Última actualización: octubre de 2026
La IA explicable en riesgo y cumplimiento normativo significa que cada decisión en la que interviene un modelo, una regla o un sistema de IA se puede reconstruir y justificar ante la persona afectada, el analista que actúa en consecuencia y un auditor o examinador, a partir de un registro de las entradas, las versiones de la política y del modelo, los motivos y las aprobaciones humanas. Oscilar es la plataforma de riesgo basada en agentes para fraude, crédito, onboarding y cumplimiento, diseñada para bancos y fintechs reguladas. Oscilar es una plataforma unificada: tejido de datos en tiempo real, inteligencia de dispositivos y comportamiento, reglas y gestión de casos en una sola infraestructura, con agentes nativos integrados. Oscilar ha redactado esta guía y comercializa una plataforma en esta categoría.
En resumen
La explicabilidad pertenece tanto al registro de la decisión como al modelo: entradas y fuentes, versiones vigentes de la política y del modelo, los motivos y cualquier anulación manual junto con la persona que la autorizó.
Los solicitantes, analistas, validadores, auditores internos y examinadores necesitan, cada uno, una explicación diferente de la misma decisión.
En el ámbito crediticio de EE. UU., la Regulación B exige indicar motivos principales concretos vinculados a los factores realmente evaluados, independientemente del tipo de modelo que haya motivado la denegación.
Las reglas se explican por sí solas, los modelos de aprendizaje automático requieren que las atribuciones se traduzcan en motivos, y la IA generativa y los agentes se explican mediante sus evidencias, pasos y aprobaciones humanas.
La guía interinstitucional sobre riesgo de modelos publicada el 17 de abril de 2026 (SR 26-2) deja fuera de su alcance a la IA generativa y basada en agentes, por lo que la documentación, las pruebas y las aprobaciones con nombre y apellido asumen la máxima relevancia para estos sistemas.
¿Qué debe ofrecer la IA explicable en riesgo y cumplimiento?
La IA explicable en riesgo y cumplimiento debe generar, para cada decisión, un registro que permita a una persona ajena al sistema justificar por qué se tomó esa decisión y demostrarlo meses después. Ese registro consta de cinco partes:
Justificación por decisión: la regla que se activó o los motivos generados por el modelo, explicados de forma clara y procesable para el lector.
Trazabilidad de las pruebas: qué datos utilizó la decisión, de dónde procedía cada entrada y en qué momento se obtuvo.
Versión de las políticas: las versiones de la política, del conjunto de reglas y del modelo vigentes en el momento exacto de la decisión.
Anulaciones y aprobaciones: cualquier modificación humana del resultado, quién la realizó y por qué.
Reproducibilidad: un registro lo bastante completo como para reconstruir la decisión con posterioridad.
Un responsable de BSA en un banco de ahorros resumió las dudas habituales de los compradores con una serie de preguntas: "¿Hasta qué punto está documentado su flujo de decisión o modelo de IA, si alguna vez nos lo solicitan? ¿Es explicable? ¿Está oculto tras una caja negra?".
La explicabilidad es una cualidad de la decisión, no solo del modelo
En el sector financiero, la IA explicable suele abordarse a nivel de modelo. La explicabilidad del modelo responde a por qué generó una puntuación determinada. La explicabilidad de la decisión responde a por qué la entidad tomó una medida concreta, bajo qué política, con qué datos de entrada y quién la autorizó; y eso es precisamente lo que evalúan examinadores y auditores.
Un responsable de estrategia y analítica (gestión de carteras de crédito) en una fintech de tarjetas describió este desfase: se había denegado una solicitud y el registro no mostraba qué variable falló, si dicha variable procedía a su vez de otro modelo ni cómo estaba definida. Por mucho que el modelo pudiera explicarse, el registro de la decisión no lo hacía.
Modelos interpretables y explicaciones post hoc
El aprendizaje automático interpretable utiliza modelos cuya estructura puede leer directamente una persona, como una tarjeta de puntuación (scorecard), un árbol de decisión pequeño o un modelo lineal con pocas variables. Las explicaciones post hoc se generan después de que un modelo complejo haya puntuado. Las atribuciones de características, como los valores SHAP, estiman en qué medida cada variable aumentó o redujo una puntuación concreta, mientras que las explicaciones contrafactuales indican el cambio mínimo en las entradas que habría modificado el resultado.
Los métodos post hoc aproximan el comportamiento de un modelo. Dos métodos de atribución pueden clasificar las mismas entradas de forma distinta para una misma puntuación, y una atribución calculada meses más tarde sobre un modelo reentrenado no tiene por qué coincidir con la generada en el momento de la decisión. Conviene almacenar la explicación junto con la decisión, ya que una explicación que no se puede reproducir después es una historia que un examinador no tiene forma de comprobar.
El equilibrio entre un modelo complejo más preciso y uno simple más transparente es un dilema real. La prueba decisiva es qué modelo puede explicar la entidad a cada interlocutor que lo solicite, con el nivel de detalle adecuado. La transparencia de la IA es el objetivo, y la auditabilidad de la IA —la capacidad de reconstruir una decisión— es la forma en que la entidad demuestra haberlo alcanzado.
Quién necesita una explicación y qué requiere cada perfil
Cada perfil plantea una pregunta diferente ante la misma decisión, por lo que una única explicación rara vez sirve para todos.
Quién necesita la explicación | Qué necesita ver | Por qué |
|---|---|---|
Solicitante o cliente | Los motivos principales y específicos de una decisión crediticia adversa, en un lenguaje claro | La Regulación B exige motivos específicos al denegar un crédito en EE. UU. |
Analista | Por qué se activó la alerta, las pruebas asociadas y el historial del cliente, todo en un mismo lugar | Para resolver y registrar una resolución sin tener que reconstruir el caso |
Validador de modelos y segunda línea | Documentación del modelo, entradas y salidas, y rendimiento en comparación con alternativas | Para cuestionar el modelo de forma independiente antes y después de su puesta en producción |
Auditoría interna y tercera línea | Si la decisión fue correcta y, en caso contrario, por qué y cuál debería haber sido | Para evaluar el trabajo de la primera y la segunda línea |
Examinador o regulador | Cualquier decisión reconstruida bajo demanda, con la política vigente en esa fecha | Para confirmar que la entidad decide de acuerdo con sus políticas declaradas |
Un único campo explicativo no puede cubrir estas cinco necesidades: el solicitante busca motivos claros, mientras que la auditoría y el examinador requieren todo el recorrido. La pregunta de la tercera línea es la más difícil de responder únicamente a partir del resultado.
Un vicepresidente de gestión de control en revisión de riesgo de crédito (tercera línea) de un emisor de tarjetas explicaba su labor: "Nuestra principal responsabilidad es verificar... si es correcto. Y si no lo es, debemos explicar por qué no lo es y cuál consideramos que debería haber sido". Esa revisión depende directamente del razonamiento aplicado por la primera línea.
Crédito: códigos de motivo y razones de acción adversa
La legislación estadounidense establece la explicación que debe recibir un solicitante de crédito. Según la Regulación B, 12 CFR 1002.9(b)(2), una declaración de motivos de acción adversa debe ser específica e indicar las razones principales. Afirmar que la decisión se basó en los estándares o políticas internas del acreedor, o que el solicitante no alcanzó la puntuación requerida, no es suficiente. Este requisito no ha sufrido modificaciones desde 2023.
Los comentarios oficiales vinculan estos motivos con lo que el sistema hizo en realidad. El comentario 9(b)(2)-2 exige que las razones "se relacionen y describan con exactitud los factores efectivamente considerados o evaluados por el acreedor". El comentario 9(b)(2)-4 añade que, cuando la decisión dependa de un sistema de calificación crediticia, "los motivos comunicados deben relacionarse únicamente con los factores efectivamente evaluados por el sistema. Asimismo, ningún factor que haya sido motivo principal de la acción adversa podrá excluirse de la notificación".
En un modelo de aprendizaje automático, las atribuciones de cada denegación deben traducirse en declaraciones de motivos que reflejen fielmente lo que determinó el resultado del solicitante. Un catálogo de códigos de motivo redactado para una tarjeta de puntuación no encaja de forma automática en un modelo que pondera esas variables de manera distinta; por ello, compruebe esta correspondencia en lugar de darla por supuesta.
Cuando un informe de crédito contribuye a una acción adversa contra un consumidor, la sección 615(a) de la FCRA (15 U.S.C. 1681m(a)) exige una notificación independiente. Esta debe incluir la puntuación de crédito utilizada con hasta cuatro factores clave, los datos de contacto de la agencia de informes y el derecho del consumidor a obtener un informe gratuito en un plazo de 60 días. El comentario 9(b)(2)-9 aclara que desglosar los factores clave de la FCRA no exime de cumplir el requisito de motivos específicos de la Regulación B, por lo que deben facilitarse ambos.
Qué ha cambiado y qué no
La CFPB revocó sus dos circulares sobre acciones adversas —la 2022-03 relativa a algoritmos complejos y la 2023-03 sobre formularios de muestra— con efectos a partir del 12 de mayo de 2025 (90 FR 20084). El requisito de la Regulación B que interpretaban dichas circulares, 12 CFR 1002.9(b)(2), se mantiene sin cambios.
En la UE, el Reglamento de IA (Reglamento (UE) 2024/1689) clasifica como de alto riesgo los sistemas de IA utilizados para evaluar la solvencia de personas físicas o establecer su calificación crediticia según el anexo III, punto 5(b), con una excepción expresa para los sistemas de IA destinados a detectar el fraude financiero. El Reglamento (UE) 2026/1744 pospuso al 2 de diciembre de 2027 la fecha de aplicación de las obligaciones de alto riesgo para estos sistemas. De forma independiente, el artículo 86 —aplicable desde el 2 de agosto de 2026— otorga a la persona afectada por una decisión tomada por un responsable sobre la base de los resultados de dicho sistema, cuando tenga efectos jurídicos o significativos que considere perjudiciales para su salud, seguridad o derechos fundamentales, el derecho a recibir "explicaciones claras y significativas sobre el papel del sistema de IA en el procedimiento de toma de decisiones y los principales elementos de la decisión adoptada"; aún no está definido cómo operará este derecho para estos sistemas antes del 2 de diciembre de 2027.
El control de cambios también forma parte de la justificación crediticia: un motivo solo es defendible si el registro muestra qué estrategia estaba activa, cómo se probó y quién la autorizó. Del mismo modo, cualquier modificación en la estrategia crediticia debe superar una revisión de préstamos justos (fair lending) antes de su puesta en marcha.
Fraude y PBC: explicación de alertas y resoluciones
En materia de fraude y prevención del blanqueo de capitales (PBC), el primer destinatario de una explicación es el analista que gestiona la alerta, y el registro que este genera es lo que auditarán más adelante la tercera línea y los examinadores.
Un director de riesgos en un banco comunitario describió lo que un analista necesita ver junto a la alerta: la coincidencia, por qué saltó, el historial y un breve resumen de lo que ya se ha comprobado. Un registro completo de alerta incluye:
Qué se activó: la regla, el escenario o el modelo, y la versión vigente.
Por qué se activó: la condición cumplida o los motivos generados por el modelo, con los valores desencadenantes.
Las pruebas y el historial analizados por el analista, así como las comprobaciones realizadas.
La resolución y su justificación, indicando quién decidió y cuándo.
Las alertas descartadas requieren tanta justificación como las escaladas. Un responsable de control de calidad de BSA en un banco regional señaló que los reguladores exigen sistemáticamente una justificación registrada de las alertas de nivel uno descartadas, no solo de las escaladas.
Los códigos de motivo y la lógica con la que se aplican deben verse de forma conjunta; si la información está dispersa en distintas pantallas, cada analista la interpretará de manera diferente.
Un vicepresidente adjunto de banca digital ilustraba el problema: "Tengo que mirar en ajustes. Luego revisar los códigos de motivo. Después buscar en qué parte de la lógica se aplican... No puedo verlo todo reunido en una sola pantalla".
Para programas de monitorización de PBC, nuestra guía para explicar su monitorización de transacciones de PBC a un examinador profundiza en el tema. Si desea conocer las evidencias que cada enfoque de detección debe presentar ante un regulador, consulte reglas de monitorización de transacciones frente a modelos de aprendizaje automático.
Qué se puede explicar: reglas, modelos e IA generativa
El alcance de una explicación depende de la tecnología empleada en la decisión.
Reglas
Una regla es autoexplicativa: la condición que la activó constituye el motivo en sí. El registro debe conservar qué regla saltó, qué versión estaba activa y los valores que cumplieron la condición.
La guía interinstitucional sobre riesgo de modelos que la Reserva Federal, la OCC y la FDIC publicaron el 17 de abril de 2026 define un modelo como "un método, sistema o enfoque cuantitativo complejo que aplica teorías estadísticas, económicas o financieras para procesar datos de entrada en estimaciones cuantitativas". Quedan excluidos los cálculos aritméticos sencillos y los procesos basados en reglas deterministas sin una teoría estadística, económica o financiera de base. Aun así, los equipos de riesgo de modelos de algunas entidades gestionan las estrategias de reglas como si fueran modelos. Un director de análisis cuantitativo de fraude corporativo en un gran banco lo resumía con claridad: "Para gestión de riesgos de modelos (MRM), las estrategias de reglas se consideran modelos".
Modelos de aprendizaje automático
Un modelo de aprendizaje automático se explica mediante la atribución de características traducida a motivos comprensibles para las personas, de forma similar al crédito. Si el cliente va a recibir dichos motivos, un modelo interpretable suele ser la opción más segura. Conviene evaluar la estabilidad de los motivos: casos parecidos deberían arrojar motivos similares, y el reentrenamiento no debería alterarlos de forma inadvertida.
Para ver cómo se comparan ambos enfoques en la detección del fraude, incluido lo que se le debe comunicar a un cliente rechazado, consulte reglas frente a aprendizaje automático en la detección del fraude.
IA generativa y agentes
El funcionamiento interno de un modelo de lenguaje de gran tamaño no puede explicarse como una puntuación, y ningún método de atribución convierte el resumen generado de un caso en un código de motivo. Lo que sí se puede explicar es el trabajo realizado: las fuentes que empleó el sistema, los pasos que siguió, el resultado obtenido y la persona que lo validó.
Cada afirmación de un resumen redactado por IA debe remitir a un registro de origen. Un vicepresidente de suscripción de pagos, riesgo y cumplimiento en un banco comercial manifestaba su preocupación ante la posibilidad de que un resumen de caso elaborado por IA diera por hechos afirmaciones que el revisor no pudiera localizar en los datos.
La explicación también debe fluir desde el proveedor hacia la entidad y, de esta, a sus auditores. Un analista de reclamaciones de fraude en una fintech de préstamos al consumo describía esa cadena: "Somos responsables de diseñar nuestros propios prompts, frente a depender de un proveedor externo y su algoritmo para luego asegurarnos de que nos lo expliquen bien a nosotros. Solo así podemos explicárselo después a auditoría".
Cuando el funcionamiento interno no se puede explicar, la justificación se traslada a los resultados: un vicepresidente sénior de gestión de riesgos de modelos (segunda línea) en un banco regional afirmaba que, ante modelos de IA generativa, lo máximo que puede hacer su equipo es evaluar el rendimiento final frente a métodos alternativos. Aún quedan dudas sobre la documentación: un director de BSA en un banco comunitario se preguntaba qué documentación de modelo corresponde a un agente construido a partir de los propios procedimientos del banco y las reglas del proveedor anterior.
Qué han señalado los reguladores sobre la IA generativa y los agentes
La guía interinstitucional de abril de 2026 excluye de su alcance a los modelos de IA generativa y basada en agentes por considerarlos "novedosos y en rápida evolución". Sus principios siguen aplicándose a los modelos estadísticos y cuantitativos tradicionales y a la IA que no sea generativa ni basada en agentes. El 17 de abril de 2026, los organismos anunciaron su intención de abrir una consulta pública (RFI) sobre gestión de riesgo de modelos centrada en la IA, incluidas la generativa y la basada en agentes; a fecha de 28 de octubre de 2026, no se había publicado ninguna. Hasta que los organismos se pronuncien, las entidades deben supervisar estos sistemas mediante sus propios marcos de gestión de riesgos.
El control de los agentes en sí, incluido el contenido que debe recoger su registro de auditoría, se aborda en nuestra guía sobre gobernanza de agentes de riesgo basados en IA.
Documentación y pruebas que hacen defendible una explicación
La documentación demuestra cómo debía funcionar un sistema, y las pruebas confirman que realmente lo hizo. En EE. UU., la gestión del riesgo de modelos —incluida la IA no generativa y sin agentes— se rige por la guía interinstitucional publicada el 17 de abril de 2026: SR 26-2 de la Reserva Federal, Boletín 2026-13 de la OCC y FIL-15-2026 de la FDIC. La norma SR 26-2 sustituye a la SR 11-7 de 2011 y a la SR 21-8, la declaración interinstitucional de 2021 sobre el riesgo de modelos en sistemas BSA/AML.
Se prevé que la guía sea especialmente relevante para entidades bancarias con más de 30 000 millones de dólares en activos totales. Aunque no establece estándares de obligado cumplimiento, la vía sancionadora sigue abierta ante infracciones de la ley o prácticas poco seguras y dudosas. Contratar un modelo externo no exime de la obligación de validarlo: la SR 26-2 reconoce que las entidades bancarias pueden no tener acceso al código, los datos o la metodología del proveedor, pero subraya que "los principios de gestión del riesgo de modelos siguen siendo aplicables" y que "la validación de soluciones de terceros, ya sea por equipos internos o externos, constituye un pilar esencial".
Qué debe contener la documentación
La documentación debe detallar el propósito del modelo, los datos, la metodología y sus limitaciones. De forma complementaria, la institución necesita políticas versionadas, un registro de cada cambio en producción y facilidades para que los validadores extraigan las entradas y salidas que deban evaluar.
Un responsable de BSA en una cooperativa de crédito comentó las dificultades de los validadores para extraer los datos necesarios y planteó con qué facilidad pueden acceder a los datos que alimentan al modelo y a los resultados que genera. Este mismo profesional describió el historial de cambios que un validador debería encontrar: "deben poder verificar que el cambio se llevó a cabo, y que fue revisado y aprobado formalmente".
Un vicepresidente sénior (modelos de crédito y toma de decisiones) de un gran banco regional detalló las expectativas internas: validar el modelo primero, garantizar que no sufra alteraciones imprevistas, registrar y probar cada cambio en las políticas de producción y exigir una aprobación formal antes de cualquier lanzamiento. El directivo abogaba por simplificar los cambios de políticas manteniendo un proceso de aprobación estricto, evitando así dejar las claves de producción en manos de usuarios de negocio sin las debidas salvaguardas.
Qué deben acreditar las pruebas
Antes del lanzamiento, realice pruebas retrospectivas (backtesting) de la nueva regla, modelo o estrategia sobre decisiones históricas y compare su rendimiento con una línea base, habitualmente la versión a la que sustituye. Tras la puesta en marcha, verifique que los motivos se mantengan estables, de modo que la explicación que reciba un solicitante o analista siga reflejando con exactitud la operativa real del sistema.
Los equipos de crédito pueden consultar las fases de validación, despliegue, versionado y reversión en nuestra guía sobre gobernanza del despliegue de modelos de crédito. Para modelos de monitorización de transacciones, consulte validación de modelos de PBC a partir de abril de 2026.
Puntos donde la responsabilidad humana debe ser explícita
Una explicación debe atribuirse a una persona, no solo a un motivo. El revisor citado anteriormente, vicepresidente de gestión de control en revisión de riesgo de crédito (tercera línea) en un emisor de tarjetas, resumió así las tres líneas de defensa: la segunda línea define las políticas y procedimientos y realiza la supervisión, mientras que la primera los ejecuta, toma las decisiones, asume el riesgo y realiza sus propias comprobaciones. La tercera línea evalúa a ambas.
Toda resolución debe incluir el nombre del responsable que la adoptó. Un subdirector y responsable de KYC en un banco comunitario explicaba el impacto de omitir este dato: "Si en la pista de auditoría no veo el nombre de uno de mis analistas, al día siguiente dudaría de inmediato: ¿se ha pasado esto por alto?".
Conviene dejar claro ante un examinador en qué punto decidió una persona y qué fue una mera recomendación del sistema. Presentar un informe de actividad sospechosa (SAR), escalar un caso, revocar una denegación o autorizar una excepción son decisiones que toma una persona con nombre y apellidos. La puntuación de un modelo, una alerta o un resumen redactado por IA son solo insumos para esa decisión, y el registro debe reflejar con nitidez esa frontera.
Para profundizar en la configuración de las revisiones y los permisos de los analistas, consulte qué significa la intervención humana (human-in-the-loop) en fraude y PBC. Mantener un registro unificado en fraude, PBC y crédito resulta más sencillo si se opera con menos sistemas, una ventaja que detallamos en nuestra guía para consolidar soluciones puntuales de riesgo.
Cómo reconstruir una decisión para un examinador
Para reconstruir una decisión, extraiga el registro de dicho expediente y verifique que incluye cada uno de los siguientes elementos:
Las entradas y sus fuentes, con marcas de tiempo.
Las versiones utilizadas de los datos y de las variables (features).
La versión de la política y el conjunto de reglas vigentes en esa fecha.
La versión del modelo y su resultado.
Los motivos generados, tal como los leería el solicitante, el analista o el examinador.
La medida o acción adoptada.
Cualquier modificación o anulación manual, indicando quién la hizo y por qué.
Las autorizaciones correspondientes.
La notificación o resolución remitida.
El responsable de analítica y estrategia en la fintech de tarjetas antes mencionado planteaba la pregunta clave de toda reconstrucción: "¿Dispondría también del conjunto de reglas utilizado exactamente ese día para generar ese resultado?". Si las reglas se editaron directamente sobre la versión previa sin guardar historial, la respuesta es no.
Compruebe sus registros antes de que lo haga un examinador. Seleccione una decisión del trimestre anterior e intente reconstruirla únicamente con el expediente, sin consultar a quien la tomó.
Dónde suele fallar la reconstrucción
Se guarda el resultado final pero no el proceso, por lo que una denegación no refleja la variable, el motivo ni la versión de la política aplicada.
La política o el conjunto de reglas se modificó directamente, perdiéndose la versión que estaba vigente en la fecha de la decisión.
Las explicaciones del modelo se recalculan bajo demanda a partir de un modelo reentrenado, en lugar de haberse guardado al momento de resolver.
Los casos escalados incluyen justificación, pero las alertas descartadas no.
Las decisiones manuales de anulación no registran el nombre del responsable.
Los resúmenes elaborados por IA afirman hechos sin incluir enlaces o referencias a los registros de origen.
Para determinar en qué parte de su arquitectura técnica deben residir la decisión y su justificación, a diferencia de dónde se enrutan los datos, consulte nuestra guía sobre orquestación de riesgos frente a toma de decisiones de riesgo.
El papel de Oscilar
Oscilar es una plataforma unificada que integra tejido de datos en tiempo real, inteligencia de dispositivos y comportamiento, reglas y gestión de casos en una sola infraestructura con agentes nativos. En términos de explicabilidad, el valor diferencial reside en el registro. Oscilar mantiene una pista de auditoría completa por cada decisión con el razonamiento almacenado y supervisión humana integrada por diseño. Además, la plataforma está concebida para alinearse con las directrices interinstitucionales sobre riesgo de modelos, que las entidades aplican como un estándar de buenas prácticas más que como una certificación obligatoria.
La prueba de reconstrucción anterior es aplicable a cualquier solución, incluida Oscilar. En definitiva, la IA explicable en riesgo y cumplimiento se reduce a una sola premisa: si una decisión pasada puede reconstruirse a partir de su registro y defenderse con solidez ante quien lo solicite.
Preguntas frecuentes
¿Qué debe poder explicarse a nivel de una decisión individual?
En una decisión individual, una entidad debe ser capaz de mostrar los datos de entrada y sus fuentes, las versiones vigentes de la política, del conjunto de reglas y del modelo, la regla activada o los motivos generados por el modelo, la acción tomada y cualquier revocación manual junto con quien la autorizó. Si el expediente no permite reconstruir la decisión con posterioridad, la justificación no se sostendrá ante un examinador.
¿Qué motivos debe aportar un prestamista cuando un modelo interviene en una denegación de crédito?
En virtud de la Regulación B, 12 CFR 1002.9(b)(2), el prestamista debe especificar los motivos principales de la acción adversa, y los comentarios oficiales exigen que estos se correspondan con los factores realmente evaluados, sin omitir ninguno relevante. Esto aplica con independencia del modelo utilizado en la denegación, y las comunicaciones sobre factores clave de la FCRA no sustituyen a estos motivos específicos.
¿Puede el resultado de una IA generativa o de un agente explicarse como la puntuación de un modelo tradicional?
No. Un resumen generado o la acción de un agente no cuentan con un código de motivo directo detrás. Por tanto, la justificación se extrae del registro de su trabajo: las pruebas utilizadas, las etapas seguidas, el resultado generado y la persona que lo autorizó. Los equipos de riesgo de modelos pueden auditar estos sistemas comparando sus resultados frente a métodos alternativos.
¿Qué diferencia existe entre IA explicable e IA interpretable?
Un modelo interpretable es aquel cuya lógica puede ser leída y comprendida directamente por una persona, como una tarjeta de puntuación o un árbol de decisión simple. La IA explicable es un concepto más amplio que abarca tanto a los modelos interpretables como a los métodos post hoc (como las atribuciones de características o los análisis contrafactuales) que aproximan el porqué un modelo complejo arrojó un resultado determinado.
¿Cómo regula la Ley de IA de la UE a los sistemas utilizados para la calificación crediticia?
El Reglamento de IA de la UE clasifica los sistemas de IA destinados a evaluar la solvencia de personas físicas o establecer su calificación crediticia como de alto riesgo en su anexo III, punto 5(b), excluyendo expresamente a los sistemas orientados a la detección del fraude financiero. El Reglamento (UE) 2026/1744 pospuso la aplicación de los requisitos para estos sistemas de alto riesgo hasta el 2 de diciembre de 2027.
¿Se aplica la directriz SR 26-2 a la IA generativa y a los agentes de IA?
No. La SR 26-2, emitida de forma conjunta con el Boletín OCC 2026-13 y la circular FDIC FIL-15-2026 el 17 de abril de 2026, deja fuera de su alcance a los modelos de IA generativa y basada en agentes. Los reguladores han anunciado que prevén abrir una consulta sobre gestión del riesgo de modelos enfocada en IA (incluidas la generativa y la agéntica), sin que se haya publicado ninguna a fecha de 28 de octubre de 2026. Hasta entonces, las instituciones deben supervisar estos sistemas bajo sus propios esquemas internos de gestión del riesgo.

Equipo de Oscilar
El equipo de Oscilar está formado por expertos en diversas áreas de gestión de riesgos. Estos artículos reflejan las opiniones y conocimientos de una gran variedad de colaboradores de toda nuestra organización.
DESCARGO DE RESPONSABILIDAD
El contenido de este sitio web se proporciona solo con fines informativos y no constituye asesoramiento legal, fiscal, financiero, de inversión u otro tipo de asesoramiento profesional. Las opiniones expresadas por las personas citadas, los colaboradores o terceros son exclusivamente suyas y no reflejan necesariamente los puntos de vista de nuestra organización.
Nada aquí debe interpretarse como un respaldo, recomendación o aprobación de ninguna estrategia, producto, servicio o punto de vista en particular. Los lectores deben consultar a sus propios asesores calificados antes de tomar cualquier decisión financiera o de inversión.
Oscilar no hace declaraciones ni garantías sobre la precisión, integridad o actualidad de la información proporcionada y renuncia a cualquier responsabilidad por cualquier pérdida o daño que surja de la confianza en este contenido. Este sitio web puede contener enlaces a sitios web de terceros, que Oscilar no controla ni respalda.



