción. Sin los 67 analistas en el medio."

Andrés procesó eso en silencio. Luego preguntó lo que realmente le preocupaba:

"¿Por qué los dos proyectos anteriores no funcionaron?"

"Porque compraron herramientas sin arquitectura. Eso tiene nombre — se llama Gen AI Paradox. El 80% de las empresas en LATAM tienen IA. El 80% no ven resultados. No porque la IA falle — sino porque nadie construyó la base antes de poner el techo."

Andrés pensó en el chatbot. En el Copilot. En los $340.000 dólares.

"Entonces estuvimos poniendo techos sin paredes."

"Exacto."

Capítulo 2 — La Arquitectura

La segunda reunión empezó con un diagnóstico que Andrés no quería escuchar.

Crédito Ágil no tenía un modelo de scoring. Tenía una cadena de cuatro: modelo de originación (¿apruebo o no?), modelo de pricing (¿a qué tasa?), modelo de comportamiento post-desembolso (¿va a pagar?) y modelo de cobranza (¿cuándo y cómo cobrar?). Todos habían sido entrenados entre 2020 y 2022. Todos habían derivado en silencio mientras el mundo cambiaba.

"Eso se llama Model Drift", dijo el consultor. "Tus modelos se degradan cuando el mundo cambia y ellos no se actualizan. No generan errores visibles — generan decisiones levemente equivocadas de forma consistente. Pero el más peligroso no es el de originación — es el de comportamiento post-desembolso. El que predice si el cliente va a pagar después de que el dinero ya está en su cuenta. Ese es el que explica el 8.3% de mora."

Andrés calculó mentalmente. No era un número pequeño multiplicado por $180 millones.

"¿Y el historial de 9 años que tenemos?"

"Sirve — pero tu IA no puede leerlo. Tienes 14 fuentes de datos que no se hablan entre sí. Sin una Vector Database, el conocimiento institucional de Crédito Ágil es un activo que existe pero no es recuperable. Es como tener una biblioteca de 9 años y no tener sistema de búsqueda."

"¿Cómo se resuelve?"

"Con RAG. Tu agente de riesgo necesita conocer tu empresa antes de operar. Sin RAG, tiene un genio con amnesia institucional — responde con confianza usando patrones generales, no los de tu cartera real. Con RAG, tiene 9 años de historial crediticio propio como contexto antes de evaluar una sola solicitud."

Había una fuente de datos más que Crédito Ágil tenía disponible pero no sabía procesar: las señales de Open Finance. Con el marco regulatorio de la SFC en Colombia y la Ley FinTech en México, los clientes podían compartir su historial de cuentas bancarias como señal de scoring alternativa. Pero esa información llegaba en formatos distintos, en volúmenes que ningún analista podía procesar manualmente y con una velocidad que hacía inútil el análisis retrospectivo.

"La Vector Database combinada con el agente de riesgo es la única arquitectura que puede convertir esas señales de Open Finance en decisiones de crédito en tiempo real", explicó el consultor. "Ningún modelo tradicional puede hacerlo."

"¿Y cómo conecta todo esto con nuestros sistemas? Tenemos un core bancario, tres plataformas de origination, los burós, las fuentes de Open Finance..."

"Con MCP. El protocolo que convierte un agente que razona en un sistema que opera dentro de tu empresa. El USB-C de la inteligencia artificial — cualquier agente se conecta a cualquier sistema sin integraciones frágiles a medida."

"¿Y el motor de IA que usemos por debajo importa?"

"Menos de lo que crees. Con lo que en el sector llamamos Modelo Fundacional, el motor de razonamiento, tu ventaja competitiva no está ahí — está en los datos propios que nadie más tiene. 9 años de comportamiento crediticio en Colombia, México y Perú, más las señales de Open Finance de tus clientes. Eso no se puede comprar. Solo se puede arquitectar."

Capítulo 3 — El Primer Agente

Cuatro meses después, Crédito Ágil tenía su primer agente en producción.

Se llamaba internamente "el Analista de Riesgo" — y evaluaba solicitudes de crédito de menos de $5.000 dólares con perfil de cliente estándar. Consultaba el historial propio de Crédito Ágil vía RAG, cruzaba con señales de los burós y de Open Finance vía MCP, y generaba una recomendación con nivel de confianza en menos de 40 segundos.

No aprobaba ni rechazaba solo — recomendaba. Un analista humano revisaba los casos de confianza media. Los de confianza alta se aprobaban automáticamente dentro de parámetros definidos por el comité de riesgo.

Andrés observó los primeros resultados con cautela. Pero lo que más le impactó no fue la velocidad — fue entender cómo estaba construido.

El agente tenía Skills específicas: evaluación de riesgo crediticio, interpretación de señales de comportamiento de pago, detección de patrones de fraude documentados en la cartera de Crédito Ágil, procesamiento de señales de Open Finance. No era omnisciente — era especialista.

Tenía Tools precisas: acceso a la Vector Database de Crédito Ágil, consulta a los burós vía API, integración con las fuentes de Open Finance, lectura del core bancario. Nada más.

"¿Por qué tan restringido?"

"Least Privilege", respondió el equipo técnico. "El Analista de Riesgo no necesita ver nómina, no necesita ver estrategia comercial, no necesita ver los contratos con proveedores. Menos acceso es menos superficie de riesgo — y en un entorno regulado por la SFC y la CNBV, eso no es opcional. Pero limitar el acceso no es limitar la conducta: lo que el agente puede hacer con ese acceso —su Proporción de Agencia Mínima— se gobierna por separado."

Andrés también hizo la pregunta que más le importaba:

"¿El código es nuestro?"

"Sí. Vive en el Repo de Crédito Ágil desde el primer día. Si mañana cambian de proveedor, se llevan la inteligencia — no la dejan atrás."

Capítulo 4 — La Noche que el Agente se Equivocó

Tres meses después de entrar en producción, el Analista de Riesgo cometió un error.

Aprobó 23 solicitudes en una franja horaria inusual — madrugada del viernes. En retrospectiva, las señales estaban ahí: cuatro solicitudes desde el mismo dispositivo con identidades distintas, referencias cruzadas entre solicitantes que se listaban mutuamente, y los desembolsos fluyeron hacia dos cuentas destino en menos de 90 minutos. Fraude de anillo. El agente no tenía esos patrones en su baseline de entrenamiento. Los aprobó con confianza alta.

$47.000 dólares en créditos que nunca se pagarían.

Andrés convocó una reunión de crisis el lunes.

El consultor llegó con calma. "El agente no fue hackeado. No falló técnicamente. Encontró un patrón que no estaba en sus datos de entrenamiento — y actuó con el nivel de confianza disponible. Esto se llama Alucinación aplicada a decisiones operativas: el sistema responde con confianza en un contexto para el que no estaba preparado."

"¿Cómo evitamos que vuelva a pasar?"

Tres capas de respuesta.

Primera: Human-on-the-Loop real. El agente había estado operando con demasiada autonomía en casos de confianza alta. El umbral necesitaba ajustarse — no para eliminar la autonomía, sino para calibrarla al nivel de riesgo real. Y necesitaba una capa de Gobernanza en Tiempo de Ejecución: reglas que corren junto al agente y frenan una acción fuera de patrón en el momento — a las tres de la mañana, cuando ningún humano está mirando. Andrés no debía desaparecer del proceso. Debía evolucionar de aprobador manual a gobernador del sistema.

Segunda: LOA — Levels of Automation. Cada tipo de solicitud necesitaba su nivel de automatización definido. Solicitudes estándar de bajo monto en horario hábil: alta autonomía. Solicitudes fuera de patrón, de madrugada o con señales de Open Finance inusuales: pausa y revisión humana. El mapa LOA era la constitución del ecosistema de crédito.

Tercera: Shadow AI. Durante la investigación encontraron algo más: tres analistas del equipo de riesgo habían estado usando ChatGPT con datos de clientes para agilizar sus evaluaciones. Sin política. Sin aprobación. Sin trazabilidad. En una entidad supervisada por la SFC y la CNBV, eso no era solo un riesgo operativo — era una exposición regulatoria.

"¿Qué hacemos?"

"Gobernarlo — no prohibirlo. La prohibición no funciona. La arquitectura sí."

Andrés salió de esa reunión con algo que no esperaba: no miedo — claridad. Los riesgos tenían nombre. Y lo que tiene nombre, se puede gobernar.

Capítulo 5 — El Sistema Nervioso

Un año después, Crédito Ágil no tenía un agente. Tenía un ecosistema.

El Analista de Riesgo había sido el primero. Luego vino el Agente de Fraude — entrenado en patrones de fraude de anillo, solicitudes coordinadas y flujos de fondos sospechosos post-desembolso. Luego el Agente de Onboarding — que procesaba documentación, cruzaba con fuentes de identidad y pre-calificaba prospectos antes de que un humano los viera. Luego el Agente de Cumplimiento Regulatorio — que verificaba en tiempo real que cada desembolso cumpliera los estándares KYC/AML de los tres países: SARLAFT en Colombia, LFPIORPI en México, normativa SBS en Perú. No como un paso manual de revisión — como una capa automática que corría en paralelo a cada aprobación. El Chief Compliance Officer dejó de ser el cuello de botella. Se convirtió en el arquitecto de las reglas que el agente ejecutaba.

No eran bots independientes. Eran una Silicon-based Workforce — colaboradores digitales con roles definidos, con Skills especializadas, con Handoff Patterns explícitos entre ellos. Cuando el Agente de Fraude detectaba un patrón sospechoso en una solicitud ya aprobada, transfería el contexto comprimido al Agente de Cobranza Temprana con precisión. Sin fricción. Sin pérdida de información.

Los 67 analistas de riesgo seguían en Crédito Ágil. Pero su perfil había evolucionado — de revisores de expedientes estándar a gestores de excepciones complejas, entrenadores del modelo con su conocimiento crediticio acumulado y auditores de la calidad del agente. El mercado laboral FinTech tenía un nombre para ese perfil: AI Risk Stewards. Crédito Ágil los tenía antes de que el término se popularizara.

La junta de diciembre fue diferente.

Andrés presentó cuatro números: la mora estaba en 5.8% — por debajo del benchmark del sector por primera vez en cuatro años. El tiempo de aprobación promedio: 6 minutos. La tasa de conversión del funnel de originación había subido 34 puntos porcentuales — los clientes que antes abandonaban durante las 48 horas de espera ahora recibían su respuesta antes de cerrar la aplicación. El capital rotaba más rápido. El costo de adquisición había bajado. Y el costo operativo del equipo de riesgo se había reducido en un 34% sin despedir a nadie.

El ROI Agéntico era auditable, no una narrativa.

Un director del board hizo la pregunta que Andrés había aprendido a responder:

"¿Cómo medimos que esto sigue funcionando?"

"Con cinco métricas: costo por decisión, latencia de aprobación, exactitud del scoring, nivel de seguridad del ecosistema y estabilidad del comportamiento bajo carga. Lo llamamos CLASSic Metrics. El baseline lo definimos antes del primer deploy. Hoy tenemos ocho meses de tendencia."

Silencio en la sala. Luego:

"¿Y qué hace VDA Studio en todo esto?"

Andrés respondió sin dudar:

"No instalaron software. Rediseñaron el sistema nervioso de Crédito Ágil."

Epílogo

El Ecosistema Agéntico no es una meta tecnológica. Es una decisión estratégica.

Andrés tardó nueve años en construir Crédito Ágil. Y tardó doce meses en transformar cómo operaba — no reemplazando lo que había construido, sino arquitectando la inteligencia que sus datos siempre habían prometido.

La diferencia entre las FinTechs que lideran y las que sobreviven no es el presupuesto. No es el tamaño. No es el acceso a tecnología — todos tienen acceso a los mismos modelos fundacionales.

Es si el CEO entiende que los datos propios son el activo más valioso que tienen — y que sin arquitectura agéntica, ese activo seguirá atrapado en sistemas que la inteligencia no puede leer.

Andrés lo entendió tarde. Pero lo entendió a tiempo.