El crédito Fintech creció un 121% en los últimos dos años en Argentina, pasando de 3,7 millones a 8,1 millones de clientes, y hoy representa el 25% del total de préstamos del sistema financiero, según el Informe de Crédito Fintech elaborado por el ITBA y la Cámara Argentina Fintech.
Esa expansión convivió con un deterioro: la mora operativa de la cartera Fintech se estacionó en torno al 22% desde noviembre de 2025, con señales de fragilidad que los esquemas de análisis tradicionales no siempre logran detectar a tiempo.
El volumen de información generado en cada solicitud de crédito es parte del problema. Los datos quedan registrados pero dispersos, con difícil lectura para cruzar comportamiento de la cartera con las variables que originaron cada decisión.
Una de las estrategias más utilizadas frente a ese desafío es el análisis predictivo: el uso de información histórica y actual para anticiparse a comportamientos futuros. Según datos de Fortune Business Insights, el mercado global de análisis predictivo rondaba los USD 22.220 millones en 2025 y podría superar los USD 116.650 millones en 2034, con un crecimiento anual sostenido cercano al 20%.
A ese enfoque se suman motores de decisión automatizados, inteligencia artificial y minería de datos, que hacen los modelos más precisos y efectivos en la toma de decisiones crediticias.
Santiago Etchegoyen, CTO de SIISA, señala que “además de automatizar la evaluación para aprobar o rechazar una solicitud, también es posible analizar cómo funcionan esas decisiones en la práctica y ajustar los criterios de análisis de manera más ágil según los resultados obtenidos. Es fundamental que las entidades de crédito puedan detectar qué perfiles están siendo rechazados, qué variables hay que incorporar para predecir probabilidad de mora y qué habría ocurrido si se hubiera utilizado una política de riesgos con otras variables”, afirmó.
La analítica integrada permite revisar la trazabilidad de las políticas crediticias con lecturas visuales que cruzan variables del flujo automatizado con el comportamiento real de la cartera.
Entre sus capacidades se destacan la identificación de en qué etapa del proceso se pierden más solicitudes, la simulación de escenarios what-if para anticipar el impacto de un cambio de política, la detección de cuándo una fuente de datos dejó de correlacionar con la mora real y las alertas automáticas cuando un indicador empieza a moverse en dirección negativa.
Para bancos y entidades financieras no bancarias, el resultado es pasar de una gestión reactiva del riesgo a una anticipatoria, con capacidad de detectar problemas tempranos antes de que el deterioro se instale en la cartera.
