IA en el análisis de crédito: lo que un chatbot no sabe de un cliente

Descubra las soluciones de CIAL y transforme la gestión de datos de sus proveedores.

Aquí encuentras:

Supongamos que un cliente nuevo te pide 60 días de crédito para su primer pedido. Un nuevo miembro, entusiasmado con la IA, abre una conversación con Claude o ChatGPT, escribe el nombre de la empresa y en segundos recibe un párrafo bien redactado que describe su giro y le atribuye "buena reputación en el mercado".

El problema radica en que tal "reputación" no trae fuente, y es posible que toda la información esté inventada.

En México esa decisión es más frecuente de lo que parece: el 60.6% de las empresas se financia con sus proveedores, frente al 29.9% que usa crédito de la banca comercial, según la encuesta de Banxico del segundo trimestre de 2025. Quien vende a crédito está financiando a su cliente con un riesgo parecido al de un banco, pero casi nunca con la misma información.

En el siguiente artículo te explico hasta dónde llega la IA en esa decisión y qué datos tienen que estar sobre la mesa antes de aprobar una línea.

Qué hace un asistente de IA cuando se le pregunta por una empresa

Cuando se habla de análisis de crédito con IA, se mezclan dos herramientas distintas. Los modelos predictivos de scoring se entrenan con historiales de pago reales y calculan la probabilidad de que una empresa se atrase; así funcionan los scores de los burós de crédito y de Dun & Bradstreet. Los asistentes de IA generativa, como ChatGPT o Copilot, redactan respuestas a partir de texto y no consultan una base de datos de empresas cuando reciben una pregunta.

Un asistente genera la respuesta más probable a partir del texto con el que fue entrenado, que en su mayoría proviene de páginas públicas de internet, muchas sin fecha de actualización visible. Si dos fuentes se contradicen, el modelo probablemente no te avisará: o elige una versión, o mezcla ambas.

Una alucinación de IA es una respuesta que el modelo presenta como cierta pero que es falsa o no tiene sustento en ninguna fuente. En temas de crédito, la alucinación típica es una cifra de ventas o un antecedente de pago que suena verosímil y no existe.

El problema crece con las empresas que no son conocidas. Investigadores del Georgia Institute of Technology evaluaron más de 197,000 preguntas sobre los ingresos de unas 17,600 empresas que cotizan en bolsa en Estados Unidos. Los modelos acertaron con más frecuencia en las compañías de mayor capitalización y con más seguimiento de inversionistas, y la precisión cayó en las pequeñas. Los autores también detectaron exceso de confianza: los modelos alucinaban justo en los casos en los que solían acertar, sin ninguna señal que distinguiera una respuesta de otra.

Esas eran empresas que publican estados financieros auditados cada trimestre. La mayoría de los clientes de una empresa en México o Perú no cotiza en bolsa ni publica sus números, así que para un modelo de lenguaje casi no existen, o existen como una ficha de directorio de hace varios años.

Cuatro datos que deciden un crédito y no están en internet

Son los que cualquier área de crédito debe revisar antes de aprobar una línea. Ninguno se publica de forma abierta, y por eso un modelo entrenado con la web pública no puede tenerlos completos ni actualizados.

Comportamiento de pago

Cuántos días tarda una empresa en pagar a sus proveedores y si se ha atrasado en los últimos meses. Este dato sale de experiencias comerciales que los propios proveedores reportan a bases como la de Dun & Bradstreet, no de lo que la empresa dice de sí misma en su sitio web. Es la señal más directa de cómo se va a comportar con una factura nueva.

Historial crediticio

Créditos vigentes, saldos vencidos, demandas mercantiles y concursos. En México, buena parte de esta información está en las sociedades de información crediticia, que solo entregan reportes con autorización de la empresa consultada. Por diseño, queda fuera del alcance de cualquier chatbot. El score de crédito empresarial resume ese historial en un indicador que se puede comparar entre clientes.

Estructura corporativa

Quién es dueño de quién: matriz, subsidiarias, accionistas y beneficiarios finales. Una empresa con buen historial puede pertenecer a un grupo con problemas de liquidez, y una razón social recién creada puede ser la sucesora de otra con adeudos. Estas relaciones cambian con cada fusión o venta de acciones, y esos movimientos tardan meses en llegar a la prensa, cuando llegan.

Reputación y cumplimiento

Presencia en listas de sanciones, en la lista del artículo 69-B del Código Fiscal de la Federación (contribuyentes con operaciones presuntamente inexistentes), vínculos con personas políticamente expuestas o noticias adversas. Un asistente de IA puede encontrar una nota de prensa vieja, pero no garantiza que la búsqueda esté completa ni que refleje la publicación más reciente del SAT. Para cumplimiento, la consulta tiene que hacerse contra las listas oficiales vigentes el día de la evaluación.

Por qué la calidad de los datos frena a la IA en finanzas

Las áreas de finanzas ya adoptaron la IA. Su uso activo pasó del 30% en 2024 al 75% en 2026, según el estudio Global AI in Finance 2026 de KPMG, que encuestó a 1,013 directivos financieros en 20 países. El mismo estudio ubica la calidad de los datos como el tema más citado: el 36% de las organizaciones la señala a la vez como su mayor barrera y su mayor oportunidad.

La encuesta AI Momentum de Dun & Bradstreet, con 10,000 empresas en 32 países, llega a una conclusión parecida en su ola de mayo de 2026. Solo el 5% considera que sus datos están listos para soportar la IA, y el 40% reporta problemas de calidad e integridad. Apenas el 10% se siente muy seguro de poder detectar y mitigar los riesgos que trae. El análisis de por qué la IA empresarial se estanca sin datos listos desarrolla estas cifras sector por sector.

En crédito, si el modelo alucina el historial de un cliente, el error se convierte en una línea aprobada y, meses después, en morosidad dentro de la cartera.

¿Para qué sí sirve la IA en el proceso de crédito?

Seamos realistas: la IA llegó para quedarse, y descartarla sería tan poco práctico como confiarle la decisión completa. La IA rinde en tareas donde el dato ya llega verificado y el modelo solo lo procesa:

Resumir un reporte comercial de varias páginas para el comité de crédito.
Redactar el dictamen o la justificación de una aprobación a partir de datos ya validados.
Ordenar las alertas de una cartera grande para que el analista revise primero las urgentes.
Contrastar el perfil de un cliente con la política interna y marcar las excepciones.

La condición es que el modelo trabaje sobre una fuente verificada y no sobre su memoria. El mercado ya se mueve en esa dirección: Dun & Bradstreet anunció una colaboración con OpenAI para que sus datos empresariales verificados puedan consultarse desde ChatGPT, incluidos estructura societaria, indicadores financieros e historial de pagos. En el detalle de la integración entre Dun & Bradstreet y OpenAI se explica cómo funciona. Lo que separa una respuesta útil de una alucinación es de dónde sale el dato y si alguien puede rastrearlo después.

Cómo armar una decisión de crédito con datos verificados

Con o sin IA de por medio, una evaluación de crédito B2B bien hecha sigue un orden:

Confirmar la identidad de la empresa. Razón social, RFC y un identificador único como el número D-U-N-S, para no evaluar a una homónima o a una empresa fantasma.
Revisar el comportamiento de pago con proveedores. Días promedio de pago y la tendencia de los últimos meses.
Consultar historial y score de crédito. Con autorización del cliente cuando se trata de buró.
Entender la estructura corporativa. Grupo al que pertenece y beneficiarios finales.
Cruzar contra listas de cumplimiento. Sanciones, lista 69-B del SAT, personas políticamente expuestas y medios adversos.
Definir límite y plazo según la política. Y dejar documentado por qué se aprobó o se rechazó.

Hacer este recorrido a mano para cada cliente toma días. CIAL360 Credit reúne la información comercial de Dun & Bradstreet, los reportes de Buró de Crédito y la consulta de listas de cumplimiento en una sola plataforma, y aplica las reglas de evaluación que define cada empresa para recomendar aprobación o rechazo. Cada decisión queda documentada y lista para auditoría. Para el criterio de fondo detrás de esa recomendación, sirve revisar cómo tomar la decisión de dar crédito a un cliente.

Si tu equipo ya usa IA en el día a día, el siguiente paso es darle datos que pueda defender ante un comité. Conoce cómo CIAL360 Credit evalúa a tu próximo cliente con datos verificados de Dun & Bradstreet.

Preguntas frecuentes

¿Cómo funciona el análisis de crédito con IA?

Combina dos tipos de herramientas. Los modelos predictivos analizan historiales de pago y datos financieros para estimar la probabilidad de que una empresa deje de pagar. Los asistentes de IA generativa ayudan a resumir reportes y redactar dictámenes. En ambos casos, el resultado depende de la fuente: un modelo alimentado con datos verificados da recomendaciones que se pueden auditar, mientras que uno que responde desde internet puede inventar información.

¿ChatGPT puede consultar el buró de crédito de una empresa?

No. En México, las sociedades de información crediticia solo entregan reportes a usuarios con contrato y con autorización expresa de la empresa consultada, así que un asistente de IA de uso general no tiene acceso a esa información. Si un chatbot describe el historial en buró de una empresa, lo más probable es que se trate de una alucinación o de un dato tomado de una fuente pública sin verificar.

¿Qué es una alucinación de la IA?

Es una respuesta que un modelo de lenguaje presenta como cierta pero que es falsa o no tiene sustento en ninguna fuente. Ocurre porque el modelo genera el texto más probable a partir de patrones, sin comprobar hechos contra una base de datos. En análisis de crédito, las alucinaciones más peligrosas son cifras de ventas o antecedentes de pago que suenan verosímiles y no existen.

¿Qué datos se necesitan para otorgar crédito a una empresa?

Como mínimo, la identidad verificada de la empresa, su comportamiento de pago con proveedores, su historial y score de crédito, su estructura corporativa y una revisión de listas de cumplimiento. Con esa información se define el límite y el plazo de acuerdo con la política interna. Los estados financieros ayudan, aunque muchas empresas medianas no los comparten o los entregan con meses de retraso.

¿La IA puede reemplazar al analista de crédito?

Hoy no. La IA acelera tareas como resumir reportes o redactar dictámenes, pero la decisión necesita datos verificados y un criterio que se pueda explicar en una auditoría. El esquema que mejor funciona es un motor de decisiones que aplica las reglas de la empresa sobre datos comerciales confiables, con un analista que revisa las excepciones y los casos fuera de política.

¿Cómo se verifica que una empresa existe?

Primero se confirman la razón social, el RFC y el domicilio con fuentes oficiales. Después se consulta un identificador único como el número D-U-N-S de Dun & Bradstreet, que distingue a cada empresa de sus homónimas. También se revisa que el RFC no aparezca en la lista del artículo 69-B del SAT. En operaciones de mayor monto, una inspección en sitio agrega certeza.

¿Qué riesgos tiene usar IA en decisiones financieras?

El más directo es decidir con datos inventados o desactualizados. Le sigue la falta de trazabilidad: si nadie puede explicar por qué se aprobó a un cliente, la decisión no resiste una auditoría. KPMG encontró que solo el 42% de las organizaciones está plenamente preparada para auditar procesos financieros apoyados en IA. Cargar información confidencial de clientes en herramientas públicas suma un riesgo de privacidad.