Política de Inteligencia Artificial

Última actualización: 18 de agosto de 2026 · Versión preliminar

1. Para qué usamos la IA

Cauce aplica modelos de inteligencia artificial en cuatro puntos del conveyor de crédito:

• Extracción — normalización de datos de Open Banking y fuentes alternativas obtenidos con el consentimiento del solicitante.
• Perfilado — scoring híbrido (tradicional + alternativo) con atribución de variables.
• Cumplimiento (CASE) — verificación de KYC/debida diligencia, listas de sanciones y PEP, consentimiento, límites y política interna, mediante un esquema LLM-as-a-judge.
• Enrutamiento — emparejamiento y ranking de ofertas compatibles con las reglas de cada entidad.

2. Lo que la IA de Cauce no hace

• No adopta la decisión de crédito. Entrega verificaciones y evidencia; la decisión —y su motivación frente al solicitante— corresponde al prestamista.
• No sustituye al buró ni emite un score oficial con efectos regulatorios.
• No opera sin supervisión: no se despliegan cambios en producción sin validación previa.
• No usa los datos de los solicitantes para fines ajenos al servicio contratado por el prestamista.

3. Explicabilidad y traza auditable

Cada verificación produce una explicación legible y trazable hasta los datos de origen, junto con un identificador de traza asociado a la operación. La traza registra qué se verificó, con qué datos, con qué versión del modelo y de las reglas, y con qué resultado, de forma que la gobernanza interna y el supervisor puedan reconstruir la decisión. Sin cajas negras.

4. Supervisión humana y gobernanza

Las verificaciones son revisables por personas: el prestamista puede examinar, cuestionar y revertir cualquier resultado antes de decidir. Mantenemos separación de entornos, control de versiones de modelos y reglas, y registro de cambios. El solicitante conserva el derecho a solicitar revisión humana de una decisión con efectos significativos ante la entidad responsable.

5. Autoevolución bajo control

El sistema sigue un ciclo ejecutar → evaluar → modificar → verificar → retener. Toda modificación se genera y prueba en sandbox, debe superar la validación CASE antes de pasar a producción y queda sujeta a rollback y supervisión humana. El sistema no se modifica a sí mismo en vivo ni sin registro.

6. Medición abierta: CACE-Bench

La calidad de la IA se mide con CACE-Bench, un benchmark abierto y reproducible sobre casos sintéticos, con corrida de referencia byte-idéntica, versión y semilla declaradas, publicado con DOI (10.5281/zenodo.21394049). Cualquier tercero puede reproducir las cifras. No publicamos métricas de calidad que no puedan verificarse de este modo.

Los resultados de benchmark se obtienen sobre datos sintéticos y no garantizan un rendimiento idéntico en producción, que depende de los datos y la configuración de cada entidad.

7. Datos, sesgo y equidad

Trabajamos con minimización de datos y evaluamos el comportamiento de los modelos por segmento y jurisdicción para detectar disparidades injustificadas. El uso de datos alternativos persigue ampliar el acceso al crédito de quienes el buró no ve, no restringirlo. Cuando se detecte un sesgo relevante, documentaremos la incidencia, la corrección aplicada y su verificación.

8. Límites conocidos

Los modelos de lenguaje pueden producir errores y alucinaciones. Por eso medimos explícitamente la tasa de alucinación, los falsos positivos de cumplimiento y la proporción de decisiones tomadas sin datos suficientes, y publicamos su evolución. Un resultado de Cauce es una verificación con evidencia, no una certificación infalible.

9. Marco regulatorio

Diseñamos el motor de cumplimiento para mapear sus métricas a los marcos de la región y a los requisitos de explicabilidad (XAI) y protección de datos: Bacen (Brasil), CNBV (México), SFC (Colombia) y la Superintendencia de Bancos de Ecuador, además de los espacios de prueba regulatoria de IA disponibles. Este documento no sustituye las obligaciones propias de cada entidad supervisada.

10. Incidencias y contacto

Si detectas un resultado erróneo, un comportamiento inesperado del modelo o un posible sesgo, escríbenos a [email protected] indicando el identificador de traza. Investigamos, documentamos y comunicamos la corrección a las entidades afectadas.