La financiación sigue siendo uno de los escollos más serios para las pymes que acaban de arrancar. Aunque el proyecto tenga recorrido y clientes, la ausencia de un historial crediticio amplio complica que los bancos valoren su solvencia con los criterios de siempre. En ese contexto, el sector financiero está mirando con atención a la inteligencia artificial y a los modelos predictivos como una vÃa para analizar a empresas jóvenes más allá de su pasado financiero.
El debate no es menor para autónomos societarios y pequeñas compañÃas, porque en las primeras etapas conseguir crédito suele ser más difÃcil y las alternativas disponibles pueden encarecer el proyecto. La idea que se está explorando consiste en incorporar datos en tiempo real y referencias de negocios comparables para hacerse una idea más completa de la capacidad de devolución.
El muro del historial crediticio en las pymes recién creadas
Los datos del Directorio Central de Empresas (Dirce) del Instituto Nacional de EstadÃstica (INE) retratan un tejido empresarial muy renovado. En 2025 habÃa más de 659.000 compañÃas con menos de 24 meses de vida, equivalentes al 19,9% del total de empresas económicamente activas, que llegaba a 3,31 millones. La mayorÃa de esas sociedades son pymes.
Por sectores, las empresas jóvenes se concentran sobre todo en el comercio, con 103.598 casos; la construcción, con 83.248; las actividades profesionales, con 71.706; y la hostelerÃa, con 65.434, siempre según las cifras del INE. Para una entidad financiera, prestar a un negocio con poco recorrido implica trabajar con menos información para calcular el riesgo, lo que puede traducirse en exigencias mayores o en un coste de financiación más alto.
Históricamente, los bancos han sido cautos a la hora de conceder préstamos a estas compañÃas, que a menudo han tenido que recurrir a fondos de deuda u otras fórmulas, o aceptar condiciones más caras. Esa cautela no significa que no haya interés: el sector quiere crecer y aprovechar oportunidades, pero necesita mantener bajo control la morosidad.
En España, las ratios de morosidad de los balances bancarios se encuentran en mÃnimos desde 2008, con un 2,45% en junio, de acuerdo con las estadÃsticas del Banco de España. Ese contexto de crecimiento económico y contención de impagos anima a las entidades a buscar vÃas para asignar capital a nueva financiación si logran calibrar bien el riesgo.
Cómo la IA intenta medir el riesgo de una empresa sin pasado
Los modelos predictivos basados en inteligencia artificial buscan ampliar la cantidad de información disponible antes de conceder un préstamo. Entre las variables que pueden entrar en juego están la antigüedad de la empresa, la evolución de sus propios datos y el comportamiento de compañÃas comparables dentro de su sector.
Una de las herramientas que está en el radar del sector es Risk Score SME Plus, de Equifax, un modelo que calcula una probabilidad de morosidad a 12 meses a partir del tipo de empresa, su antigüedad, la evolución de sus datos y la marcha del sector, entre otros elementos. Según las estimaciones recogidas por esta firma, estos sistemas podrÃan elevar un 30% la precisión en la predicción del riesgo.
Los bancos están en contacto con proveedores de datos y de calificaciones de riesgo crediticio ante la posibilidad de contratar estas herramientas, según fuentes financieras. La comparación con los préstamos preconcedidos de consumo ayuda a entender el salto: en ese caso la entidad ya tiene historial, ingresos y movimientos del cliente; con una pyme sin historial, la información es mucho más limitada.
El propósito no es solo decidir más rápido. Un análisis más completo podrÃa permitir a los bancos detectar proyectos que hoy quedan fuera de los circuitos tradicionales por falta de historial y, a la vez, limitar la exposición a negocios con mayor probabilidad de impago. Para los autónomos societarios y las pymes nuevas, disponer de financiación suficiente puede marcar la diferencia entre crecer, invertir o quedarse parados.
Oportunidades, dudas y lÃmites de la IA en la banca
Las entidades financieras llevan tiempo incorporando inteligencia artificial en distintas áreas, incluidas fases de análisis. El interés por aplicarla a decisiones de inversión y financiación de nuevos proyectos coincide con un momento en el que el sector busca nuevas oportunidades de negocio sin relajar los controles.
El uso de estos modelos no elimina la necesidad de estudiar cada operación ni garantiza que una empresa sin historial vaya a recibir crédito. Se trata de una tecnologÃa que el sector financiero sigue explorando y que, según los expertos, debe combinarse con supervisión y análisis caso por caso.
Otra cuestión relevante es el coste. Este tipo de financiaciones suele tener tipos de interés más altos por el riesgo que implican. Si los bancos consiguen reducir las pérdidas habituales en préstamos a empresas jóvenes, que presentan una probabilidad de morosidad mayor, podrÃan mejorar la rentabilidad de estas operaciones.
Para el sector, la mayor capacidad de diferenciar entre proyectos con distinto nivel de solvencia podrÃa facilitar la asignación de capital a nuevos negocios. Al mismo tiempo, los modelos predictivos añaden preguntas sobre cómo se usan los datos, qué variables pesan y hasta qué punto una estimación estadÃstica puede sustituir el criterio humano.
La combinación de inteligencia artificial, datos en tiempo real y comparativas sectoriales se presenta asà como una posible palanca para que las pymes jóvenes no queden automáticamente fuera del crédito. El reto está en lograr que ese análisis más amplio sea fiable, prudente y útil para bancos y empresas, sin olvidar que cada préstamo sigue siendo una decisión individual y que la última palabra no puede depender solo de un algoritmo.
