Quienes hemos trabajado años con riesgo de crédito sabemos que el problema no es solo tener un modelo que acierte, sino poder explicar cómo funciona, vigilarlo y corregirlo cuando se desvía. Por eso la plataforma de Teslariq se apoya en varios tipos de modelos y herramientas pensadas para equipos de riesgo y ciencia de datos, no solo para mostrar una puntuación final en pantalla. En el corazón del sistema utilizamos modelos de probabilidad de impago entrenados con datos históricos de tu cartera P2P. Podemos combinar enfoques como regresiones penalizadas, modelos de árboles y técnicas de ensamblado, siempre priorizando estructuras que permitan desglosar el peso de cada variable. Sobre estos modelos aplicamos herramientas de explicabilidad local y global que ayudan a responder preguntas como: qué factores han influido más en esta decisión concreta, o qué variables están marcando la diferencia en un segmento específico. La plataforma incorpora un módulo de monitorización continua que compara previsiones de impago con comportamiento real de la cartera, por cohorte, canal y tipo de producto. Esta capa calcula indicadores de estabilidad del modelo, deriva alertas cuando detecta cambios significativos en la distribución de variables y propone revisiones de umbrales o reentrenos planificados. No se trata de ajustar el modelo cada semana, sino de seguir un calendario de mantenimiento basado en datos y documentado. En paralelo, el gobierno de modelos se articula mediante un registro centralizado donde se documentan versiones, conjuntos de datos de entrenamiento, pruebas de validación y decisiones de aprobación interna. Cada cambio relevante pasa por un pequeño circuito de revisión, que deja constancia de quién lo ha validado, qué impacto esperado tiene y cómo se va a controlar en los meses siguientes. Este enfoque facilita el trabajo con auditorías, comités de riesgo y equipos de cumplimiento. Por último, la arquitectura técnica se diseña para encajar con motores de decisión existentes. La plataforma expone puntos de integración que permiten consultar puntuaciones, explicaciones y recomendaciones de políticas en tiempo cercano al real o en procesos por lotes, según la necesidad. De esta forma, la inteligencia artificial se convierte en una capa reutilizable, no en un proyecto aislado que se queda obsoleto en cuanto cambian los datos.