3 de nov de 2025
Adopción de machine learning e IA en modelado de riesgos
Una visión sobre cómo las técnicas de analítica avanzada y la IA están cambiando la gestión de riesgos.
La gestión del riesgo está viviendo una revolución silenciosa. Lo que antes dependía de modelos estadísticos y juicios expertos, hoy se apoya en algoritmos que aprenden y se ajustan solos. Bancos y aseguradoras lideran esta transformación, pero no están solos: según estudios de McKinsey y S&P, dos de cada tres grandes empresas ya usan modelos de machine learning para prevenir y mitigar diversos riesgos como de fraudes e incumplimiento.
La analítica avanzada y la IA están redefiniendo la manera en que entendemos y gestionamos el riesgo.
Para las empresas, es vital anticiparse a escenarios negativos y tomar decisiones prospectivas.
Un modelo de riesgo funciona como un radar que permite detectar posibles escenarios adversos y tomar decisiones para minimizar la probabilidad de que ocurran, o prepararse en caso de que se materialicen.
En el sector financiero, tras la crisis global de 2008, los modelos para estimar pérdidas asociadas al riesgo de incumplimiento son un pilar regulatorio y de negocio. Los resultados ofrecidos por los modelos predictivos permiten aprovechar con más confianza las oportunidades del mercado y tomar decisiones para resistir mejor las crisis.
Las decisiones que se toman con los modelos de riesgo son muy delicadas. ¿Qué técnicas se utilizan para que sean confiables?
Acá entramos en conceptos más técnicos.
La estadística es la ciencia que busca utilizar datos para explicar el comportamiento de variables en términos de probabilidad y tomar decisiones según escenarios adversos probables. Los métodos tradicionales, como los de regresión lineal o logística buscan ajustar los datos a distribuciones y comportamientos definidos por funciones matemáticas y supuestos estadísticos. En términos más sencillos, asumimos que la relación entre nuestra variable de interés y las variables que la explican tiene cierta forma.
Estos modelos han sido ampliamente utilizados porque su interpretación es relativamente sencilla y porque los supuestos bajo los cuales funcionan logran capturar dinámicas comúnmente observadas.
Sin embargo, tienen limitaciones al no capturar relaciones más complejas entre variables y, por tanto, no aportar estimaciones acorde a estos.
La interpretación, el gran reto en la adopción de técnicas que capturan patrones mucho más complejos.
Ahora es cada vez más común hablar de machine learning. Incluso, muchos, sin saberlo, se refieren a esto. Los algoritmos utilizados para recomendaciones en redes sociales, plataformas de streaming y para generar el texto que responde ChatGPT, son resultados de modelos predictivos desarrollados bajo estas técnicas.
Los algoritmos de machine learning, a diferencia de los modelos estadísticos que discutimos arriba, no tienen formas ni relaciones preconcebidas. Se entrenan según patrones identificados en los datos y sus predicciones se basan en ellos. Son muy adaptables al capturar relaciones complejas entre muchas variables.
Si el objetivo es ajustarse mejor a los datos históricos para predecir de forma más precisa, las técnicas de machine learning son mejores. Pero, ¿y si no logramos explicar las estimaciones? ¿Si la ingeniería inversa es prácticamente imposible? Ahí esta uno de los retos más grandes a la hora de implementarlos. Esa "caja negra" que los vuelve, en algunos casos, indescifrables, no le gusta a los reguladores y a muchos tomadores de decisiones, sobre todo en sectores tradicionales como el bancario y asegurador.
Volviendo a las decisiones vitales que se toman a partir de los modelos de riesgo, la capacidad predictiva de los algoritmos de machine learning está impulsando a que todas las industrias, incluyendo la de servicios financieros, busquen implementarlos. Y, los reguladores están buscando adaptarse a esta corriente.
El futuro de la gestión de riesgos en la era del machine learning y la IA generativa.
Las dinámicas complejas, las crisis inesperadas como la pandemia de COVID-19, y la gran revolución actual de la IA generativa, están llevando a que las organizaciones adopten nuevos métodos para sus modelos de riesgo y que los integren en ecosistemas de negocio para tomar decisiones más ágiles.
Los modelos de machine learning están ganando más protagonismo en sectores regulados como el financiero y asegurador como consecuencia del regulador europeo dando lineamientos para que coexistan con métodos tradicionales, siempre que cumplan con requisitos de explicabilidad, validación y control humano.
Y la IA generativa tiene el potencial de permitir agilizar la implementación y validación de modelos a través de agentes que consulten datos utilizados para entrenamiento y resultados de modelos.
Hay mucho qué hacer.
¿Quieres que nuestros consultores te ayuden con esto? Escríbenos.
Felipe Uribe Velásquez
Director
Camilo Monsalve Maya
Data Engineering Consultant
