La IA predice quiebras empresariales con un 86 por ciento de precisión — pero ¿quién paga cuando la máquina se equivoca?

Cuando los números comienzan a susurrar sobre la crisis

Existe un problema clásico en el análisis de riesgo financiero: las quiebras que deberían haber sido predecibles, pero no lo fueron. No porque faltaran señales, sino porque se perdían en el ruido, en el sesgo humano o en sistemas que simplemente no estaban diseñados para encontrar agujas en pajares.

Ahora, nueva investigación publicada en arXiv sugiere que el aprendizaje automático puede hacer precisamente eso — y hacerlo bien.

Los investigadores detrás del estudio han desarrollado un marco que combina varias técnicas avanzadas de aprendizaje automático en lo que se denomina un conjunto de apilamiento, donde múltiples modelos de IA trabajan juntos y complementan sus fortalezas mutuas. Lo inteligente no es solo que los modelos colaboren, sino cómo manejan uno de los problemas más difíciles en la predicción de quiebras: los datos fuertemente desequilibrados.

El problema real no es encontrar empresas sanas

En realidad, la gran mayoría de empresas no quiebran. Suena obvio, pero crea un dolor de cabeza técnico para quien quiera entrenar un modelo de IA con datos históricos. Si el 97 por ciento de todas las empresas en los datos de entrenamiento están sanas, un modelo puede lograr una precisión general impresionante simplemente adivinando siempre "sin quiebra" — y aun así ser completamente inútil en la práctica.

Los investigadores resuelven esto equilibrando activamente los datos de entrenamiento con métodos especializados, para que el modelo realmente aprenda a reconocer las excepciones críticas. ¿El resultado? Más del 86 por ciento de precisión en identificar candidatos reales a la quiebra, probado con datos de empresas taiwanesas.

Esa es una cifra que habría hecho que la mayoría de analistas de crédito prestaran atención.

IA explicable: cuando las cajas negras reciben paredes de cristal

La parte del estudio que más me cautiva es el uso del análisis SHAP — una técnica dentro de la IA explicable (XAI) que desglosa las decisiones del modelo y muestra qué factores pesan más.

Los resultados no son sorprendentes para quien haya seguido el análisis de crédito durante un tiempo: el nivel de endeudamiento, la rentabilidad, la capacidad de pago y la eficiencia operativa son los indicadores más determinantes. Pero lo importante no es que hayamos confirmado lo que los analistas experimentados ya intuyen — lo importante es que ahora podemos ver por qué el modelo piensa como piensa.

Es una diferencia crucial respecto a los modelos de caja negra de generaciones anteriores. La IA explicable transforma un oráculo estadístico en una herramienta analítica que realmente puede ser escrutada, cuestionada y mejorada.

Para bancos e inversores que deben poder defender sus decisiones de crédito ante autoridades regulatorias, esto no es un bonus agradable — es un requisito fundamental.

¿Qué sucede cuando el algoritmo tiene voz?

Pero no olvidemos la pregunta incómoda que acecha en el fondo: ¿qué sucede con las empresas que son marcadas?

Un sistema que predice quiebras con alta precisión puede convertirse en una profecía autocumplida. Si los bancos niegan préstamos, los inversores se retiran y los proveedores exigen pagos adelantados basados en una puntuación de riesgo algorítmica — entonces, un negocio fundamentalmente viable podría quebrar por exactamente las razones que el modelo advirtió.

Esto no es un argumento en contra de la tecnología. Es un argumento a favor de que debe usarse con cuidado, como apoyo para la toma de decisiones en lugar de un veredicto automatizado. La historia está llena de ejemplos de modelos financieros usados sin escrutinio humano crítico que amplifican problemas en lugar de resolverlos.

Al mismo tiempo, vale la pena recordar cuál es la alternativa: evaluaciones basadas en intuición, algunos indicadores clave y la información que simplemente está disponible. Eso ciertamente no es mejor.

Una tecnología con el momento justo

La investigación llega en un momento en que el interés en IA dentro de finanzas es récord, pero donde los reguladores en la UE y globalmente imponen requisitos cada vez más estrictos para que los sistemas de decisión automatizados sean auditables y explicables. El marco descrito en el estudio parece estar construido pensando precisamente en eso.

El siguiente paso es llevar la tecnología de datos de prueba taiwaneses a una aplicación más amplia — y ver cómo funciona cuando los ciclos económicos cambian de formas que los datos de entrenamiento nunca vieron.