Agentes de IA y motores de decisiones crediticias: qué debe decidir cada uno

La diferencia no es inteligencia contra rigidez. Es una diferencia de función y control. Un agente maneja aquello que no llega perfectamente estructurado; un motor de decisiones garantiza que la decisión final responda a una política publicada, aprobada y reconstruible.

Desde hace unos meses aparece la misma pregunta en comités de tecnología y de riesgos: si un agente de IA razona, usa herramientas, lee documentos y sigue instrucciones, ¿para qué mantener un motor de decisiones?

Es una buena pregunta y merece una respuesta mejor que «porque siempre se hizo así». La respuesta corta: son dos capas distintas de la misma arquitectura. La confusión no es un problema académico: es la diferencia entre poder mostrarle a tu auditor por qué rechazaste una solicitud en marzo y no poder hacerlo.

¿Qué es un agente de IA y para qué sirve bien?

Un agente de IA es un modelo de lenguaje al que se le da un objetivo, un conjunto de herramientas (APIs, bases de datos, navegador, código) y autonomía para encadenar pasos hasta cumplirlo.

Lo que hace bien:

• Razonar sobre casos ambiguos, donde no existe una regla previa que aplique limpio.
• Leer y estructurar información no estructurada: balances, estados contables, comprobantes, contratos, correos.
• Investigar inconsistencias cruzando fuentes que ningún flujo fijo había previsto cruzar.
• Redactar: explicaciones, memos de comité, documentación de auditoría.
• Orquestar procesos de back office que hoy dependen de que alguien recuerde el paso siguiente.

El precio de esa flexibilidad es que el agente es probabilístico. Dos ejecuciones con la misma entrada pueden tomar caminos distintos y llegar a redacciones distintas. Eso no es un defecto: es la propiedad que lo hace útil frente a lo imprevisto. Pero es exactamente la propiedad que no quieres en la aprobación de un crédito.

Conviene ser preciso acá, porque es donde suele exagerarse el argumento. Un agente bien gobernado puede versionar toda su configuración —modelo, instrucciones, herramientas, fuentes, memoria, permisos— y conservar la traza de cada ejecución. Lo que eso no garantiza es que produzca exactamente el mismo recorrido y el mismo resultado ante una repetición futura, sobre todo si cambian el modelo, las herramientas o las fuentes consultadas. Para una entidad supervisada, esa distinción entre «puedo versionar la configuración» y «puedo reproducir la decisión» es todo.

¿Qué es un motor de decisiones crediticias?

Un motor de decisiones es el sistema que toma y registra la decisión de crédito: recibe una solicitud, consulta las fuentes de datos que la política indica, aplica reglas y modelos, y devuelve un resultado, aprobado, rechazado o a revisión, con límite, condiciones y el motivo.

Lo que lo define no es que automatice. Es que automatiza de forma demostrable:

• Reproducibilidad. La misma información produce la misma decisión. Si cambia, cambia porque alguien publicó una versión nueva de la política, con nombre y fecha.
• Gobierno de políticas. Reglas y modelos versionados, con permisos por rol, aprobaciones, historial, pruebas en paralelo y rollback.
• Evidencia por transacción. Se reconstruye qué se consultó, qué reglas se evaluaron, qué versión estaba vigente y qué determinó el resultado.
• Integración con el core y los bureaus sin reemplazar el sistema de registro.
• Latencia y volumen compatibles con decidir en el checkout, en el onboarding o en la sucursal.
• Segregación de funciones alineada a las tres líneas de defensa.

Un motor no está diseñado para pensar creativamente. Está diseñado para aplicar la política de riesgo de forma controlada y masiva, y para que eso quede probado.

La comparación, punto por punto

Nueve dimensiones donde las dos capas se separan:

• Para qué está hecho. Agente: trabajo abierto y multi-paso. Motor: decidir crédito de forma consistente.
• Qué devuelve. Agente: razonamiento, análisis, acciones, propuestas. Motor: decisión, límite y motivo.
• Reproducibilidad. Agente: baja por diseño. Motor: alta y versionada.
• Unidad de gobierno. Agente: la configuración completa, es decir modelo, instrucciones, herramientas, fuentes, memoria, permisos y guardrails. Motor: una política publicada, con versión y aprobador.
• Evidencia que deja. Agente: la traza de la ejecución. Motor: la evidencia de la decisión y de la política vigente.
• Volumen y latencia. Agente: segundos a minutos, por caso. Motor: milisegundos, a escala.
• Quién lo cambia. Agente: quien administra su configuración. Motor: riesgo, bajo control de cambios.
• Mejor uso. Agente: analizar, leer, investigar, redactar. Motor: decidir en producción.
• Principal riesgo. Agente: decidir solo en un entorno regulado, sin evidencia reconstruible. Motor: propagar una política incorrecta a gran escala; se mitiga con simulación, aprobaciones, versionado, monitoreo y rollback.

El error común: «si razona bien, puede decidir»

Suena razonable y no lo es. Hay tres motivos, y ninguno es filosófico.

1. El supervisor no evalúa la inteligencia, evalúa la evidencia

La exigencia regulatoria sobre decisiones de crédito automatizadas es vieja y estable, aunque cambie el envoltorio tecnológico. En Estados Unidos, la guía interagencial de gestión de riesgo de modelos publicada en abril de 2026, implementada por la Reserva Federal mediante SR 26-2, refuerza un enfoque proporcional basado en inventario, documentación, validación, monitoreo y gobierno del modelo. Reemplaza expresamente a la SR 11-7, que fue la referencia durante más de una década.

Y la obligación de dar motivos específicos ante un rechazo no vive en una guía sino en la ley: ECOA y la Regulación B. Vale una precisión que muchos equipos confunden: la CFPB retiró el 12 de mayo de 2025 sus circulares 2022-03 y 2023-03 sobre notificaciones de acción adversa con algoritmos complejos, pero retirar una guía no deroga la obligación legal de fondo.

En Europa, la Ley de IA clasifica la evaluación de solvencia de personas físicas como sistema de alto riesgo. El Digital Omnibus sobre IA, Reglamento (UE) 2026/1744, publicado el 24 de julio de 2026 y en vigor desde el 27, corrió las obligaciones del Capítulo III para los sistemas autónomos del Anexo III hasta el 2 de diciembre de 2027, mientras que las obligaciones de transparencia del artículo 50 rigen desde el 2 de agosto de 2026. Es decir: más plazo para implementar, no menos exigencia.

Y el mensaje supervisor es explícito. Pedro Machado, del Consejo de Supervisión del BCE, lo puso así en febrero de 2026: «la IA no diluye la responsabilidad; si acaso, sube la vara», y agregó que si un banco no puede explicar por qué un modelo se comporta como se comporta, en términos útiles para decidir, entonces no controla ese modelo. Del lado británico, la FCA mantiene la aplicación del régimen de altos directivos y del Consumer Duty sobre los despliegues de IA, sin crear por ahora un régimen separado: reglas existentes, responsables con nombre y apellido.

Ninguna de estas exigencias se satisface con «el agente lo analizó y le pareció bien».

Qué significa esto en Latinoamérica

El marco regional apunta en la misma dirección. El BCRA exige documentar objetivos, responsabilidades, modelos, datos, métricas, umbrales y procedimientos de validación cuando se usan IA y machine learning, y en sus propios informes identifica el sesgo, la explicabilidad y la privacidad como riesgos específicos de la IA aplicada al crédito. En Perú, la SBS tiene un reglamento propio de gestión de riesgo de modelos que cubre gobierno, validación, seguimiento y también los modelos provistos por terceros.

La lectura práctica es la misma en los cuatro marcos: lo que se audita no es qué tan inteligente fue el sistema, sino si puedes reconstruir la decisión y demostrar bajo qué política se tomó.

2. El negocio necesita consistencia, no criterio

Dos solicitantes con el mismo perfil deben recibir el mismo tratamiento, salvo que exista una política explícita que justifique lo contrario. Si la decisión depende del camino que el modelo eligió esa vez, pierdes la capacidad de medir. Y si no puedes medir, no puedes calibrar: no sabes si el aumento de mora vino de la política, del mercado o de una variación del propio sistema.

Ese es el punto silencioso. Un motor te permite atribuir el resultado a una decisión de política. Un agente decidiendo solo convierte tu cartera en un experimento sin grupo de control.

3. La escala rompe el modelo

Un motor resuelve miles de decisiones por minuto con SLAs estrictos y costo por decisión estable y predecible. Un agente consume tiempo y cómputo variables por caso. En originación de alto volumen, esa diferencia deja de ser técnica y pasa a ser económica.

Usar un agente como motor de decisiones es como poner a un analista sénior brillante a decidir cada crédito a mano. Funciona con volumen bajo y casos difíciles. Colapsa cuando aparecen el volumen y el regulador.

La arquitectura que sí funciona: tres capas

La forma correcta no es elegir. Es ordenar.

Capa 1. Agentes antes de la decisión: interpretar y preparar

• Leer documentación que no llega por API: balances, estados contables, comprobantes, contratos. Extraer los datos y dejarlos disponibles como variables para las reglas, dentro de la misma transacción.
• Normalizar y validar información inconsistente entre fuentes.
• Armar el legajo del caso complejo para que la revisión humana empiece con el trabajo hecho.

Acá hace falta un control que se suele pasar por alto: si el agente extrae un dato de un balance y ese dato entra en la decisión, la extracción también es parte de la evidencia. Los controles mínimos son seis:

• Origen por variable: qué documento y qué fragmento produjeron cada valor.
• Nivel de confianza de cada extracción, expuesto y almacenado.
• Validaciones de formato y consistencia antes de que el valor toque una regla.
• Revisión humana obligatoria cuando la confianza cae por debajo del umbral.
• Protección contra inyección de instrucciones en el contenido de los documentos.
• Prohibición de inferir datos ausentes: si el dato no está en el documento, no existe.

Capa 2. El motor: evaluar y decidir

• Aquí, y solo aquí, se resuelve aprobar, rechazar o revisar, con límite y condiciones.
• Determinista, versionado, con evidencia por transacción y política publicada bajo control de cambios.
• Los resultados de los modelos de machine learning ingresan como variables gobernadas dentro de la política, que define umbrales, excepciones, límites y condiciones, todo bajo una versión identificable.

Capa 3. Agentes después de la decisión: explicar, vigilar, proponer

• Redactar en lenguaje claro qué se consultó, qué reglas se aplicaron y qué determinó el resultado, para el analista, el comité y la auditoría.
• Monitorear desvíos de comportamiento y drift en la cartera, y avisar.
• Revisar rechazos de borde y proponer cambios de política, que después alguien aprueba y publica.
• Simular y estresar una política nueva antes de que llegue a producción.
• Auditar el orden de ejecución de la política y sugerir optimizarlo.

Con un límite explícito: la explicación no es redacción libre. El agente traduce la decisión a lenguaje claro exclusivamente a partir de las reglas ejecutadas, los códigos de motivo y la evidencia registrada. No puede inventar ni reinterpretar por qué salió lo que salió.

La regla que ordena todo es simple: el agente propone y explica; el motor decide y deja evidencia. El agente nunca escribe directo en producción; entrega una propuesta que entra por el mismo circuito de aprobación que cualquier cambio de política.

Cómo se ve esto en un caso real

Una pyme pide una ampliación de línea. El agente lee el balance, extrae ventas, deuda y flujo de caja, y marca que las ventas declaradas no cierran con los comprobantes adjuntos, dejando registrado de qué documento salió cada número y con qué confianza. El motor consulta el bureau, calcula las relaciones financieras, aplica la política vigente y, por la inconsistencia detectada, deriva el caso a revisión con el motivo explícito. Otro agente arma el memo para el comité usando únicamente la evidencia y los motivos registrados.

Ninguna de las tres piezas hace el trabajo de las otras, y la decisión queda probada de punta a punta.

Vale decirlo sin vueltas: esto no es teoría, y las tres capas son de uFlow. Los agentes que describe este artículo son parte del producto, no una integración que tengas que resolver aparte.

En la capa previa, un agente lee la documentación comercial de personas físicas y jurídicas y deja los valores disponibles como variables de la política. Dentro del editor, otro agente construye condiciones a partir de una indicación en lenguaje natural, para que armar una regla no dependa de escribir código. Y en la capa posterior hay un agente que audita la política y otro que redacta la explicación de cada transacción a partir de las reglas ejecutadas y la evidencia registrada.

En el medio, el motor sigue siendo determinista: es el que toma la decisión y la deja probada.

¿Quieres identificar qué partes de tu originación pueden operar con agentes y cuáles deben permanecer bajo una política controlada? Revisamos tu flujo y te mostramos una arquitectura posible con evidencia, versionado y puntos de aprobación. Evaluar mi arquitectura de decisiones

Checklist: ¿esto va en el agente o en el motor?

Antes de mover cualquier paso a un agente, pásalo por estas cinco preguntas. Si respondes «sí» a alguna, ese paso pertenece al motor.

1. ¿El resultado es una decisión de crédito con efecto sobre el cliente? (aprobar, rechazar, límite, tasa, condiciones)
2. ¿Necesito reproducir este resultado exacto dentro de dos años?
3. ¿Necesito comparar el resultado contra el de la política anterior?
4. ¿Alguien externo, auditoría interna, supervisor o el propio cliente, puede pedirme el motivo específico?
5. ¿Esto corre miles de veces por día con un SLA comprometido?

Y una sexta, para el otro lado: ¿el paso requiere interpretar algo que no está estructurado, o razonar sobre un caso que la política no previó? Entonces sí, es trabajo de agente.

En resumen

Los agentes de IA son de las herramientas más potentes que aparecieron en años, y hay trabajo real que solo ellos hacen bien. Pero no reemplazan al motor de decisiones, igual que un equipo de analistas brillantes no reemplaza al core bancario. Puede parecer inteligente a corto plazo; a mediano plazo deja inconsistencia, riesgo regulatorio y deuda operativa.

La pregunta correcta no es «¿el agente reemplaza al motor?». Es ¿cómo diseño la arquitectura para que cada capa haga lo que sabe hacer, y para que la decisión quede probada? Si estás en ese punto, también vale mirar construir o comprar.

Revisamos cómo decides hoy, qué pasos son trabajo de agente y cuáles tienen que vivir en la política, y te mostramos cómo se resuelve en el motor con tus fuentes y tus reglas. Evaluar mi arquitectura de decisiones