En gran parte de América Latina, los modelos de riesgo de crédito siguen dependiendo de datos del buró: historial de pago, límites, moras y consultas. Eso significa que los sesgos históricos en la forma en que se ha otorgado crédito, por ejemplo, en menores montos aprobados o en menos productos ofrecidos a mujeres, quedan codificados en los datos que entrenan los modelos actuales. Evaluar el sesgo en estos modelos exige mirar más allá de la métrica de precisión y preguntarnos: ¿qué pasa con las personas, en especial con las mujeres, que quedan sistemáticamente subvaloradas por ese sistema? Estas preguntas abren la puerta a explorar tanto las limitaciones del enfoque tradicional como los riesgos de trasladar los mismos patrones a nuevas fuentes de datos y a sistemas de IA más complejos.

En ese contexto, Begini propone una alternativa: construir un score basado en datos psicométricos y de comportamiento, generando datos de carácter de primera mano a través de pruebas breves que miden rasgos como locus de control, impulsividad, confianza o gratificación diferida. Este enfoque permite evaluar cómo decide y se organiza una persona hoy, sin depender únicamente de cuánto crédito formal tuvo en el pasado, algo crucial para mujeres y otros grupos con historiales “delgados” por falta de oportunidades más que por falta de capacidad de pago. Además, las métricas psicométricas se generan bajo condiciones controladas y pueden auditarse y recalibrarse para evitar que penalicen de forma injustificada a un género o grupo específico, reduciendo la herencia de sesgos históricos. Al complementar el buró con este perfil de carácter, las entidades financieras pueden distinguir entre quienes tienen poco historial por exclusión previa y quienes muestran patrones de riesgo genuinamente problemáticos, abriendo espacio a decisiones de crédito más explicables, personalizadas y alineadas con una inclusión financiera más justa.