Automatización de credit memo / loan underwriting

La automatización de credit memo / loan underwriting se encarga de la parte rutinaria del análisis crediticio — recopilación de documentos, extracción de indicadores, redacción del borrador del memorando. El analista recibe un borrador listo con hechos, métricas y referencias a las fuentes, y se dedica a la verificación, corrección y toma de decisiones, en lugar de copiar datos de PDF a Word.

Qué hace la automatización:

1. Recibe los documentos del prestatario — estados financieros, declaraciones fiscales, extractos bancarios, documentos de registro, documentación de garantías — a través de file storage o carga en la interfaz.
2. Reconoce y extrae datos estructurados de escaneos y PDF: ingresos, EBITDA, activos, pasivos, cash flow, datos del historial crediticio.
3. Normaliza los indicadores y los consolida en un formato unificado, para que los datos comparables estén en el data warehouse o BI junto con el análisis histórico.
4. Calcula los coeficientes básicos (DSCR, debt-to-equity, liquidity ratios) y marca las desviaciones respecto a las políticas crediticias internas.
5. Resume la situación financiera del prestatario: tendencias clave de los últimos 2-3 años, riesgos, puntos fuertes, contexto sectorial.
6. Genera un borrador de credit memo según la plantilla interna del banco con las secciones «Borrower profile», «Financial analysis», «Risks», «Recommendation».
7. Adjunta referencias a la fuente para cada dato — página del documento, celda de la tabla, registro en el data warehouse.
8. Transfiere el borrador al analista de crédito para su revisión, corrección y decisión final.

Qué NO hace la automatización:

1. No toma la decisión final sobre la concesión del crédito. El credit memo es un borrador para la persona, no una firma en el contrato de préstamo.
2. No reemplaza el compliance, KYC/AML ni los fraud checks. Estos procesos siguen siendo responsabilidad de los sistemas y especialistas independientes del banco.
3. No trabaja a ciegas con nuevos tipos de documentos. Para formularios no estándar, formatos inusuales o idiomas no compatibles, se requiere reentrenamiento o un fallback manual.

Los documentos de crédito se almacenan en file storage, desde donde agent-framework los recupera por cada nueva solicitud. La extracción de datos funciona en conjunto con OCR y el análisis de tablas, los indicadores normalizados se envían a data warehouse o BI, y el LLM realiza la sumarización de secciones extensas y genera un borrador del memorándum según la plantilla del banco.

Flujo técnico:

1. Los archivos de la solicitud ingresan a file storage (estructura de directorios: solicitud → documentos del prestatario → documentación de garantía → correspondencia).
2. Agent-framework determina la composición de los documentos, los distribuye entre los parsers y lanza la extracción.
3. La capa de parsing extrae campos de los informes y extractos: ingresos, EBITDA, activos, pasivos, cash flow, datos del historial crediticio.
4. Los indicadores normalizados se escriben en data warehouse o BI — un data mart separado para underwriting con referencias a los documentos fuente y páginas.
5. El módulo de sumarización condensa las secciones extensas (notas explicativas a los informes, dictámenes de auditoría, descripción del negocio) en tesis breves.
6. El generador de borrador ensambla el texto del credit memo según la plantilla interna: perfil del prestatario, análisis financiero, riesgos, recomendación.
7. A cada hecho del borrador se adjunta un enlace al documento fuente y la página, para que el analista pueda verificar la afirmación con un solo clic.
8. El borrador llega al UI de revisión: el analista edita, acepta o rechaza; todas las acciones se registran para auditoría.

Pasos de implementación:

1. Definir el scope: qué productos crediticios (corporate, SMB, hipoteca, consumer) se incluyen en la automatización, qué tipos de documentos y qué plantilla de credit memo utilizar.
2. Compilar una base de memorándums de referencia de períodos anteriores, para que el agente de IA comprenda la estructura, el tono y los requisitos del banco.
3. Configurar la extracción de datos para los formatos específicos de documentos de los prestatarios y realizar pruebas de precisión en una muestra representativa.
4. Conectar el data warehouse: acordar la tabla para los indicadores normalizados y la integración con los modelos de scoring y las políticas existentes.
5. Configurar la generación: prompts para cada sección, reglas de citación de fuentes, restricciones de tono y longitud.
6. Integrar el UI human-in-the-loop — una interfaz donde el analista visualiza el borrador, los documentos fuente y puede editar antes de la aprobación.
7. Lanzar el modo shadow durante 2-4 semanas: el agente de IA trabaja en paralelo con los analistas, los resultados se comparan, los prompts y la extracción se calibran.
8. Capacitar al departamento de crédito, alinear con risk y compliance, pasar a producción con una política de logging fija.

Esquema de componentes:

Datos y accesos:

• File storage con documentos de prestatarios y estructura de directorios previamente acordada por solicitudes.
• Data warehouse o BI con datos crediticios históricos para contexto y scoring.
• Base de credit memos de referencia — documentos de períodos previos como referencia de estilo y estructura.
• Acceso a la plantilla interna de credit memo del banco y descripción de políticas de crédito.
• Lista de los coeficientes clave y valores umbral aprobados en el comité de crédito.

Equipo:

• Analista de crédito Senior — valida la lógica de extracción, calibra los prompts, revisa los borradores en modo shadow.
• Ingeniero de IA — configura el agent-framework, extracción e integraciones.
• Product-owner del área de crédito — gestiona el scope y documenta las decisiones.
• Representante de risk y compliance — aprueba la política human-in-the-loop y el audit trail.

Requisitos organizativos:

• Aprobación de compliance y risk antes del lanzamiento en modo shadow.
• Política human-in-the-loop: ninguna decisión crediticia se toma sin la firma del analista.
• Proceso de registro de acciones del agente de IA y del analista para auditoría interna y regulador.

Timeline:

Plazo estándar de implementación — 6-10 semanas:

1. Semanas 1-2: scope, recopilación de memorandos de referencia, conexión de file storage y data warehouse.
2. Semanas 3-5: extracción de campos, sumarización, generación de borradores, review UI básico.
3. Semanas 6-7: integración en el proceso del analista, calibración de prompts, aprobación de compliance.
4. Semanas 8-10: modo shadow, formación del equipo, lanzamiento a producción con política de registro.