Ayudamos a bancos, fintech y empresas reguladas a cumplir la Ley 21.719 y la Ley Fintech cuando usan IA para decidir sobre personas: crédito, precios, segmentación o bloqueo de cuentas. Transparencia, explicabilidad, revisión humana y vías de impugnación, diseñadas desde el modelo hacia el negocio.
Un sistema de IA confiable en un banco o fintech no es casualidad.
La clave es diseñar cómo explica sus decisiones un modelo antes y después de producción.
La mayoría de los equipos financieros adoptan modelos de IA para scoring, precios o detección de fraude, pero descuidan la capa de explicabilidad: qué variables pesaron, por qué se rechazó un caso, cómo se puede impugnar. Eso es exactamente lo que diseñamos.
Mapeo de decisiones automatizadas y evaluación de cumplimiento frente a la Ley 21.719 y la Ley Fintech.
Explicaciones claras, por caso y generales, comprensibles para personas no técnicas.
Flujos de revisión y canales para que las personas impugnen decisiones automatizadas.
Desde el diagnóstico regulatorio hasta la implementación de explicabilidad end-to-end en tus sistemas de decisión automatizada.
Mapeamos los procesos donde tu empresa usa decisiones automatizadas o semi-automatizadas sobre personas y evaluamos el cumplimiento frente a la Ley 21.719 y la Ley Fintech.
Explicaciones claras y por caso, con analogías y visualizaciones, para que un cliente sin conocimiento técnico entienda por qué el modelo decidió lo que decidió.
Diseño de flujos donde una persona competente revisa y corrige la decisión automatizada, con canales claros para que el cliente impugne y solicite una nueva evaluación.
Analizamos si tu modelo necesita ser una caja negra de alto desempeño o si conviene un modelo interpretable por diseño, según el riesgo del caso de uso.
Talleres para directorio, riesgo, cumplimiento y atención al cliente sobre las obligaciones de la Ley 21.719 y la Ley Fintech en decisiones automatizadas.
Trabajamos con las técnicas de explicabilidad más relevantes del ecosistema de IA financiera.
Prototipos funcionales que muestran cómo llevamos la explicabilidad (SHAP, LIME, feature importance) desde el modelo hasta una interfaz que una persona no técnica puede entender y auditar.
Comparar en un mismo entorno distintas técnicas de explicabilidad (SHAP, LIME, feature importance, partial dependence plots) aplicadas a un modelo de predicción de riesgo de incendios forestales en Chile, usando variables climáticas, de vegetación y de cercanía a zonas urbanas.
Aunque el caso de uso es ambiental, la metodología es la misma que exige un regulador financiero: poder mostrar, con evidencia y sin caja negra, qué variables determinaron una predicción de riesgo. Funciona como prueba de concepto reproducible del proceso de auditoría de explicabilidad que aplicamos a modelos de riesgo crediticio, climático o de seguros.
Diseñar un dashboard de scoring crediticio para analistas de una fintech, donde cada solicitud muestre no solo el puntaje generado por el modelo, sino también la explicación de qué variables (ingresos, comportamiento de pago, nivel de endeudamiento, historial) empujaron la decisión en un sentido u otro.
Responde de forma directa a las exigencias de la Ley Fintech y la Ley 21.719 sobre decisiones automatizadas: explicación al titular de los datos, trazabilidad frente a la CMF y un punto de revisión humana antes de una decisión con impacto significativo. Es un prototipo funcional de lo que una fintech necesita para pasar una auditoría de scoring.
Construir un comparador que analiza reseñas públicas de usuarios sobre tres fintech chilenas (Fintual, Tenpo y Global66), clasifica el sentimiento de cada reseña con un modelo de procesamiento de lenguaje natural y usa LIME para exponer qué palabras o frases llevaron al modelo a esa clasificación.
Muestra cómo extender la explicabilidad a modelos de lenguaje natural, cada vez más usados en atención al cliente y gestión de reclamos. La misma técnica permite justificar por qué un sistema de IA clasificó un reclamo, un correo o un ticket de determinada forma, algo relevante bajo la Ley 21.719 cuando existe procesamiento automatizado de comunicaciones de clientes.
Demos construidos como prototipos exploratorios para ilustrar metodología; no representan datos de producción de las empresas mencionadas.
Identificamos los procesos donde una decisión automatizada afecta significativamente a una persona (aprobar o rechazar crédito, bloquear cuentas, definir condiciones comerciales) y evaluamos el cumplimiento actual frente a la Ley 21.719 y la Ley Fintech.
Definimos roles (dueños de modelo, dueños de datos, responsables de cumplimiento) y diseñamos explicaciones generales y por caso, con analogías y visualizaciones, para que personas no técnicas comprendan la lógica del modelo.
Prototipamos pantallas de aviso y consentimiento informado, y probamos con usuarios reales que la explicación se entienda. Diseñamos los canales para que las personas impugnen una decisión automatizada.
Integramos los módulos de explicabilidad, el registro de decisiones y los flujos de revisión humana en tus sistemas. Te acompañamos ante cambios de criterio de la Agencia de Protección de Datos y la CMF.
Scoring de crédito, tarificación o detección de fraude corren en modelos que nadie en tu equipo puede explicar con claridad a un cliente o a un regulador.
Antes de escalar tu producto, necesitas transparencia algorítmica, explicabilidad y protección de datos alineadas con los nuevos estándares de conducta.
Los data scientists optimizan precisión. Compliance necesita explicar decisiones. Somos el puente entre ambos mundos.
Más allá de la documentación interna, necesitas trazabilidad real: qué decidió el modelo, por qué, y cómo se puede impugnar.
Solicita tu diagnóstico regulatorio gratuito. Agenda una llamada de 30 minutos. Sin compromiso. Hablamos de tu caso específico bajo la Ley 21.719 y la Ley Fintech.
Escríbenos a contacto@kintuai.com