01 / 05
El reto
LendDesk era un prestamista al consumo con dos años de vida que procesaba unas 400 solicitudes por semana con una herramienta de evaluación heredada y un pequeño equipo de analistas. Cada solicitud tardaba 26 horas de principio a fin. La ambición del fundador era duplicar el volumen sin duplicar el equipo, lo que obligaba a automatizar, auditar o eliminar cada paso del proceso.
Había tres cuellos de botella reales: el análisis de movimientos bancarios (tedioso y manual), los resúmenes narrativos (analistas escribiendo los mismos párrafos una y otra vez) y las decisiones de riesgo marginal (solicitudes que no eran ni una aprobación ni un rechazo claros y requerían a un analista sénior).
02 / 05
Nuestro enfoque
Construimos en Laravel la plataforma de originación como sistema de referencia: cada solicitud, documento, decisión y evento de auditoría. Sobre ella conectamos tres capacidades de IA concretas: un clasificador de movimientos bancarios ajustado (PyTorch, alojado internamente), un generador de resúmenes narrativos (OpenAI, con un esquema fijo y revisión humana) y un explicador de riesgo marginal que muestra los tres factores de riesgo principales de cada solicitud dudosa.
Lo fundamental: la IA nunca tomaba la decisión. Cada recomendación automática iba acompañada de un panel explicativo y una persona firmaba siempre la aprobación o el rechazo final. Así el responsable de riesgos del fundador estaba tranquilo y, sobre todo, cumplíamos las pautas del regulador sobre evaluación asistida por modelos.
03 / 05
Decisiones clave
Alojamos nosotros mismos el clasificador de movimientos bancarios. Enviar el extracto completo de un cliente a un LLM externo no era una opción, tanto por motivos regulatorios como porque la confianza del cliente era clave para el fundador. Un modelo de código abierto ajustado, en un pequeño servidor con GPU, alcanzó un 96 % de precisión a una fracción del coste.
Cada llamada a la IA estaba estructurada. Nada de prompts libres ni campos inventados. El generador de resúmenes recibe JSON estructurado y devuelve JSON estructurado según un esquema. Las salvaguardas detectan desviaciones y una batería de evaluaciones nocturna señala las regresiones.
Conectamos Chargebee para los complementos de suscripción (planes de amortización premium y seguros adicionales). La escalera de recobro de Chargebee recuperó un 4,2 % de los ingresos en riesgo el primer mes: margen puro.
04 / 05
Qué cambió
El tiempo de evaluación bajó de 26 a 13,5 horas: una reducción del 48 %. El volumen de solicitudes se duplicó en cuatro meses sin aumentar la plantilla. El perfil de riesgo de los préstamos aprobados no ha cambiado: la tasa de impago se mantiene a menos de 2 puntos básicos del nivel previo a la automatización. La revisión PCI-DSS terminó sin incidencias bloqueantes; SOC-2 Tipo 1 está previsto para el segundo trimestre.
05 / 05
Próximos pasos
Estamos creando un asistente de préstamos para clientes, un chat basado en la misma infraestructura de IA, que ayuda a los solicitantes a entender qué documentos necesitan y por qué. Los primeros experimentos muestran un aumento del 22 % en las solicitudes completadas.
