Según arXiv q-fin, un estudio reciente evalúa si los modelos de lenguaje grandes (LLMs) pueden transformar las explicaciones técnicas de modelos de riesgo crediticio en narrativas comprensibles para actores no especializados. El trabajo se centra en datos de préstamos residenciales de Freddie Mac, aplicando tres pipelines distintos: uno basado en datos tabulares (XGBoost y SHAP), otro exclusivamente basado en redes (GNN y GNNExplainer), y un tercero que combina ambos tipos de datos. Las explicaciones se generan mediante tres configuraciones de LLMs: un modelo pequeño y fine-tuned (Gemma 3 4B), uno grande y fine-tuned (DeepSeek R1 70B), y uno comercial sin entrenamiento previo (Gemini 2.5). La calidad de las explicaciones se mide mediante verificaciones automatizadas y un estudio humano que compara cómo profesionales y no profesionales interpretan ocho dimensiones clave de toma de decisiones.
El análisis revela que el nivel de consistencia en las explicaciones está más influenciado por cómo se estructuran los datos de evidencia que por el tipo de modelo de lenguaje utilizado. Aunque los LLMs logran identificar factores clave que influyen en el riesgo, su capacidad para indicar la dirección de esa influencia es menos estable. Este punto es crítico, especialmente en contextos donde se deben comunicar decisiones negativas, ya que una interpretación errónea podría afectar la percepción de justicia o transparencia. Además, los profesionales de riesgo exigen niveles más rigurosos de apoyo evidencial, lo que sugiere que la calidad de la narrativa no depende solo de la tecnología, sino también de la formación del usuario final.
Para el lector peruano, este hallazgo tiene implicaciones directas en el acceso a servicios financieros. En el mercado local, donde muchas personas enfrentan dificultades para entender los criterios de aprobación de créditos, los modelos de decisión deben no solo ser precisos, sino también comprensibles. La existencia de una brecha entre la explicación técnica y la comprensión del público indica que las instituciones financieras deben invertir en herramientas que traduzcan los datos en mensajes claros, sin sacrificar la rigurosidad del análisis. Aunque los LLMs prometen soluciones rápidas, el estudio subraya que la calidad de la evidencia subyacente es el pilar más débil del proceso. Por ello, antes de adoptar cualquier sistema de inteligencia artificial en procesos de crédito, es esencial asegurar que los datos que alimentan los modelos sean transparentes, verificables y bien documentados. Así, los bancos y cooperativas pueden construir confianza con sus clientes, especialmente en contextos donde el crédito es un recurso clave para el desarrollo personal y económico.