Evaluación crediticia basada en IA: ¿un mito que hay que disipar?
El análisis de Leanus revela la singularidad de PMI y los consiguientes límites de los algoritmos.
Leanus realizó para MF Milano Finanza un análisis detallado de la correlación entre los principales datos contables de más de 6.220 empresas italianas que operan en el sector del transporte de mercancías por carretera (código ATECO 4941). A pesar de su aparente homogeneidad sectorial, el estudio sobre los estados financieros de 2023 de las empresas seleccionadas destaca la extrema heterogeneidad de las realidades corporativas y la consiguiente dificultad de adoptar criterios de evaluación que ignoren el análisis en profundidad de los casos individuales.
La evidencia principal
El análisis de la matriz de correlaciones muestra una ausencia casi total de correlaciones estadísticas significativas entre las variables contables examinadas. Esto sugiere que las empresas, aunque operen en el mismo sector, presentan una singularidad notable, ligada a factores específicos y no estandarizables, como la historia de la empresa, la gestión y las elecciones estratégicas. Estos hallazgos ponen en duda la fiabilidad de los procesos automáticos de evaluación crediticia basados únicamente en algoritmos o Inteligencia Artificial (IA)
La correlación
La correlación mide el grado de dependencia entre dos variables: un valor de 1 indica una correlación positiva perfecta (cuando una variable crece, la otra también crece proporcionalmente); por el contrario, un valor de -1 indica correlación negativa perfecta (cuando una variable aumenta, la otra disminuye). Valores iguales o inferiores a 0,5 indican una correlación débil o ausente, al menos desde un punto de vista estadístico.
La muestra examinada
6.220 PMI Empresas italianas (con ingresos en 2023 entre 500.000 euros y 50 millones de euros), clasificadas como operativas en el sector 4941 - Transporte de mercancías por carretera. En el caso de presencia simultánea de los Estados Financieros Ordinarios y Consolidados, se seleccionaron los estados financieros Ordinarios (para evitar doble contabilización). El valor global de los ingresos se acerca a los 27 mil millones de euros (un aumento del 4,5%) con un Anual promedio del 5%. Tiempo medio de recogida a los clientes o DSO igual a 100DD, tiempo promedio de pago a proveedores o DPO igual a 109. Estos últimos datos se utilizan ampliamente para las estadísticas sectoriales y para definir los criterios de acceso al crédito pero, como se argumenta más adelante, a menudo son engañosos.
El estado de resultados
El análisis de la correlación entre las partidas de la cuenta de resultados por sí solo confirma la correlación entre el tamaño, expresado en Ingresos, y las principales partidas de costes (Servicios y Personal). Sin embargo, el vínculo con el resto de variables relevantes no es muy significativo. La correlación con el consumo (compras + variación de existencias) es ligeramente inferior a 0,6, mientras que la correlación con el EBITDA (0,4), la depreciación (0,5), el EBIT (0,2) y el beneficio (0,5) están ausentes o son débiles. En resumen, el crecimiento del gasto en costos operativos es proporcional al tamaño pero el mayor tamaño no necesariamente se traduce en mejores resultados económicos y por tanto ni siquiera en mayores ingresos para el Estado, dado que la correlación con los impuestos operativos no alcanza el valor de 0,5. Sin embargo, la correlación entre el valor del EBITDA (y en consecuencia del EBIT) con el valor de los impuestos es significativa, aspecto este último que confirma la propensión a optimizar el perfil fiscal de la mayoría de las empresas.
El balance
El análisis de las partidas del balance confirma la propensión al endeudamiento global de la mayoría de las empresas; la correlación entre Deuda total e Ingresos es de hecho igual a 0,8; también destacan los hábitos de pago del sistema italiano; la correlación entre Ingresos y Créditos de Clientes es de hecho igual a 0,8 al igual que la correlación entre Ingresos y Deudas de Proveedores. Al contrario de lo que sería lógico esperar, considerando que se trata de empresas que operan en el mismo sector, la correlación con los inventarios es casi inexistente (0,2).
El estado de flujo de efectivo
La liquidez disponible muestra una ligera correlación con el valor del patrimonio neto (0,6), con el valor del EBITDA (0,5); la correlación con las demás variables económicas y financieras está ausente o es débil. El flujo de caja operativo (el efectivo generado durante el año por la dirección central) muestra un elemento de atención sobre el que vale la pena reflexionar. Además de estar correlacionado con las variables de las que depende directamente (Anual, Beneficio), muestra una relación interesante, aunque débil (0,5), con los activos fijos netos (es decir, la suma de los activos fijos tangibles, intangibles y financieros netos de los fondos de depreciación) que confirman parcialmente la importancia de las inversiones con fines de generación de efectivo.
En fin
La evidencia que surge del análisis de la matriz de correlaciones permite confirmar el valor de la identidad de la empresa individual, no como perteneciente a una categoría, un sector o una región, sino como una entidad única, diferente de las demás, caracterizada por su historia, por las personas que lo gestionan y trabajan en él, por decisiones y muchos otros factores.
Cada negocio tiene el suyo letra singular diferente al de las demás y difícil de replicar y sólo parcial y mínimamente comparable con el de otras empresas, menos aún si se identifica mediante codificación sectorial que, por obvias razones prácticas, no puede tomar en consideración los factores singulares de la realidad individual.
La consecuencia inmediata de esta evidencia es que los procesos de evaluación de empresas (ya sea orientados al acceso al crédito, a operaciones de fusiones y adquisiciones u otros) no pueden ignorar la búsqueda de dicha unicidad. El uso de métricas estándar (alto EBITDA, buen ratio Pfn/EBITDA u otros criterios) abre el riesgo de selección adversa, es decir, la posibilidad concreta de dedicar atención a empresas que no lo merecen y viceversa.
Dado que la correlación entre las principales variables es baja y ante la falta de capacidad para encontrar otra información de mejor o similar calidad, los modelos matemáticos, basados en algoritmos tradicionales o sistemas de IA, están destinados a ofrecer intentos de evaluación distorsionados, un riesgo bien destacado por los órganos de control del sistema bancario (EBA, Bankit) que se pronunciaron a favor de un enfoque, aunque apoyado en la tecnología, en el que el factor humano debe seguir desempeñando un papel protagonista.
Si bien la tecnología, en todas sus formas actuales y futuras, es el mejor socio de las organizaciones y los profesionales, el desafío de decodificar las características únicas de las empresas no se puede delegar únicamente en las máquinas; las variables son innumerables y a menudo no repetitivas y, como tales, difícilmente serán objeto de un proceso enteramente industrializado o no asistido por las habilidades y capacidades de evaluación de los seres humanos.
De hecho, la misma tesis ya ha sido bien defendida por los órganos rectores del sistema bancario que, además de definir los reglamentos de la Autoridad Bancaria Europea (EBA) sobre evaluación crediticia, desarrollado para garantizar que las instituciones financieras adopten procesos sólidos, transparentes y consistentes en la evaluación del riesgo crediticio, han establecido principios rectores para el uso cada vez mayor de herramientas y algoritmos basados en IA. De hecho, la regulación apunta a equilibrar la innovación tecnológica con la necesidad de preservar la calidad crediticia y la estabilidad financiera.
Puntos clave del Reglamento EBA
1. Enfoque basado en el riesgo: La regulación exige que los bancos evalúen el riesgo crediticio considerando no solo los datos financieros tradicionales sino también las características cualitativas de las empresas, asegurando que el análisis tenga en cuenta la especificidad de cada deudor.
2. Transparencia y Documentación: Las entidades deben garantizar que los modelos de evaluación sean transparentes, estén documentados y estén sujetos a controles periódicos. Esto incluye el requisito de comprender y poder explicar los resultados producidos por modelos basados en IA.
3. Supervisión de la inteligencia artificial: la EBA exige una supervisión estricta de los modelos de IA, garantizando que se utilicen de manera responsable. Los bancos deben poder justificar las decisiones crediticias tomadas mediante algoritmos, evitando sesgos o errores sistemáticos.
4. Evaluación Prudencial: La legislación exige que el uso de modelos automatizados se integre con el juicio humano, especialmente en casos de excepciones o evaluaciones que van más allá de situaciones estandarizadas.
5. Capacidad de pruebas de resistencia: los bancos deben realizar pruebas de resistencia a sus modelos crediticios, incluidos los basados en inteligencia artificial, para verificar la resiliencia en condiciones adversas del mercado.
Implicaciones para los bancos
6. Fortalecimiento de los controles internos: los bancos deben fortalecer los controles internos y la gobernanza de los modelos crediticios, garantizando que los riesgos que surgen del uso de la IA se gestionen adecuadamente.
7. Necesidad de habilidades multidisciplinarias: se requiere una combinación de habilidades técnicas y juicio de expertos para interpretar correctamente los resultados del modelo.
8. Centrarse en la unicidad de los deudores: La legislación fomenta un enfoque que reconoce la unicidad de las empresas individuales, superando los límites de la clasificación sectorial estándar.
En resumen, también la legislación EBA promueve el uso prudente y responsable de la inteligencia artificial en la evaluación crediticia, integrando la innovación tecnológica con el rigor del juicio humano para mantener la integridad del proceso crediticio
Publique sus comentarios sobre este tema.