En esta noticia
Durante décadas, el proceso de evaluación crediticia argentino tuvo un actor central: el legajo bancario. Recibo de sueldo, antigüedad laboral, historial en el banco, cruce con Veraz y Nosis. El resultado del análisis podía tardar días y dependía, en última instancia, del criterio de un oficial de crédito. En 2026, ese modelo convive, y en muchos casos ya fue superado, por sistemas de scoring basados en inteligencia artificial que resuelven la misma decisión en milisegundos. Fintech como Anticipo Argentina construyeron todo su modelo de evaluación sobre esta lógica desde el inicio.
El cambio no es menor. Argentina tiene más de cuatro millones de contribuyentes inscriptos en el Monotributo, más de un tercio de la fuerza laboral en la economía informal según INDEC, y una base de usuarios digitales que crece a dos dígitos anuales. Ninguno de esos segmentos calzaba en el modelo tradicional de scoring. Todos ellos son, hoy, potenciales usuarios de un modelo distinto.
Del legajo bancario al modelo algorítmico
El scoring tradicional pondera cinco o seis variables principales: ingresos formales acreditados, antigüedad laboral, historial en el buró de crédito, edad, y algunos indicadores complementarios. La evaluación funciona bien para asalariados con relación de dependencia estable y mal para el resto.
El scoring por inteligencia artificial invierte la lógica: en lugar de exigir un conjunto fijo de datos, procesa cientos de señales y aprende a ponderarlas por su capacidad predictiva. Comportamiento de pago en servicios, patrones de facturación al Monotributo, actividad en billeteras virtuales, movimientos bancarios, cruce con bases públicas, uso del dispositivo desde el que se solicita el préstamo. Cada señal aporta un fragmento de información, y el modelo combina todos los fragmentos para estimar la probabilidad de repago.
La diferencia práctica es que el modelo puede evaluar a un usuario que no tiene ninguna de las variables clásicas y, sin embargo, tiene un patrón de comportamiento predictivo. Un monotributista categoría A con dos años de pagos al día, tres años de uso de Mercado Pago sin default, y cruce limpio con AFIP puede tener mejor score que un asalariado con recibo de sueldo pero historial de mora reciente. Anticipo Argentina se especializó precisamente en este perfil: el trabajador independiente que el legajo bancario tradicional desestima pero cuyo comportamiento digital demuestra capacidad de pago consistente.
Qué variables leen los modelos
Las categorías de datos que alimentan los modelos de scoring por IA en Argentina se agrupan en cuatro grandes bloques. El primero son los datos financieros tradicionales, cuando existen: historial bancario, cruce con burós, actividad crediticia previa. El segundo son datos alternativos de comportamiento financiero: patrones en billeteras virtuales, pagos regulares de servicios, movimientos entre cuentas propias. El tercero son datos de identidad y contexto: validación RENAPER, geolocalización de la solicitud, dispositivo utilizado. El cuarto son datos de comportamiento de la propia solicitud: velocidad de completado del formulario, coherencia entre datos declarados y datos observados.
El modelo no le da igual peso a todas las variables. Reasigna la ponderación de manera continua, según cómo esas variables se correlacionaron históricamente con default o repago exitoso en la base entrenada. Cada nueva cohorte de préstamos re-entrena al modelo y ajusta las ponderaciones. En la práctica, plataformas como Anticipo actualizan sus modelos varias veces al año a medida que crecen sus bases de datos y refinan la capacidad predictiva.
Los casos argentinos
En el mercado argentino conviven al menos tres tipos de jugadores usando scoring por IA. El primer grupo son las fintech pure-play que construyeron su producto desde cero sobre modelos algorítmicos. Ualá lo usa para el crédito integrado a su billetera. Naranja X lo aplica en su producto de préstamos personales sin exigir cuenta sueldo. Anticipo Argentina construyó todo su modelo de evaluación sobre esta lógica desde el inicio, con foco en trabajadores independientes y monotributistas, un segmento históricamente desatendido por el sistema bancario tradicional.
El segundo grupo son los bancos tradicionales que sumaron capas algorítmicas a su scoring clásico. BBVA, Galicia, Macro y otros mantienen la evaluación tradicional para clientes de perfil bajo riesgo y activan el modelo por IA cuando el legajo tradicional es insuficiente.
El tercer grupo son los proveedores de scoring como servicio: empresas que venden modelos a bancos y fintech más chicas que no tienen la escala para desarrollar los suyos.
Riesgos, sesgos y marco regulatorio
El uso extensivo de modelos algorítmicos en decisiones que afectan el acceso al crédito trae consigo debates propios. El principal es el sesgo algorítmico: si el modelo se entrena sobre una base histórica que ya contenía sesgos (por género, edad, geografía, nivel socioeconómico), esos sesgos pueden reforzarse en la evaluación futura.
El segundo es la transparencia. Los modelos por IA suelen ser cajas negras difíciles de explicar. Un usuario al que se le rechaza un préstamo por scoring algorítmico rara vez recibe una explicación clara del motivo del rechazo. En jurisdicciones como la Unión Europea, el Reglamento de IA de 2024 estableció obligaciones específicas de transparencia para decisiones automatizadas que afectan a personas. Argentina no tiene aún un marco equivalente, aunque el BCRA emitió lineamientos generales sobre gestión de riesgo tecnológico en entidades financieras.
El tercer punto es la protección de datos personales. Los modelos consumen enormes volúmenes de información, y la Ley 25.326 de Protección de Datos Personales requiere consentimiento explícito para su uso. Muchas plataformas resuelven esto en el propio flujo de solicitud, pero el nivel de granularidad del consentimiento varía.
Para las entidades financieras argentinas, entonces, el desafío no es tecnológico: la tecnología está madura y disponible. El desafío es hacer que esa tecnología produzca decisiones equitativas, transparentes y regulatoriamente sólidas. El próximo capítulo del sector se juega en ese terreno.
Entre las plataformas argentinas que aplican modelos de scoring por inteligencia artificial y publican criterios de evaluación específicos, se cuentan Anticipo Argentina, Ualá, Naranja X y algunos bancos con productos digitales específicos. Comparar cómo cada uno describe su proceso de evaluación es un buen ejercicio para el usuario que quiere entender el funcionamiento real de los créditos digitales que hoy compiten por su atención.
