Hero FinCorp, la entidad crediticia no bancaria del grupo Hero que atiende a más de 13 millones de clientes en más del 96 % de los códigos postales de la India, creó el Proyecto Dhruv Tara, una arquitectura de préstamos liderada por IA que abarca todo el ciclo de vida del crédito: captación de clientes, suscripción, incorporación, seguimiento de la cartera, servicio y cobranza. El problema que abordaba: las decisiones de préstamo basadas en puntajes de buró, historiales de pago y documentos solo cuentan parte de la historia, especialmente para clientes con historiales de crédito formal escasos cuyos expedientes subestiman su riesgo real.
La arquitectura sustituye la visión de puntaje único por el contexto. Un lago de datos en la nube combina datos de buró y de pagos con señales bancarias, datos de GST, aportes de agregadores de cuentas, demografía, características de los activos y geografía: más de 100 puntos de datos de micromercado y más de 40 API que permiten a la entidad leer patrones a nivel de código postal, desde el comportamiento de los ingresos locales hasta las normas sobre activos. Quince modelos dinámicos de riesgo y cobranza califican la capacidad, la estabilidad y la intención de pago, y orientan una cobranza predictiva que interviene antes y de forma más adecuada en lugar de tratar a todos los prestatarios por igual.
La empresa reporta los resultados operativos: los costos de crédito disminuyeron un 15 % en el segundo semestre del ejercicio fiscal 2026 frente al primero, y la NPA bruta mejoró alrededor de un 20 % en el mismo período. La IA también llegó a la primera línea: los chatbots, la IVR, los flujos de trabajo automatizados y el correo electrónico habilitado por IA ahora gestionan casi el 60 % de las consultas de los clientes, ahorrando más de 4 lakh de minutos humanos cada trimestre, y un recorrido de incorporación se redujo de 90 campos a tres.
La directora de operaciones, Priya Kashyap, enmarca la disciplina: el valor real de la IA en los servicios financieros no es solo la velocidad, sino una mejor toma de decisiones: mejor selección de riesgos, detección temprana de tensiones y menos fricción para el cliente. Los equipos humanos conservan el juicio contextual, la gobernanza y la responsabilidad, mientras los modelos procesan patrones a escala.
Costos de crédito un 15 % menores y GNPA mejorada en torno a un 20 % en el segundo semestre del ejercicio fiscal 2026 frente al primero; la IA gestiona cerca del 60 % de las consultas, ahorrando 4 lakh de minutos humanos por trimestre; la incorporación se redujo de 90 campos a 3.
A los prestatarios con expedientes escasos se les tasaba por la ausencia de datos; el contexto de micromercado recuperó señales que el expediente de buró nunca tuvo.
La cobranza uniforme trataba a todos los prestatarios morosos por igual; los modelos predictivos cronometran y dirigen las intervenciones según el comportamiento.
La construcción puso inteligencia en la propia ruta de decisión en lugar de añadir herramientas de IA junto al proceso antiguo.
Cuando todos suscriben con el mismo expediente de buró, la ventaja se traslada al contexto —dónde vive el prestatario, cómo se comportan los ingresos locales— y no a otra mirada al mismo puntaje.
Las cifras son reportadas por la empresa; el material no ofrece auditoría independiente. La siguiente fase declarada es un contexto más profundo en todo el ciclo de vida del crédito: señales más ricas para una identificación temprana del riesgo, menor fricción para el cliente y una interacción personalizada, manteniendo el juicio humano para las decisiones en las que la responsabilidad importa.
CONSULTA LAS PRUEBAS
Las fuentes
- From credit score to context: How Hero FinCorp is using AI to transform lending ETEnterpriseAI (The Economic Times) · enterpriseai.economictimes.indiatimes.com ·