Cómo la convergencia de modelos, la difusión de metodologías y la automatización de decisiones están transformando el riesgo financiero a nivel global.
Raúl Zea (rzea@sriskm.com)
Introducción: la ilusión de control en la era de la inteligencia artificial
La evolución de la banca moderna ha estado marcada por una aspiración constante: reducir la incertidumbre mediante el uso de modelos cada vez más sofisticados. Desde los enfoques econométricos tradicionales hasta los sistemas actuales de inteligencia artificial, el progreso ha sido sostenido y profundo. Hoy, las instituciones financieras cuentan con gran capacidad para procesar información, identificar patrones complejos y automatizar decisiones a gran escala.
Sin embargo, este avance tecnológico está dando lugar a una tensión estructural que comienza a emerger con claridad en el debate internacional: la optimización del riesgo a nivel individual no necesariamente se traduce en estabilidad a nivel sistémico.
Diversos estudios recientes han advertido que el uso intensivo de inteligencia artificial en el sistema financiero puede amplificar vulnerabilidades existentes, particularmente a través de la uniformidad de modelos, la velocidad de reacción y la concentración tecnológica
(https://www.suerf.org/publications/suerf-policy-notes-and-briefs/artificial-intelligence-and-systemic-risk/).
En este contexto, proponemos un concepto que aún no se ha formalizado plenamente en la regulación, pero es cada vez más evidente en la práctica: el riesgo algorítmico.
Más allá del riesgo de modelo: un cambio estructural
El concepto de riesgo de modelo ha sido uno de los pilares de la regulación bancaria moderna. La Reserva Federal de Estados Unidos lo define como el riesgo de pérdidas derivadas de decisiones basadas en modelos incorrectos o mal utilizados (https://www.federalreserve.gov/supervisionreg/srletters/sr1107.htm).
Este marco ha sido fundamental para fortalecer la disciplina analítica en la banca. No obstante, fue concebido bajo una premisa que hoy comienza a debilitarse: la relativa independencia entre modelos.
En la práctica actual, los modelos no operan de forma aislada. Comparten datos, metodologías, arquitecturas tecnológicas y, cada vez más, participan en procesos de decisión automatizados. Este cambio introduce una dimensión adicional: la correlación entre los resultados de los modelos y la interacción indirecta entre decisiones de distintas instituciones.
De este modo, el problema evoluciona. Ya no se trata únicamente de evaluar la calidad de un modelo individual, sino de comprender cómo múltiples modelos, operando simultáneamente, pueden generar efectos agregados sobre el sistema financiero.
Definiendo el riesgo algorítmico
Podemos definir el riesgo algorítmico como: la posibilidad de que decisiones financieras automatizadas, basadas en modelos similares o interdependientes, generen efectos sistémicos no previstos debido a su sincronización, correlación y dependencia de infraestructuras comunes.
No se trata de un problema de "malos modelos" sino que se trata de un problema de demasiados modelos buenos, funcionando de manera similar.
Este concepto, si bien se alinea con preocupaciones expresadas por organismos internacionales, constituye en parte una propuesta conceptual construida a partir de la integración de evidencia internacional disponible y la experiencia profesional en nuestra gestión de riesgos en banca.
En consecuencia, el riesgo algorítmico debe entenderse como una hipótesis estructural robusta, más que como un fenómeno plenamente cuantificado o formalizado en la regulación vigente y que aún requiere validación empírica.
El rol de la información: cuando lo correcto genera riesgo
Uno de los pilares de la eficiencia del sistema financiero moderno es la disponibilidad de información consolidada.
En el caso peruano, la Central de Riesgos administrada por la Superintendencia de Banca, Seguros y AFP permite a las entidades acceder a información detallada sobre el comportamiento crediticio de los clientes (https://www.sbs.gob.pe/usuarios/aprende-con-la-sbs/el-historial-crediticio).
En la práctica bancaria, y sobre la base de nuestra experiencia profesional en el diseño y validación de modelos, este tipo de información es considerada de alto valor por su fuerte capacidad discriminante, particularmente en el caso de variables como la clasificación del cliente en el sistema financiero.
No obstante, desde una perspectiva sistémica, esta fortaleza puede generar un efecto menos evidente. Cuando múltiples instituciones utilizan las mismas variables altamente informativas, los modelos tienden a producir resultados similares.
Bajo ciertas condiciones, la eficiencia informacional puede traducirse en convergencia de decisiones. Este fenómeno no implica una falla metodológica, sino una consecuencia natural del uso de información de alta calidad. Sin embargo, puede reducir la diversidad del sistema y aumentar la probabilidad de respuestas sincronizadas ante eventos adversos.
La sincronización: el verdadero riesgo invisible
El riesgo algorítmico se materializa plenamente cuando se introduce el factor tiempo.
En un entorno donde las decisiones son cada vez más automatizadas, la probabilidad de reacciones simultáneas entre instituciones aumenta de manera significativa. Esto puede derivar en comportamientos colectivos como contracciones simultáneas del crédito, ajustes coordinados en políticas de riesgo o reacciones homogéneas ante señales macroeconómicas.
Un caso ilustrativo de los efectos de la automatización en los mercados financieros es el Flash Crash del 6 de mayo de 2010, analizado por la SEC y la CFTC (https://www.sec.gov/files/marketevents-report.pdf). Este evento evidenció cómo la interacción de sistemas automatizados puede amplificar dinámicas de mercado de forma abrupta.
Si bien el crédito bancario no opera con la velocidad del trading algorítmico, el episodio ilustra un principio relevante: la interacción de sistemas automatizados puede amplificar dinámicas de mercado más allá de lo previsto por cada agente individual.
Dependencia tecnológica: la infraestructura como fuente de riesgo
La creciente adopción de infraestructuras tecnológicas compartidas, especialmente servicios cloud, introduce un nuevo tipo de riesgo estructural.
Organismos internacionales han advertido que la dependencia de un número reducido de proveedores
tecnológicos puede generar concentración de riesgo y potenciales puntos únicos de falla en el sistema financiero (https://www.bis.org/fsi/publ/insights53.pdf).
Este fenómeno no se limita a lo operativo. Muchas plataformas tecnológicas incorporan arquitecturas, librerías y frameworks analíticos que tienden a estandarizar los enfoques de modelización.
Bajo ciertas condiciones, esta convergencia tecnológica puede contribuir a la homogeneización de modelos y decisiones, incrementando la correlación sistémica.
Difusión de metodologías: el contagio silencioso
Más allá de la tecnología, existe un mecanismo estructural menos visible pero igualmente relevante: la difusión del conocimiento.
Las metodologías de gestión de riesgos se expanden a través de redes profesionales, bancos multinacionales, consultoras especializadas, programas académicos y, de manera particularmente importante, la movilidad de talento.
Desde la experiencia profesional en banca internacional, así como en la formación de equipos de analítica y gestión de riesgos en la región, este proceso —aunque eleva el nivel técnico del sistema— puede favorecer la convergencia metodológica entre instituciones.
Este fenómeno, que puede denominarse contagio metodológico, constituye una hipótesis relevante para explicar la reducción de diversidad en los modelos y merece ser objeto de investigación futura.
América Latina: distintos caminos hacia una vulnerabilidad común
El fenómeno descrito no es exclusivo de América Latina. La adopción de inteligencia artificial en la banca es un proceso global.
Sin embargo, los sistemas financieros latinoamericanos ofrecen un entorno particularmente interesante para observar estas dinámicas, debido a la combinación de convergencia metodológica, estructuras regulatorias específicas y la influencia de modelos desarrollados en mercados internacionales.
Las siguientes observaciones corresponden a una lectura experta, basada en la estructura de los sistemas financieros y experiencia directa en algunos de los países refrentes de la región:
En el Perú, la combinación de regulación robusta e información consolidada favorece modelos eficientes,
pero potencialmente convergentes.
En México, la existencia de sociedades de información crediticia y el desarrollo del ecosistema fintech introducen mayor complejidad y diversidad, aunque también nuevos riesgos asociados a opacidad y dependencia tecnológica (https://www.gob.mx/cnbv/acciones-y-programas/sociedades-de-informacion-crediticia-sic).
En Colombia, el sistema muestra características híbridas en transición hacia analítica avanzada.
En Panamá, la influencia de bancos internacionales puede introducir convergencia metodológica a través de modelos importados.
Estas diferencias no eliminan el problema, sino que configuran distintas formas en las que el riesgo algorítmico puede manifestarse.
La paradoja de la precisión
Uno de los aspectos más relevantes del riesgo algorítmico es que, bajo condiciones de alta homogeneidad en datos, objetivos y arquitecturas, mejoras en la precisión de los modelos a nivel individual pueden traducirse en mayor correlación a nivel sistémico.
Modelos más precisos tienden a identificar señales similares, reaccionar de manera consistente y generar decisiones alineadas. Esto puede derivar en comportamientos colectivos altamente sincronizados.
En este sentido, la optimización local puede, bajo ciertas condiciones, generar fragilidad global, lo que es conceptualmente consistente con preocupaciones sobre exposiciones comunes y comportamiento agregado en sistemas financieros interconectados (https://www.suerf.org/publications/suerf-policy-notes-and-briefs/artificial-intelligence-and-systemic-risk/).
Hacia una nueva frontera en la gestión del riesgo
El reconocimiento del riesgo algorítmico plantea la necesidad de evolucionar los marcos tradicionales de gestión del riesgo.Más allá de la validación individual de modelos, será necesario avanzar hacia enfoques que permitan evaluar la correlación entre decisiones, la concentración tecnológica, la diversidad metodológica y la interacción entre modelos.
Esto implica un cambio de paradigma: pasar de una visión centrada en la institución hacia una visión centrada en la resiliencia del sistema.
Reflexión final
La inteligencia artificial no representa, por sí misma, una amenaza para la estabilidad financiera. Es una herramienta que amplía significativamente las capacidades de la banca.
El riesgo emerge cuando estas capacidades se desarrollan dentro de un sistema altamente interconectado y con creciente homogeneidad.
El riesgo algorítmico, tal como se propone en este artículo, constituye un marco conceptual para entender esta nueva realidad.
La próxima crisis financiera podría no originarse en la falta de información, sino en la excesiva sincronización de decisiones basadas en información similar.
Comprender, medir y gestionar este fenómeno será uno de los principales desafíos estratégicos para la banca y los reguladores en los próximos años.
Quantitative Solutions For Smart Decisions
(c) STRATEGIC RISK MANAGEMENT SAC.
