En segundos, un modelo de inteligencia artificial decide si una persona accede a un préstamo, sin que ningún empleo revise el caso. En Argentina, el 79% de las fintech ya aplica IA en al menos un proceso de su operación, y el 60% la usa directamente en scoring crediticio y gestión de riesgo, según el relevamiento de la Cámara Argentina Fintech junto con PwC sobre 112 empresas del sector. El fenómeno ya dejó de ser marginal, de hecho, más de 7 millones de argentinos se financian hoy a través de fintech, 2 millones más que un año atrás, con un crecimiento del 47% interanual en la cartera del sector a febrero de 2026, según el Banco Central. El crédito privado, mientras tanto, apenas representa el 13,6% del PBI, muy por debajo del 44,1% que promedia la región.

Sin embargo, no todas las entidades llegaron al mismo punto respecto al uso de IA. "A la banca tradicional le cuesta avanzar rápido porque sus procesos de decisión son pesados y hay tanta desagregación de funciones que es complejo alinear los intereses de todas las áreas", explica a Forbes Argentina Sergio Sirotinsky, profesor de IA en la Universidad del CEMA y con 30 años de experiencia en banca. "A muchas fintech les cuesta menos avanzar ya que sus procesos de toma de decisiones están más centralizados y tienen menos sistemas legacy que mantener". En relación a esto, Forbes Argentina invitó a participar de esta nota a bancos tradicionales con operación en el país, que declinaron la entrevista.

De la excepción a la norma en las fintech

La promesa detrás de esta automatización es cerrar esa brecha llegando a quienes la banca tradicional nunca consideró. Y en simultáneo con este boom en el uso de IA aparece el problema de la mora en préstamos personales bancarios llegó a 15,9% y en créditos a familias a 12,8%, según el BCRA. En el segmento fintech, la irregularidad es todavía más alta: la cartera fintech alcanzó una irregularidad del 26,2%, y trepó al 34,1% en los préstamos personales otorgados por proveedores no financieros.

Hasta hace pocos años, el scoring alternativo con IA era una apuesta de fintechs chicas orientadas a un nicho específico, incluyendo personas sin historial crediticio tradicional, pero hoy es el estándar de gran parte de la industria fintech: "En Naranja X la tecnología y la analítica avanzada cumplen un rol central en la evaluación crediticia. Buscamos usar herramientas que hagan el análisis más ágil, preciso y relevante para cada cliente, dentro de una política de riesgo responsable", explica a Forbes Argentina Diego Canónico, Head of Product en esta compañía. Según el ejecutivo, el objetivo va más allá de decidir si se otorga o no un crédito, porque lo que se busca es entender qué propuesta es adecuada para cada cliente, es decir, cuánto puede tomar, en qué condiciones y de una manera consistente con su capacidad de pago.

El modelo ya no mira solo el historial crediticio tradicional. "Dependiendo del producto y de la información disponible, esto puede incluir nivel de endeudamiento, capacidad y comportamiento de pago, información financiera y transaccional, estabilidad de ingresos y relación previa del cliente con la compañía, siempre dentro del marco regulatorio y de las políticas de riesgo", detalla Canónico.

Ualá sigue una lógica similar con UaláScore, su motor propio de scoring crediticio basado en IA, que evalúa el perfil de cada persona a partir de datos sociodemográficos, transaccionales y de comportamiento dentro del ecosistema de la app. A diferencia de una foto única al momento de pedir el crédito, el modelo de Ualá se actualiza con el uso. Andrés Matalón, director de Crédito, lo explica a Forbes Argentina: "A medida que el cliente interactúa más con los productos de la compañía, UaláScore recalcula su diagnóstico y eso puede traducirse en mayores montos disponibles y mejores tasas". La compañía señala, además, que quienes acceden a crédito construyen un historial de comportamiento crediticio que queda registrado ante el BCRA, un dato que conecta esta discusión con el sistema financiero regulado, más allá del scoring interno de cada entidad.

¿Hay relación entre ambos fenómenos? ¿Será que la mora es más alta porque la IA le otorga créditos a quién luego no puede pagarlos? Al respecto, Sirotinsky hace doble clic sobre el concepto de "democratización" del crédito que promete el uso de la IA en este proceso: "Contar con información más allá del historial crediticio puede permitir que accedan personas que antes quedaban afuera. Pero depende de sobre quiénes se consigue esa información: si la entidad conoce mucho mejor a sus clientes actuales que a quienes nunca estuvieron bancarizados, la mejora puede concentrarse en quienes ya tenían acceso", advierte.  

Quién controla al modelo

Ninguna entidad financiera habla espontáneamente de sus tasas de error. De todos modos, Naranja X describe un proceso interno de control. "No alcanza con que el modelo prediga correctamente el riesgo; también es importante entender por qué toma determinadas decisiones", explica Canónico. Para eso, dice, se analizan clientes de riesgo equivalente, se buscan diferencias injustificadas entre segmentos y se revisan variables que puedan actuar como proxies de discriminación. "Si un grupo recibe menos crédito sin mostrar mayor riesgo real, no se trata de una buena gestión de riesgo, sino de una exclusión que debe corregirse", sintetiza.

¿Alcanza esa autorregulación? Sirotinsky es escéptico de que baste con la palabra de la propia entidad: "Decir 'nos auditamos' no alcanza: hay que mostrar qué se midió, qué problemas aparecieron y qué se corrigió. Para decisiones que afectan oportunidades económicas, considero necesaria también una verificación externa y supervisión efectiva". Aclara, sin embargo, que el sistema no depende únicamente de la buena voluntad de cada banco, ya que están sujetos a la supervisión del BCRA y a auditorías externas. "Eso no significa que cada modelo de IA ya tenga una auditoría específica de sesgos, pero existe una estructura de control sobre la cual avanzar", dice el entrevistado de UCEMA.

Quién entiende lo que firma

La velocidad con la que hoy se aprueba un crédito tiene, además, un problema relacionado con el conocimiento del producto por parte de quien lo toma. Un relevamiento de la OCDE sobre 39 economías encontró que, entre los adultos que habían tomado algún crédito completamente online, apenas el 28% comprendía cómo funcionan el interés simple y compuesto, y solo el 35% alcanzaba el nivel mínimo de alfabetización financiera digital. El organismo advierte que los procesos rápidos de aprobación y la posibilidad de contratar crédito en pocos pasos pueden favorecer decisiones repetidas de endeudamiento sin una evaluación completa de sus consecuencias.

Esto lleva nuevamente a abordar el tema de la alta mora actual. De todos modos, tanto Canónico como Sirotinsky rechazan vincular directamente el aumento de la mora con la llegada de la IA a las decisiones de crédito. "Bien aplicada, la tecnología ayuda a originar mejor, a ajustar mejor la oferta y evitar decisiones masivas poco precisas", afirma el ejecutivo de Naranja X. Sirotinsky es todavía más categórico: "No veo fundamento para atribuir el aumento de la mora a la IA. Los bancos utilizan desde hace años modelos para evaluar el riesgo crediticio, incluidos modelos de aprendizaje automático: esto no nació con el auge de la IA generativa. No es un algoritmo prestándole a cualquiera por su cuenta. Para explicar la mora hay que analizar la capacidad de pago, las condiciones económicas y las políticas de crédito; vincularla con la IA me parece muy aventurado".

¿Quién gana con esta IA?

Los entrevistados señalan que esta tecnología trae beneficios. "Para la entidad, usar IA permite reducir costos y procesar más solicitudes. Para el usuario, depende de cómo se traslade esa mejora. Si solamente recibe la misma deuda más rápido, el principal beneficio quedó del lado de la empresa", plantea Sirotinsky. Y agrega una idea que roza el reclamo regulatorio: "Si a la mayor eficiencia se suma una mayor competencia, sería esperable que parte de ese ahorro se traduzca en un menor costo total del crédito para el cliente. No es automático, pero es una mejora que deberíamos exigir".

Sobre si a un usuario debería importarle si quien aprueba su crédito es una persona o un algoritmo, es tajante: "En general, no debería ser una preocupación para el cliente. Lo que le importa es el resultado: que le ofrezcan un crédito adecuado, con condiciones claras, un costo razonable y una buena atención. Si hay un error o un reclamo, la entidad debe responder por él, independientemente de si la decisión la tomó una persona o una IA".

Un boom que no es solo bancario

El crédito instantáneo para comprar en el momento no es exclusivo de bancos y fintech. La misma lógica de acceder a financiamiento en el momento de la compra, sin trámites ni esperas, ya se replica en otros rubros de consumo tales como el modelo Buy Now, Pay Later (BNPL) para compras generales y el financiamiento de smartphones que ofrecen compañías como Trustonic crecen bajo la misma premisa. Es, en definitiva, el mismo fenómeno de fondo que lleva a millones de argentinos a financiarse de forma rápida y efectiva.  

En ese ecosistema también ganaron lugar los intermediarios. Por ejemplo, Alprestamo es un marketplace que conecta usuarios con entidades financieras, y utilizan IA para analizar perfiles, personalizar las ofertas y conectar a cada persona con las entidades financieras que tienen productos compatibles con su situación. "La incorporamos porque nos permite procesar información y encontrar esas coincidencias de manera rápida y a escala", explica a Forbes Argentina Julián Sanclemente, CEO y cofundador de la compañía. Y se explaya: "Una misma persona puede encontrar alternativas distintas según quién la evalúe", Es decir que no existe un único veredicto algorítmico sobre cada solicitante, sino tantos como criterios de riesgo conviven en el mercado.

Sanclemente remarca que en su plataforma, la persona ve las ofertas disponibles en unos 20 segundos, pero ese es el tiempo de búsqueda, no el de aprobación, que depende de la entidad que otorga el dinero. 

Más allá de ventajas que pueda ofrecer la IA como herramienta relevante para ampliar el acceso al crédito, "para cerrar la brecha entre los que pueden acceder a este producto y los que no hacen falta también condiciones macroeconómicas, mayor previsibilidad y un ecosistema que permita expandir el crédito de manera sostenible", concluye Canónico. Por su parte, Sanclemente anticipa la expansión de servicios personalizados, incluyendo asistentes que ayuden a comparar productos, entender sus condiciones y resolver dudas en lenguaje claro, una función que, a la luz de los datos de la OCDE, apunta directamente al problema de comprensión. Y advierte que la calidad de los datos, la transparencia y la supervisión de los modelos ganan peso: "La confianza será tan relevante como la velocidad".

Por su parte, Sirotinsky proyecta hacia dónde va el proceso, con la IA como protagonista: "Vamos hacia una mayor automatización, con IA evaluando solicitudes y personas interviniendo casi exclusivamente en casos complejos, excepciones y reclamos. También espero controles más específicos sobre estos modelos y una mayor competencia que permita trasladar las mejoras de eficiencia al cliente. En Argentina, sería deseable que eso ayude a reducir la amplia brecha entre lo que las entidades pagan por los depósitos y el costo total que cobran por un crédito".