La IA puede preparar un crédito, pero la última palabra sigue siendo del motor

uFlow propone una arquitectura en tres capas donde los agentes interpretan documentos y explican resultados

Un grupo de agentes de inteligencia artificial en procesos de crédito está abriendo una nueva etapa para la automatización financiera, pero no implica sustituir los motores de decisión. La propuesta desarrollada por uFlow plantea una arquitectura en tres capas: primero el agente interpreta y prepara información, después el motor aplica reglas y toma la decisión, y finalmente otro agente explica, monitorea y propone mejoras.

El modelo parte de una separación clara de funciones. Los agentes pueden leer información no estructurada, como balances, facturas, recibos de sueldo, extractos bancarios, declaraciones fiscales o documentos de identidad, y convertir esos datos en variables utilizables dentro de una política de crédito. El motor, por su parte, mantiene una lógica determinista, versionada y auditable.

Uno de los puntos centrales de esta arquitectura es que la extracción de datos también debe quedar registrada como evidencia. Si un agente obtiene una cifra desde un PDF o un estado financiero y esa variable influye en la decisión, el sistema debe conservar información sobre su origen y nivel de confianza.

uFlow plantea seis controles mínimos para este proceso: registrar el documento y fragmento de donde salió cada variable, guardar el nivel de confianza de la extracción, validar formato y consistencia, exigir revisión humana cuando la confianza sea baja, protegerse contra instrucciones maliciosas incrustadas en documentos y evitar inferencias cuando un dato no aparece en la fuente.

Este enfoque busca resolver una de las principales diferencias entre una herramienta de extracción y una arquitectura de decisión. Un extractor devuelve campos; un sistema de decisión integra esos valores con información de buró, fuentes propias y reglas de negocio.

La segunda capa corresponde al momento en que se aprueba, rechaza o deriva un caso a revisión. En esta etapa, el motor aplica políticas bajo una versión identificable y deja trazabilidad de las reglas utilizadas.

Los resultados de modelos de machine learning pueden integrarse como variables, pero los umbrales, límites y excepciones siguen definidos por una política controlada. Esto permite reproducir una decisión tiempo después, comparar versiones y explicar qué regla específica influyó en un resultado.

La tercera capa devuelve protagonismo al agente de IA. Su función es traducir en lenguaje claro qué datos se consultaron, qué reglas se aplicaron y qué determinó el resultado.

También puede monitorear desvíos, revisar rechazos en casos límite, simular políticas nuevas y detectar posibles mejoras operativas. La explicación, sin embargo, tiene un límite explícito: no debe reinterpretar ni inventar motivos. Solo puede traducir la evidencia y los códigos que ya quedaron registrados en el sistema.

Sokal propone cinco preguntas para determinar si un paso debe permanecer bajo una política gobernada: si afecta directamente al cliente, si debe reproducirse años después, si requiere comparación con políticas anteriores, si puede ser auditado por terceros y si corre miles de veces por día con niveles de servicio comprometidos.

En cambio, cuando una tarea exige interpretar información desordenada o analizar situaciones no previstas por una política, puede ser más adecuada para un agente.

La propuesta de uFlow no plantea reemplazar los motores de decisión con inteligencia artificial, sino distribuir funciones según su naturaleza. Los agentes quedan orientados a interpretación, preparación, explicación y monitoreo; el motor conserva la responsabilidad de ejecutar decisiones bajo reglas consistentes, versionadas y auditables.

Inteligencia ArtificialAutomatizaciónDatos