Los algoritmos de decisión financiera llevan años haciendo algo que antes hacía un ser humano mirándote a la cara: decidir si mereces un crédito, una hipoteca o una tarjeta. La diferencia es que el ser humano, al menos en teoría, podía explicarte por qué te decía que no. El algoritmo, en muchos casos, no tiene ninguna obligación de hacerlo. Y eso, aunque parezca un detalle técnico, cambia absolutamente todo.
De la ventanilla del banco a la caja negra
Durante décadas, pedir un préstamo implicaba sentarse frente a un gestor, presentar nóminas, avales, y esperar que alguien con criterio propio valorara tu situación. Era un proceso imperfecto, subjetivo y a veces injusto. Pero tenía una cosa a su favor: era legible. Podías discutirlo.
Hoy, en la mayoría de entidades financieras del mundo, esa conversación ha sido sustituida por un proceso automatizado. Un modelo de machine learning analiza cientos de variables en segundos y emite una puntuación. Si estás por encima del umbral, te aprueban. Si no, te deniegan. Y muchas veces nadie dentro del banco sabe exactamente por qué el modelo ha llegado a esa conclusión concreta en tu caso concreto.
Esto tiene un nombre técnico: sistemas de caja negra. Y su expansión en el sector financiero es uno de los debates más importantes de nuestra época, aunque apenas aparezca en los titulares.
Cómo funciona realmente un algoritmo de scoring
El scoring crediticio no es nuevo. FICO, la empresa estadounidense que lleva décadas dominando este mercado, empezó a puntuar la solvencia de los ciudadanos americanos en los años 80. Lo que ha cambiado es la complejidad de los modelos y la cantidad de datos que alimentan esa puntuación.
Los modelos clásicos usaban variables relativamente transparentes: historial de pagos, deuda acumulada, antigüedad del crédito, tipos de crédito activos, solicitudes recientes. Fácil de auditar, fácil de impugnar.
Los modelos modernos de inteligencia artificial van mucho más lejos. Pueden incluir miles de variables indirectas que ningún humano habría pensado en usar: a qué hora del día navegas por la web del banco, desde qué dispositivo, cómo escribes en el formulario, con qué velocidad rellenas los campos. Algunas empresas fintech en mercados emergentes han llegado a usar el comportamiento en redes sociales o los patrones de llamadas del móvil como indicadores de solvencia.
¿Eso es innovación o es una forma sofisticada de discriminación? La respuesta honesta es: probablemente las dos cosas a la vez.
El problema de los sesgos que nadie busca
Aquí viene la parte más incómoda. Un algoritmo aprende de datos históricos. Y los datos históricos reflejan las decisiones humanas del pasado, que estaban llenas de sesgos. Si durante décadas se concedieron menos créditos a personas de ciertos barrios, ciertas etnias o ciertos perfiles demográficos, el modelo aprende que esas características predicen impago. No porque sea verdad, sino porque los datos están contaminados.
Esto se llama sesgo algorítmico, y no es hipotético. En 2019, un estudio sobre el sistema de Apple Card reveló que el algoritmo de Goldman Sachs ofrecía límites de crédito significativamente menores a las mujeres que a sus maridos, incluso compartiendo patrimonio. El propio Goldman no supo explicar por qué. La investigación posterior no encontró intención discriminatoria, pero sí un resultado discriminatorio. ¿Qué importa más?
Este tipo de discriminación indirecta es especialmente difícil de combatir porque no tiene rostro ni intención. Nadie decidió discriminar. El sistema simplemente optimizó lo que le pedían que optimizara, con los datos que tenía. Y los datos, como siempre, reflejan el mundo tal como era, no tal como debería ser.
¿Tienes derecho a saber por qué te han dicho que no?
En Europa, la respuesta legal es sí, al menos sobre el papel. El Reglamento General de Protección de Datos (RGPD), en vigor desde 2018, reconoce el derecho a no ser objeto de decisiones tomadas únicamente por medios automatizados cuando estas produzcan efectos significativos. En teoría, tienes derecho a pedir una revisión humana y a recibir una explicación.
En la práctica, las cosas son más complicadas. Las entidades financieras suelen cumplir el mínimo legal: te dan una razón genérica («historial crediticio insuficiente», «ratio de endeudamiento elevado»), pero raramente explican cómo el modelo llegó a esa conclusión ni qué peso tuvo cada variable. La transparencia prometida se queda en una fachada legal que protege más al banco que al cliente.
Estados Unidos tiene una regulación diferente. La Equal Credit Opportunity Act obliga a los prestamistas a informar sobre los principales factores que han influido en una denegación, pero la norma fue diseñada para modelos simples y no cubre bien la complejidad de los sistemas actuales. El marco legal va años por detrás de la tecnología. Siempre.
La IA que no puede explicarse a sí misma
El problema de fondo es técnico, no solo legal. Algunos modelos de machine learning, especialmente las redes neuronales profundas, son intrínsecamente opacos incluso para sus propios creadores. No es que el banco no quiera explicarte su decisión: es que nadie dentro del banco puede hacerlo con precisión.
Existe toda una rama de investigación llamada XAI (Explainable Artificial Intelligence, IA explicable) que intenta resolver exactamente esto: construir sistemas de IA que sean capaces de justificar sus propias decisiones en términos comprensibles para humanos. Es un campo prometedor, pero todavía lejos de resolver el problema en los contextos donde más importa.
Mientras tanto, empresas y reguladores debaten si deberíamos limitar el uso de modelos opacos en decisiones de alto impacto, como el crédito, la contratación laboral o las evaluaciones de riesgo penal. La Ley de Inteligencia Artificial de la Unión Europea, aprobada en 2024, da pasos en esta dirección, clasificando algunos de estos usos como sistemas de alto riesgo que requieren mayor supervisión. Pero la implementación real es otra historia.
Todo esto forma parte de una pregunta más amplia que ya hemos explorado antes: hasta qué punto los sistemas automatizados toman decisiones sobre tu vida sin que tengas forma real de cuestionarlas.
Los datos que no sabías que estaban ahí
Hay algo que vale la pena subrayar: la mayoría de las personas no sabe qué datos se están usando para evaluarlas. No solo el historial bancario. En algunos países y plataformas, se utilizan datos de fuentes alternativas: comportamiento de compra, patrones de navegación, geolocalización, incluso el tipo de teléfono que usas.
Un estudio publicado en Nature Human Behaviour demostró que los metadatos del móvil, sin acceder a ninguna conversación, predicen la solvencia crediticia con una precisión sorprendente. Qué tipo de persona llamas más, a qué horas, con qué frecuencia. Datos que nunca imaginaste que un banco querría saber.
Y aquí conecta algo que ya tratamos en otro artículo: lo inquietante no es que te escuchen, sino todo lo que pueden inferir sin necesidad de escucharte.
Estas prácticas son más comunes en mercados con baja bancarización, donde millones de personas no tienen historial crediticio formal y las fintech buscan variables alternativas para evaluarlas. Tiene una lógica de inclusión financiera: dar acceso al crédito a quien el sistema tradicional ignoraba. Pero también abre la puerta a formas de evaluación que nadie ha votado ni regulado.
¿Puede el algoritmo equivocarse contigo?
Sí. Y eso es más frecuente de lo que parece. Los modelos de scoring trabajan con probabilidades, no con certezas. Predicen el comportamiento de un perfil estadístico, no el tuyo en particular. Si tus datos te parecen superficialmente a los de personas que no devuelven créditos, el modelo te penalizará, aunque tú seas perfectamente solvente.
El problema es que impugnar una decisión algorítmica es agotador. Tienes que saber que tienes ese derecho, saber cómo ejercerlo, tener tiempo y recursos para hacerlo, y enfrentarte a una entidad que tiene todos los incentivos para no reabrir el caso.
Hay errores más sistémicos también. Nombres con caracteres especiales que los sistemas no procesan bien. Personas que han salido de una situación de deuda y cuyo historial sigue marcado años después. Autónomos con ingresos variables que los modelos no saben leer. Los sistemas digitales, cuando se equivocan, suelen hacerlo de forma sistemática con los mismos perfiles.
El negocio de los datos crediticios
Detrás de todo esto hay un negocio enorme y poco visible. Las agencias de información crediticia, como Equifax, Experian o TransUnion en el mundo anglosajón, o Experian y Equifax también en España, acumulan datos sobre millones de personas y los venden a bancos, aseguradoras y otros terceros. Son empresas privadas que gestionan una infraestructura que afecta directamente a tu capacidad de acceder a vivienda, financiación o incluso empleo.
En 2017, Equifax sufrió una de las mayores brechas de seguridad de la historia: los datos personales de 147 millones de personas quedaron expuestos. Números de la Seguridad Social, fechas de nacimiento, direcciones. Todo lo que necesitas para suplantar una identidad crediticia. La empresa pagó una multa, se disculpó, y siguió operando. Porque no hay alternativa real al sistema que controla.
La concentración de poder en estas empresas recuerda a lo que ocurre con otras infraestructuras digitales críticas. Al igual que con el control de los cables submarinos, los nodos más importantes de nuestra vida digital están en manos de muy pocos actores, con muy poca supervisión pública.
¿Estamos construyendo un sistema financiero más justo o más eficiente para los mismos de siempre?
Esa es la pregunta que nadie en la industria quiere responder con claridad. Los algoritmos de decisión financiera pueden ser una herramienta de inclusión: ampliar el acceso al crédito a personas que el sistema tradicional ignoraba, reducir la discriminación basada en prejuicios humanos conscientes, hacer el proceso más rápido y barato. Todo eso es real.
Pero también pueden codificar y escalar la desigualdad existente, hacerla más difícil de ver y, por tanto, más difícil de combatir. Un banco que discrimina por prejuicio puede ser demandado. Un algoritmo que discrimina por correlación estadística vive en una zona legal mucho más gris.
Lo que está claro es que el debate sobre quién controla estas herramientas y con qué criterios apenas ha comenzado. Y mientras ese debate se desarrolla en despachos regulatorios y conferencias académicas, el algoritmo sigue tomando decisiones. Sin mirarte a los ojos. Sin tener que darte explicaciones. Y, en muchos casos, sin que nadie dentro del sistema pueda decirte realmente por qué.
La próxima vez que un banco te diga que no, piensa en esto: puede que ni siquiera haya alguien al otro lado que haya tomado esa decisión.
Preguntas frecuentes
¿Qué es el scoring crediticio y cómo me afecta?
El scoring crediticio es una puntuación calculada automáticamente que estima la probabilidad de que devuelvas un préstamo. Te afecta directamente cada vez que solicitas financiación: una hipoteca, una tarjeta o un crédito al consumo. Cuanto más alta sea tu puntuación, mejores condiciones recibirás o más probabilidades tendrás de que te aprueben la solicitud.
¿Tengo derecho a saber por qué me han denegado un crédito?
En la Unión Europea, el RGPD te reconoce el derecho a no ser sometido a decisiones totalmente automatizadas con efectos significativos, y a pedir revisión humana. Sin embargo, en la práctica las entidades suelen ofrecer explicaciones genéricas. Puedes reclamar, pero el proceso puede ser complicado y la información que recibirás probablemente será limitada.
¿Es cierto que los algoritmos pueden discriminar aunque no sea su intención?
Sí, y hay casos documentados. Los modelos aprenden de datos históricos que reflejan decisiones humanas pasadas, muchas veces sesgadas. Si ciertos grupos fueron sistemáticamente excluidos del crédito, el algoritmo puede reproducir esa exclusión sin que nadie lo haya programado para ello. Es lo que se llama sesgo algorítmico, y es uno de los problemas más difíciles de detectar y corregir.
¿Qué datos usan realmente los algoritmos financieros para evaluarme?
Depende de la entidad y el país. Los modelos tradicionales usan historial de pagos, nivel de deuda y antigüedad crediticia. Los modelos modernos, especialmente en fintech, pueden incorporar datos de comportamiento digital, patrones de uso del móvil, geolocalización o actividad en internet. Muchas personas desconocen qué variables se están usando en su evaluación concreta.
¿Puedo mejorar mi puntuación crediticia si me han denegado algo?
En general, sí. Pagar deudas pendientes, reducir el porcentaje de crédito utilizado, no acumular muchas solicitudes en poco tiempo y mantener cuentas abiertas con buen historial suelen mejorar la puntuación. El problema es que los modelos más avanzados pueden usar variables sobre las que tienes poco control, lo que hace más difícil actuar directamente sobre el resultado.
¿Debería preocuparme por las empresas que guardan mis datos crediticios?
Es razonable tener esa preocupación. Las agencias de información crediticia almacenan datos muy sensibles sobre millones de personas y han sufrido brechas de seguridad importantes. En España puedes consultar el fichero ASNEF o el informe de Experian para saber qué información hay registrada sobre ti. Conocer qué datos tienen sobre ti es el primer paso para poder corregir errores.
