Cómo integrar agentes de IA con un motor de decisiones de crédito

En la nota anterior vimos por qué un agente de IA y un motor de decisiones no se reemplazan: cada uno resuelve exactamente lo que al otro le falta. Ahora vamos al cómo.

Porque la parte difícil no es entender la diferencia. Es decidir qué paso va en cada capa, qué controles hay que poner en el medio, y cómo queda la evidencia cuando un dato entró leído de un PDF en vez de llegar por una API.

Cómo lo ordenaría

La forma correcta no es elegir. Es ordenar, y es lo que define la arquitectura de un motor decisional que funcione. Y cuando los pones en el orden correcto se ve mejor lo que decía antes: el trabajo pasa de una capa a la otra sin que ninguna invada a la otra.

Antes de decidir: interpretar y preparar

Acá trabaja el agente. Lee la documentación que no llega por API, extrae los datos y los deja disponibles como variables para las reglas dentro de la misma transacción. Normaliza y valida lo que viene inconsistente entre fuentes. Arma el legajo del caso complejo para que la revisión humana arranque con el trabajo hecho.

Hay un control que se suele pasar por alto y que a mí me parece el más importante de todos: si el agente extrae un dato de un balance y ese dato entra en la decisión, entonces la extracción también es evidencia. No alcanza con que el número esté bien. Hay que poder mostrar de dónde salió. Son seis controles mínimos:

• De qué documento y de qué fragmento salió cada variable.
• Con qué nivel de confianza se extrajo, guardado junto al valor.
• 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 instrucciones inyectadas dentro del propio documento.
• Y una regla dura: si el dato no está en el documento, no se infiere.

El momento de decidir

Acá, y solo acá, 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 entran como variables gobernadas dentro de esa política, que es la que define umbrales, excepciones y límites, siempre bajo una versión identificable.

Después: explicar, vigilar y proponer

Vuelve el agente, con otro trabajo. Redacta en lenguaje claro qué se consultó, qué reglas se aplicaron y qué determinó el resultado, para el analista, el comité y la auditoría. Monitorea desvíos y drift en la cartera, y avisa. Revisa rechazos de borde y propone cambios de política. Simula una política nueva antes de que llegue a producción, y audita el orden de ejecución para sugerir mejoras.

Con un límite explícito: la explicación no es redacción libre. El agente traduce a lenguaje claro lo que ya está registrado —las reglas ejecutadas, los códigos de motivo, la evidencia— y nada más. 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 publica autónomamente cambios de política en producción. Entrega una propuesta que entra por el mismo circuito de aprobación que cualquier otro cambio de política.

Un caso, para que se vea

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 buró, calcula las relaciones financieras, aplica la política vigente y, por esa inconsistencia, deriva el caso a revisión con el motivo explícito. Después 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, ninguna podría haber resuelto el caso sola, y la decisión queda probada de punta a punta.

Y quiero decirlo sin vueltas: esto no es teoría, y las tres capas son nuestras. Los agentes que describo en esta nota son parte del producto, no una integración que tengas que salir a resolver por tu cuenta.

Toda la lectura documental de la que habla esta nota la hace uFlow, con agentes. Balances, estados contables, facturas, comprobantes, recibos de sueldo, extractos bancarios, declaraciones de impuestos y documentos de identidad, de personas físicas y jurídicas. No es que el motor acepte datos que otro extrajo: la extracción es nuestra, ocurre dentro de la misma transacción y queda registrada con la decisión. Está todo en análisis automático de documentos para crédito, con el detalle de qué lee según el tipo de operación.

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 uno que audita la política y otro que redacta la explicación de cada transacción. En el medio, el motor sigue siendo determinista.

El papel, que es donde se traba todo

Es el mejor ejemplo de las dos capas juntas: sin el agente el motor no tiene con qué decidir, y sin el motor lo que el agente leyó no se convierte en nada.

Cuando el dato vive en un recibo de sueldo, un balance, un extracto bancario, una factura, una declaración de impuestos o un documento de identidad, el agente lo lee y deja sus valores disponibles para las reglas dentro de la misma decisión. Vale para personas físicas y jurídicas. Y no termina en la extracción, que es donde se planta una herramienta de OCR: esos valores se combinan entre sí, y con los del buró y tus propias fuentes; se calculan valores derivados; y las reglas deciden sobre ellos. Un extractor te devuelve campos. Acá el documento entra como una variable más de la política.

Con los seis controles de recién aplicados sobre cada extracción, que es lo que permite que un dato sacado de un PDF se sostenga frente a una auditoría igual que uno traído del buró. Hay más detalle en análisis de documentos para crédito.

¿Quieres identificar qué partes de tu originación pueden operar con agentes y cuáles tienen que quedar 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

Cinco preguntas antes de mover nada

Antes de pasarle un paso a un agente, lo haría pasar por estas cinco. Si respondes que sí a alguna, ese paso tiene que quedar dentro de una capa gobernada: normalmente el motor, o un flujo humano controlado.

1. ¿El resultado es una decisión de crédito con efecto sobre el cliente?
2. ¿Necesito reproducir este resultado exacto dentro de dos años?
3. ¿Necesito compararlo contra el de la política anterior?
4. ¿Alguien de afuera 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.

Lo que me llevaría de todo esto

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

Puestos a trabajar juntos, en cambio, cada uno tapa el agujero del otro: el agente entiende lo que llega desordenado, el motor garantiza que la decisión sea siempre la misma y quede probada. Esa suma es bastante mejor que cualquiera de los dos por separado, y es lo que hoy se puede construir.

Así que la pregunta no es «¿el agente reemplaza al motor?». Es cómo diseñar la arquitectura para que cada capa haga lo que sabe hacer y 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