📈 economía

Measuring Algorithmic Monoculture in Credit Intermediation: Supply-Chain Concentration, Decision Convergence, and the Case for Reference-Portfolio Supervision

Este artículo aborda la falta de marcos de medición para el monocultivo algorítmico en la intermediación crediticia al distinguir entre la concentración de la cadena de suministro y la convergencia de decisiones, desarrollando un modelo que muestra cómo los modelos compartidos pueden desestabilizar la oferta de crédito cuando la correlación de errores aumenta más rápido de lo que la varianza disminuye, y proponiendo un enfoque de supervisión de cartera de referencia para estimar la correlación de errores mientras argumenta contra los recargos de capital prematuros en favor de la construcción de capacidades de medición robustas.

Autores originales: Deepak Ranjan Sahoo, Vaishali Deepak Sahoo

Publicado 2026-09-23

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Deepak Ranjan Sahoo, Vaishali Deepak Sahoo

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

En el mundo de la banca, los prestamistas siempre han enfrentado una verdad simple pero peligrosa: si todos los bancos toman sus decisiones basándose en la misma información, todos cometerán los mismos errores al mismo tiempo. Este no es un temor nuevo; es el equivalente financiero de un agricultor que planta un solo cultivo en todo un continente. Si una enfermedad ataca a ese cultivo específico, la cosecha entera fracasa y el agricultor no tiene un respaldo. Durante décadas, los reguladores han vigilado a los bancos para asegurar que no todos presten a las mismas empresas o personas, porque si esos prestatarios fallan, los bancos fallan juntos. Pero ha surgido un nuevo tipo de riesgo, uno que es más difícil de ver. En lugar de prestar a las mismas personas, los bancos están comenzando a utilizar los mismos programas informáticos para decidir quién recibe un préstamo. Estos programas, a menudo construidos sobre sistemas de inteligencia artificial masivos y compartidos, pueden procesar millones de solicitudes en segundos. La preocupación es que, si estos sistemas dependen de todos de un mismo código o datos subyacentes, podrían rechazar a todos los buenos prestatarios o aprobar a los mismos malos simultáneamente, creando una congelación repentina y sistémica del crédito que ningún banco individual vio venir.

Un equipo de investigadores se ha propuesto medir este peligro invisible, al que llaman "monocultivo algorítmico". Su trabajo se centra en la brecha entre lo que los reguladores pueden ver y lo que realmente necesitan saber. Actualmente, los supervisores pueden contar fácilmente cuántos bancos utilizan un proveedor de la nube específico o un proveedor de software específico. Pueden ver la cadena de suministro. Sin embargo, no pueden ver el resultado. Dos bancos pueden utilizar el mismo software, pero si lo ajustan de forma diferente o le alimentan con datos distintos, sus decisiones podrían seguir siendo únicas. Por el contrario, dos bancos pueden utilizar software completamente diferente, pero si están resolviendo el mismo problema con datos similares, podrían terminar cometiendo errores idénticos. Los investigadores sostienen que contar los proveedores de software es una forma deficiente de medir el riesgo real, que no trata sobre quién construyó la herramienta, sino sobre si las herramientas están cometiendo los mismos errores al mismo tiempo.

Para comprender lo que está en juego, los autores construyeron un modelo matemático de cómo fluye el crédito a través de la economía. Imaginaron un mundo donde los bancos utilizan un sistema de inteligencia artificial compartido y altamente preciso. Este sistema es mejor que los antiguos e independientes; comete menos errores en general. Sin embargo, al ser compartido, cuando comete un error, todos los bancos cometen ese mismo error juntos. Los investigadores encontraron un punto de inflexión crítico. Si el sistema compartido es solo ligeramente mejor que los antiguos, el beneficio de tener menos errores se ve anulado por el peligro de que todos los errores ocurran al mismo tiempo. En sus simulaciones, incluso un sistema que era un cincuenta por ciento más preciso que los métodos antiguos podía hacer que todo el sistema bancario fuera más inestable si causaba que los errores de los bancos fueran altamente correlacionados. La ganancia en precisión no es suficiente para pagar el costo de la falla compartida. El sistema se vuelve más volátil, oscilando violentamente entre prestar demasiado y prestar muy poco, simplemente porque todos están mirando el mundo a través del mismo lente.

El artículo luego aborda la cuestión de cómo detectar este problema antes de que cause una crisis. Los autores proponen una nueva forma de medir el riesgo utilizando datos que los reguladores ya recopilan, pero de una manera nueva. En lugar de simplemente preguntar a los bancos qué modelos utilizan, los supervisores entregarían a un grupo de bancos el mismo conjunto de solicitudes de préstamos hipotéticas con resultados conocidos —esencialmente una prueba donde las respuestas ya están escritas—. Al comparar cómo el modelo de cada banco califica estas mismas solicitudes, los reguladores podrían calcular cuánto se mueven juntos los errores de los bancos. Si todos los bancos están cometiendo las mismas predicciones erróneas sobre los mismos solicitantes, el sistema está en peligro. Los investigadores descubrieron que realizar esta medición con precisión es sorprendentemente difícil. Requiere que un gran número de impagos de préstamos sea visible en los datos para ser estadísticamente útil. Para los préstamos a pequeñas empresas o préstamos corporativos de gran envergadura, donde los impagos son poco frecuentes, los datos son demasiado escasos para ofrecer una respuesta clara. Pero para los préstamos al consumo cotidiano, como las tarjetas de crédito, hay suficientes datos para obtener una lectura precisa.

A pesar de tener una forma de medir el riesgo, los autores argumentan en contra de las soluciones más obvias. Sugieren que los reguladores no deberían simplemente obligar a los bancos a usar modelos diferentes o añadir cargos de capital adicionales basados en qué tan similares son sus modelos. Forzar la diversidad podría tener efectos contraproducentes, empujando a los bancos a usar modelos peores y menos precisos solo para parecer diferentes, lo que perjudicaría a los prestatarios que dependen de estos sistemas para obtener un crédito justo. En su lugar, el artículo propone un enfoque más práctico. Los reguladores deberían centrarse en asegurar que cada banco tenga un plan de "respaldo". Si un banco depende en gran medida de un sistema de inteligencia artificial externo y compartido, debe demostrar que puede cambiar a un método diferente e independiente para una parte significativa de su negocio si ese sistema compartido falla o comienza a cometer errores correlacionados. Esto asegura que el sistema tenga un respaldo que no esté conectado al riesgo principal.

Los investigadores advierten cuidadosamente que esta crisis aún no ha ocurrido. Encuestas recientes muestran que, si bien muchos bancos están utilizando inteligencia artificial, muy pocos están utilizando los modelos fundacionales compartidos más avanzados para sus decisiones de préstamo principales. El riesgo es prospectivo, lo que significa que es algo que podría suceder a medida que la tecnología se vuelva más común. La urgencia de su propuesta no es que el peligro esté aquí hoy, sino que, una vez que los bancos adopten plenamente estos sistemas compartidos, será imposible saber cuál era el nivel de riesgo "normal" antes del cambio. Si los reguladores esperan a que el problema sea visible para empezar a medirlo, habrán perdido la base necesaria para entender qué tan grave se ha vuelto. El artículo concluye que el momento de construir las herramientas de medición es ahora, mientras el sistema aún está cambiando, para que los supervisores puedan ver el cambio en tiempo real en lugar de descubrir el daño después de los hechos.

Resumen Técnico: Medición de la Monocultura Algorítmica en la Intermediación de Crédito

Planteamiento del Problema
Los organismos reguladores (FSB, ESRB, Banco de Inglaterra) han identificado que la dependencia del sistema bancario de modelos fundacionales comunes, proveedores de datos y plataformas en la nube crea una vía para que la inteligencia artificial exacerbe el riesgo sistémico a través de la "monocultura algorítmica". Sin embargo, existe una brecha crítica entre este diagnóstico y su medición. Mientras que los supervisores pueden medir las concentraciones de exposición (por ejemplo, límites de exposición elevada), carecen de un marco para medir los "choques de modelos". La política actual confunde dos fenómenos distintos: la concentración en el suministro de componentes del modelo (observable mediante registros de riesgos de terceros) y la convergencia en las decisiones tomadas por las instituciones (inobservable y el verdadero mecanismo de transmisión de los choques). El documento sostiene que la concentración en el suministro no implica necesariamente la convergencia en las decisiones, y viceversa, la convergencia en las decisiones puede ocurrir sin una alta concentración en el suministro. Además, los marcos regulatorios existentes (por ejemplo, SR 11-7, SS1/23) operan a nivel de la firma y son ciegos ante las vulnerabilidades a nivel de sistema derivadas de errores correlacionados entre instituciones.

Metodología
El documento emplea un enfoque de tres etapas: diferenciación conceptual, modelado analítico y estimación práctica.

Marco Conceptual: Los autores descomponen la "capa de dependencia del modelo" en cuatro niveles: Infraestructura (L1), Modelos Base (L2), Adaptación (L3) y Despliegue (L4). Argumentan que la concentración en L1 y L2 (nube, modelos preentrenados) tiene una baja transmisión directa a los errores de decisión, mientras que L3 (ajuste fino, fuentes de datos) y L4 (cortes, anulaciones) determinan la correlación de errores. Crucialmente, postulan que la concentración en el suministro no es necesaria ni suficiente para la convergencia en los errores de decisión.
Modelo Analítico: Se desarrolla un modelo de extracción de señales donde $N$ $N$ bancos evalúan un grupo común de prestatarios. El error de evaluación de cada banco ( $\epsilon_i$ $ϵ_{i}$ ) se descompone en un componente común ( $\eta$ $η$ ) y un componente idiosincrásico ( $\nu_i$ $ν_{i}$ ).
- Se demuestra que la varianza del suministro de crédito agregado depende del producto de la varianza del error ( $\sigma^2_\epsilon$ ) y la correlación de los errores ( $\rho$ ).
- El modelo establece una condición de umbral: la migración hacia un modelo compartido es desestabilizadora si el aumento proporcional en la correlación de errores ( $\rho$ ) supera la reducción proporcional en la varianza del error ( $\sigma^2_\epsilon$ ).
- El documento deriva una "frontera tecnológica" donde las ganancias de precisión (reducción de la varianza) se compran al costo de un aumento en la correlación. Demuestra que la elección óptima privada (maximizar la precisión) a menudo diverge de la elección socialmente óptima (minimizar la volatilidad sistémica) porque los actores privados ignoran la externalidad de los errores correlacionados.
Estrategia de Estimación: El documento propone un estimador para el parámetro de correlación de errores ( $\rho$ $ρ$ ) utilizando la maquinaria de benchmarking supervisado ya mandatada bajo el Artículo 78 de la Directiva de Requisitos de Capital (CRD).
- En lugar de carteras hipotéticas, la propuesta requiere carteras de referencia etiquetadas por resultados (exposiciones históricas anonimizadas con incumplimientos realizados).
- La estadística central es la correlación de pares de residuos de predicción ( $r_i = y - p_i$ ) entre instituciones.
- Se introduce un Índice de Monocultura Normalizado por el Nulo ( $M$ ) para corregir el sesgo en las correlaciones de residuos brutos causado por la variación de resultados compartidos (el "término de resultado compartido"), que es particularmente severo en carteras de bajos incumplimientos.

Resultos Clave

Dinámicas de Umbral: Los resultados analíticos (Tabla 2) muestran que incluso mejoras sustanciales en la precisión (una reducción del 50% en la varianza del error) pueden no compensar el riesgo sistémico si la correlación de errores resultante supera un punto de equilibrio específico (por ejemplo, subir de 0.15 a 0.30).
Evidencia de Simulación: Una simulación de 30 bancos durante 160 periodos demuestra que una tecnología compartida con una ganancia de precisión del 64% (reduciendo significativamente la varianza del error) aun así aumentó la volatilidad del crédito agregado entre un 22 y un 25% debido al aumento de la correlación. El riesgo de cola (conteos de excedencia) aumentó por un factor de 2.5.
Viabilidad de la Medición: Se encuentra que la estadística de correlación de residuos brutos está "mal contaminada" por el término de resultado compartido, lo que la hace ininformativa para carteras de bajos incumplimientos. El Índice de Monocultura ( $M$ ) propuesto recupera el parámetro, pero requiere un mínimo de aproximadamente 80 incumplimientos esperados en la cartera de referencia para lograr un error estándar de 0.05. Esto implica que la métrica es viable para carteras minoristas, pero efectivamente ciega para carteras mayoristas o de grandes corporaciones, donde el riesgo sistémico suele ser más alto.
Interacción de Políticas: El documento identifica una interacción perversa donde los costos de cumplimiento de la IA (costos fijos para documentación, gobernanza) pueden aumentar inadvertidamente la concentración del suministro, ya que las instituciones más pequeñas se ven obligadas a comprar sistemas de terceros que cumplen con la normativa en lugar de desarrollar sistemas internos.

Significancia y Reivindicaciones
El documento presenta varias reivindicaciones modestas pero críticas sobre el estado actual de la banca y el camino a seguir:

Sin Monocultura Actual: Los autores afirman explícamente que el caso empírico de la monocultura algorítmica existente en la banca es débil. Encuestas recientes indican que los modelos fundacionales representan solo el 17% de los casos de uso de IA, con casos totalmente autónomos en un 2%.
El Caso de la Medición: El argumento principal no es que la monocultura sea actualmente una crisis, sino que el aparato de medición debe construirse antes de que la adopción se generalice. Esperar hasta que la exposición sea visible dejará a los supervisores sin una línea base previa a la adopción, haciendo imposible cuantificar el aumento del riesgo.
Recomendaciones de Política:
- Contra los Recargos de Capital: El documento argumenta en contra de los recargos de capital escalados según la comunalidad del modelo, ya que los parámetros necesarios son actualmente inmedibles en segmentos clave de la cartera y tales medidas podrían penalizar la precisión.
- Contra los Mandatos de Diversidad: Se rechazan los mandatos estrictos para usar diferentes modelos debido a los costos distributivos (perjudicando a prestatarios con historiales limitados que se benefician de modelos avanzados) y la dificultad de imponer la diversidad sin degradar la precisión.
- A Favor de la Supervisión de Carteras de Referencia: El documento aboga por reconvertir los ejercicios de benchmarking del Artículo 78 para utilizar carteras etiquetadas por resultados para medir el Índice de Monocultura.
- Para la Capacidad de Respaldo: Se propone un requisito más estrecho: las instituciones que dependen de modelos externos compartidos deben mantener un canal de respaldo verificado y no correlacionado capaz de manejar una parte definida del volumen (por ejemplo, el 25%) para mitigar los riesgos de fallos correlacionados.

Conclusión
El documento concluye que, si bien el signo del efecto de la comunalidad del modelo depende del equilibrio entre las ganancias de precisión y los costos de correlación, la asimetría (la correlación puede multiplicarse, la precisión no puede mejorar infinitamente) sugiere una vulnerabilidad estructural. La prioridad inmediata no es prohibir la monocultura, sino operacionalizar la medición de la correlación de errores utilizando las herramientas de supervisión existentes, asegurando que los reguladores puedan detectar la transición hacia un estado de monocultura antes de que sea irreversible.

Más como este