La disparada de las tasas de morosidad en los créditos a individuos y familias al récord de 10,6% en los bancos, pero que se hizo más notoria en el segmento de deudores que pidieron dinero prestado a billeteras digitales y empresas no bancarias, hizo saltar las alarmas por la velocidad en que se empinó la curva de créditos fallidos. Pero al mismo tiempo gatilló una pregunta: qué falló, aparte de un contexto económico muy exigente para los asalariados formales e informales, para semejante salto.

En el Banco Central, y en el sistema financiero en general, están siguiendo el tema obviamente con mucha atención aunque intentan acotar la gravedad del tema. “Hay un porcentaje de mora alto, pero la relevancia del monto en cuestión no es por ahora preocupante, si se toma en cuenta que las tasas de morosidad más altas se observan en prestadores con poco peso en la torta general de préstamos”.

Los especialistas señalan que parte del problema se originó porque muchas compañías avanzaron casi a ciegas a la hora de armar los perfiles crediticios de los solicitantes. Subrayan que muchos de los morosos actuales son individuos o familias que no tenían antecedentes, básicamente porque no eran clientes de bancos.

Más allá del ingreso y el historial, las nuevas plataformas analizan hábitos digitales, comportamiento y microseñales para evaluar riesgo. Desde cómo se completa un formulario hasta los patrones de uso del celular.

“La masificación de la banca digital incorporó al mundo financiero a millones de personas que estaban fuera del radar de los bancos, es decir, de los que no se sabía mucho, en términos de riesgo crediticio” señalaron en una fintech de primera línea.

Si se sabía que por no tener antecedentes crediticios, su riesgo implícito era mayor a quien tiene una relación con una entidad financiera.

Pero justamente por eso, la construcción del perfil es mucho más dificultosa. Aunque al mismo tiempo, la cantidad de datos que ofrece el uso del teléfono celular permite delinear por vías alternativas, algunas polémicas, ese perfil de deudor.

Un banquero de larga data, que tiene una pata en la banca formal y otra en las billeteras digitales, resumió el escenario actual en cuatro puntos:

1. Muchos de los que prestaron, prestaron a ciegas. Con tanto tiempo sin crédito, los sistemas de scoring no sirven, no tenés crédito recurrente, que es tradicionalmente el mejor crédito. El proceso de volver a poblar las bases de datos con buena información viene con el costo de prueba y error.
2. Los que toman prestado traen la inercia de que las cuotas se licúan con la inflación.  Eso se terminó.
3. El nivel de tasas de interés mató a ambas partes. Son tasas que terminaron siendo muy altas en términos reales, haciendo que en muchos casos sean impagables.
4. Parte de lo malo de este período de “reconstrucción” de los perfiles crediticios es que el approach de mirar esto como portafolio genera una dinámica problemática. Si una billetera toma plata  al 50% y la presta al 100%, y la mitad paga al día, está cubierta. Entonces hay como un incentivo a una tasa bien alta para tolerar más morosidad. Eso carga tremendamente al buen crédito, y ahoga rapidísimo al mal crédito. Cuando vayan mejorando los scoring, puede bajar la tasa porque no necesita cubrir tantas pérdidas.

La importancia del celular

En la Argentina, durante décadas, el negocio del crédito fue relativamente simple: ingresos, historial y, con suerte, alguna referencia laboral. Una foto bastante estática de la persona. Además, hasta la llegada de este Gobierno, el sistema financiero la tenía fácil. Tomaba liquidez por la que pagaba tasas reales negativas y se la prestaba al Banco Central. Ganancia fácil y segura. Pero ese paradigma cambió. Y rápido.

Las fintech, que crecieron al calor de la digitalización y la necesidad de incluir financieramente a millones de personas fuera del sistema tradicional, están redefiniendo qué significa evaluar riesgo. Ya no alcanza con preguntar cuánto se gana. La pregunta ahora es otra: cómo se vive.

“Hay un porcentaje de mora alto, pero la relevancia del monto en cuestión no es por ahora preocupante, si se toma en cuenta que las tasas de morosidad más altas se observan en prestadores con poco peso en la torta general de préstamos”, dijeron en un banco.

Fuentes del mundo fintech comentaron algunas variables, muchas sorprendentes, para determinar un perfil de riesgo crediticio. Detrás de cada solicitud de préstamo hay una enorme cantidad de señales que el usuario no ve pero que el modelo sí registra. No se trata de espionaje ni de ciencia ficción. Se trata de comportamiento.

• Por ejemplo, el proceso de onboarding -ese formulario que se completa en minutos- es en sí mismo una fuente de información. Cuánto tarda una persona en completarlo, si corrige muchas veces, si copia y pega datos o si escribe de corrido. No es lo que dice, sino cómo lo dice. Esa “fricción” digital empieza a construir un perfil.
• Algo similar ocurre con la velocidad de respuesta. Aceptar términos y condiciones en milisegundos o demorarse excesivamente puede ser señal de alerta. No porque implique mala fe en sí misma, sino porque los extremos suelen correlacionar con comportamientos menos previsibles.
• El dispositivo también habla. El tipo de celular, su antigüedad, el sistema operativo o incluso la estabilidad del número telefónico funcionan como proxies del entorno socioeconómico y de la estabilidad del usuario. Cambios frecuentes de SIM o de equipo, por ejemplo, son una de las señales más claras de riesgo potencial o fraude.
• Incluso variables que parecen anecdóticas, como los patrones de uso del teléfono, han sido testeadas. La frecuencia con la que una persona carga la batería o la regularidad de su uso no determinan nada por sí solas, pero en conjunto pueden aportar pequeñas señales sobre hábitos y organización personal. En modelos de machine learning, esas señales débiles suman.
• Pero donde realmente aparece la diferencia es en el comportamiento financiero fino. No el ingreso declarado, sino el flujo real. No la capacidad teórica de pago, sino la disciplina efectiva. Pagar siempre justo en el vencimiento, adelantar cuotas o, por el contrario, patear sistemáticamente los compromisos, dice mucho más que cualquier recibo de sueldo.
• También importa el contexto de la solicitud. No es lo mismo pedir crédito a principio de mes que hacerlo a fin de mes, ni hacerlo a las 10 de la mañana que a las tres de la madrugada. Son señales sutiles, pero en grandes volúmenes de datos ayudan a identificar patrones de estrés financiero.
• Las fintech también observan al “hambre de crédito”: cuántas aplicaciones similares usa una persona, cuántas solicitudes recientes hizo y cómo se comporta dentro de ese ecosistema. En economías como la argentina, con alta informalidad y múltiples canales de financiamiento, este punto es especialmente relevante.

Cambio de enfoque

En el fondo, lo que cambió es el enfoque. El crédito dejó de ser una evaluación basada en stock y pasó a ser una evaluación basada en flujo. “Lo que importa no es solo dónde estás, sino cómo te movés.” dice la fuente.

Las fintech también observan al “hambre de crédito”: cuántas aplicaciones similares usa una persona, cuántas solicitudes recientes hizo y cómo se comporta dentro de ese ecosistema.

Esto tiene implicancias profundas. Por un lado, permite incluir a personas que antes quedaban afuera por no tener historial formal. Por otro, introduce nuevos debates sobre privacidad, transparencia y sesgos algorítmicos.

Pero más allá de esas discusiones, hay algo que ya es evidente: el riesgo crediticio moderno no se limita a medir ingresos ni patrimonio. Mide conducta.

Y en ese terreno, cada click, cada hábito y cada decisión, por mínima que parezca, empieza a contar una historia. Una historia que, cada vez más, define quién accede al crédito y quién queda afuera.