En el panorama fintech de 2026, la integración de los Grandes Modelos de Lenguaje (LLM) en los flujos de trabajo financieros es ya un estándar consolidado. Sin embargo, la diferencia entre una automatización mediocre y una herramienta de soporte a la decisión fiable reside enteramente en la calidad de las instrucciones proporcionadas. El prompt engineering de crédito ya no trata simplemente de interrogar a un modelo, sino de diseñar arquitecturas cognitivas capaces de gestionar la ambigüedad intrínseca de los datos financieros.

Esta guía técnica está destinada a Data Scientists, Credit Risk Analysts y desarrolladores Fintech que necesitan ir más allá de los prompts básicos para implementar lógicas de razonamiento complejo (Reasoning Models) en la evaluación de la solvencia crediticia.

1. La Evolución: Del Zero-Shot al Razonamiento Estructurado

Hasta hace pocos años, el enfoque estándar era pedir al modelo: “Analiza este extracto bancario y dime si el cliente es solvente”. Este enfoque Zero-Shot se considera hoy negligente en el ámbito bancario debido a la alta tasa de alucinaciones y la falta de trazabilidad del razonamiento.

Para un análisis de riesgos robusto, debemos adoptar técnicas avanzadas como la Chain-of-Thought (CoT) y el Tree of Thoughts (ToT), encapsuladas en salidas estructuradas (JSON) para garantizar la interoperabilidad con los sistemas bancarios heredados.

2. Constitutional AI: El System Prompt Ético y Normativo

Antes de analizar los números, es imperativo establecer el perímetro ético. En línea con los principios de la Constitutional AI (popularizada por laboratorios como Anthropic y ahora estándar del sector), el System Prompt debe actuar como un guardarraíl normativo. No basta con decir “no seas racista”; hay que codificar las normativas (ej. Fair Lending, RGPD).

Plantilla de System Prompt para Compliance

You are a Senior Credit Risk Analyst AI, acting as an impartial assistant to a human underwriter.

CORE CONSTITUTION:
1.  **Non-Discrimination:** You must NEVER use demographic data (name, gender, ethnicity, zip code) as a factor in risk assessment, even if present in the input text.
2.  **Factuality:** You must only calculate metrics based on the provided transaction data. Do not infer income sources not explicitly listed.
3.  **Explainability:** Every conclusion regarding debt-to-income (DTI) ratio must be accompanied by a step-by-step calculation reference.

OUTPUT FORMAT:
All responses must be valid JSON adhering to the schema provided in the user prompt.

3. Data Extraction: Normalización de Extractos Bancarios No Estándar

El desafío principal en el prompt engineering de crédito es la variabilidad de los datos de entrada (PDF escaneados, CSV desordenados). El objetivo es transformar texto no estructurado en entidades financieras precisas.

Utilizaremos un enfoque Few-Shot Prompting para enseñar al modelo a distinguir entre ingresos reales y transferencias internas (traspasos), que a menudo inflan artificialmente los ingresos percibidos.

Técnica de Extracción JSON

Aquí tienes un ejemplo de prompt para extraer y categorizar las transacciones:

**TASK:** Extract financial entities from the following OCR text of a bank statement.

**RULES:**
- Ignore internal transfers (labeled "GIROCONTO", "TRASFERIMENTO").
- Categorize "Bonifico Stipendio" or "Emolumenti" as 'SALARY'.
- Categorize recurring negative transactions matching loan providers as 'DEBT_REPAYMENT'.

**INPUT TEXT:**
[Insertar aquí el texto sin procesar del OCR]

**REQUIRED OUTPUT (JSON):**
{
  "income_sources": [
    {"date": "YYYY-MM-DD", "amount": float, "description": "string", "category": "SALARY|DIVIDEND|OTHER"}
  ],
  "fixed_expenses": [
    {"date": "YYYY-MM-DD", "amount": float, "description": "string", "category": "MORTGAGE|LOAN|RENT"}
  ]
}

4. Advanced Reasoning: Gestión de Ingresos Mixtos (CoT & ToT)

La verdadera prueba de fuego es el cálculo de la renta disponible para perfiles híbridos (ej. empleado con actividad de autónomo). Aquí un prompt lineal falla. Debemos usar el Tree of Thoughts para explorar diferentes interpretaciones de la estabilidad financiera.

Aplicación del Tree of Thoughts (ToT)

En lugar de pedir una sola cifra, pedimos al modelo que genere tres escenarios de evaluación y luego converja en el más prudente.

Prompt Estructurado ToT:

**SCENARIO:** The applicant has a mixed income: fixed salary + variable freelance invoices.

**INSTRUCTION:** Use a Tree of Thoughts approach to evaluate the monthly disposable income.

**BRANCH 1 (Optimistic):** Calculate average income over the last 12 months, assuming freelance work continues at current pace.
**BRANCH 2 (Pessimistic/Prudential):** Consider only the fixed salary and the lowest 20% percentile of freelance months. Discount freelance income by 30% for tax estimation.
**BRANCH 3 (Trend-Based):** Analyze the slope of income over the last 6 months. Is it declining or growing?

**SYNTHESIS:** Compare the three branches. Recommend the 'Prudential' figure for the Debt-to-Income (DTI) calculation but note the 'Trend' if positive.

**OUTPUT:**
{
  "analysis_branches": {
    "optimistic_monthly": float,
    "prudential_monthly": float,
    "trend_direction": "positive|negative|neutral"
  },
  "final_recommendation": {
    "accepted_monthly_income": float,
    "reasoning_summary": "string"
  }
}

Este enfoque obliga al modelo a simular el razonamiento de un analista humano experto que sopesa los riesgos antes de definir el número final.

5. Cálculo de Índices y Validación (Self-Correction)

Una vez establecidos los ingresos (denominador) y las deudas existentes (numerador), el cálculo del Ratio Deuda/Ingresos (DTI) es matemático. Sin embargo, los LLM pueden fallar en los cálculos aritméticos. En 2026, es práctica habitual invocar herramientas externas (Code Interpreter o Python Sandbox) a través del prompt, pero si se usa un modelo puro, es necesario un paso de Self-Correction.

Añadir esta cláusula al final del prompt:

“After generating the JSON, perform a self-check: Recalculate (Total_Debt / Accepted_Income) * 100. If the result differs from your JSON output, regenerate the JSON with the corrected value.”

6. Solución de Problemas y Mejores Prácticas

• Gestión de Fechas: Los LLM a menudo confunden los formatos de fecha (US vs EU). Especificar siempre ISO 8601 (YYYY-MM-DD) en el system prompt.
• Alucinaciones en Nombres: Si el OCR está sucio, el modelo podría inventar nombres de bancos. Configurar la temperature a 0 o 0.1 para tareas de extracción.
• Privacidad: Asegurarse de que los datos enviados vía API estén anonimizados (Tokenization) antes de ser introducidos en el prompt, a menos que se utilice una instancia LLM on-premise o Enterprise con acuerdos de no entrenamiento.

Conclusiones

El prompt engineering de crédito avanzado transforma la IA de un simple lector de documentos a un socio analítico. Utilizando estructuras como el Tree of Thoughts y restricciones constitucionales rígidas, es posible automatizar el preanálisis de situaciones financieras complejas con un grado de fiabilidad superior al 95%, dejando al analista humano solo la decisión final sobre los casos borderline.

Preguntas frecuentes