El comercio mundial está cambiando como consecuencia de la fragmentación geoeconómica y del desplazamiento del peso económico mundial.
La IA está desempeñando un papel en ese cambio, pero está surgiendo un factor de riesgo: que la IA aplicada al comercio se entrene con datos que ya no reflejan los contornos del comercio mundial.
Esto significa que las economías en desarrollo de rápido crecimiento, con menos datos históricos, corren el riesgo de que la IA las descarte y las deje fuera del sistema comercial mundial.
Los corredores por los que circula el comercio mundial están cambiando más rápido que en cualquier otro momento de las últimas tres décadas. Este cambio está bien documentado y la IA está contribuyendo a él. El riesgo ahora, sin embargo, es que se haya enseñado a la IA aplicada al comercio a seguir las vías de un sistema comercial que ya no existe, excluyendo para siempre a algunos actores.
Las importaciones de Estados Unidos procedentes de China cayeron un 29,4 % en 2025. Durante el mismo período, una encuesta de Citi reveló que el 65 % de las empresas de todo el mundo está diversificando activamente sus fuentes de suministro, y que Vietnam, India, Tailandia y México se perfilan como los principales nuevos destinos.
La inteligencia artificial ha llegado a la financiación del comercio con una promesa concreta: evaluaciones de crédito más rápidas, menores costes de procesamiento y crédito para empresas que los modelos tradicionales habrían rechazado. Los beneficios son reales. Una pregunta que no se ha planteado con suficiente insistencia es si los datos de los que aprenden estos modelos reflejan el mapa comercial del pasado o el que se está formando en tiempo real.
¿Con qué datos se entrena la IA para la financiación del comercio?
La mayor parte de la IA aplicada a la financiación del comercio se entrena, de manera abrumadora, con décadas de historial de transacciones de los corredores que los bancos ya conocían: de China a Estados Unidos y de Europa a Norteamérica. Son rutas con datos abundantes y de larga trayectoria. En los datos, casi no hay historial de un exportador de una pyme de Monterrey o de un fabricante por contrato de las afueras de Ciudad Ho Chi Minh. Para un modelo entrenado con el mapa antiguo, estas empresas son invisibles.
No se trata de un problema oculto. Los bancos rechazan al menos el 40 % de las solicitudes de financiación del comercio de pymes en la ASEAN, la región comercial de más rápido crecimiento del mundo, alegando historiales crediticios incompletos y prestatarios que no se ajustan a los criterios de evaluación establecidos. La brecha mundial de financiación del comercio asciende a 2,5 billones de dólares, concentrada casi por completo en los corredores de mercados emergentes donde escasean más los datos de transacciones. Al entrenarse con los datos disponibles y no con los que deberían existir, la IA corre el riesgo de volver permanente esa brecha.
El Informe sobre la estabilidad financiera mundial del FMI señaló explícitamente esta dinámica y advirtió que los modelos de IA entrenados con datos financieros existentes tienden a perpetuar los sesgos incorporados en ellos, creando un ciclo que se retroalimenta y hace cada vez más difícil atender a los mercados ya infrarrepresentados. En la financiación del comercio, ese ciclo se manifiesta de una forma específica según la geografía. Los modelos no conocen Vietnam ni Monterrey porque las bases de datos no se diseñaron teniendo en cuenta esos corredores.
Cómo podría la IA consolidar el mapa del comercio mundial
El problema estructural de la IA entrenada con datos heredados es que el punto ciego se agrava con el tiempo.
Cuando un modelo de financiación del comercio carece de historial de transacciones para un corredor, le asigna un riesgo mayor. Un riesgo mayor significa menos financiación. Menos financiación significa menos transacciones completadas. Menos transacciones significa que la brecha de datos se amplía en lugar de cerrarse. El corredor nunca acumula el historial necesario para que se lo evalúe con precisión, porque las propias decisiones del modelo impiden que ese historial se genere.
Esta es la dinámica que identificó la Brookings Institution en los sistemas de crédito basados en IA: los sistemas de puntuación que no pueden evaluar con precisión a prestatarios de mercados desatendidos toman decisiones más conservadoras, lo que les niega crédito y, a su vez, impide que se creen los historiales de transacciones necesarios para una evaluación precisa. El problema es estructural, no individual.
Los corredores comerciales que corren más riesgo son precisamente aquellos hacia los que se están desplazando las cadenas de suministro mundiales. Un fabricante de prendas de vestir en Vietnam que ha aumentado sus ingresos transfronterizos de 5 millones de dólares a 25 millones en tres años tiene una trayectoria que cualquier analista de crédito humano con experiencia reconocería. Un modelo entrenado con corredores que no incluían ese crecimiento solo detecta la falta de datos históricos y trata la novedad como un riesgo.
El informe TradeTech del Foro señala que la IA está transformando rápidamente la financiación del comercio y, al mismo tiempo, destaca que la inclusión es una preocupación urgente: las empresas más pequeñas de las economías en desarrollo quedan excluidas de forma desproporcionada de los sistemas que se están creando. La adopción de la IA en los corredores consolidados avanza más rápido que la infraestructura de datos que se está construyendo en los nuevos. Si esa brecha no se cierra deliberadamente, se cerrará por defecto.
Las economías emergentes aún tienen tiempo, aunque no indefinidamente, para que sus corredores comerciales creen una huella de datos de transacciones y, por tanto, estén representados en los conjuntos de datos de entrenamiento de los modelos que se están desarrollando hoy. Los sistemas de IA que se consoliden antes de que India, Vietnam y México acumulen suficiente historial de datos interpretarán su ausencia como evidencia de riesgo, en vez de como señal de novedad. Ese daño es difícil de revertir.
¿Qué requiere una IA responsable en la financiación del comercio?
La respuesta no es ralentizar la adopción de la IA. Las mejoras de eficiencia son reales y el sector las necesita. La respuesta es actuar con deliberación respecto a lo que se incorpora a los modelos que se están desarrollando ahora, antes de que se consolide su arquitectura.
Hay que hacer tres cosas en paralelo.
En primer lugar, hay que cambiar los datos de entrada. Los modelos de IA para la financiación del comercio deben entrenarse con datos de transacciones a nivel individual de los corredores de mercados emergentes, y no solo con las rutas que los bancos han financiado durante décadas. La materia prima existe en los datos de transacciones que circulan por las plataformas digitales de financiación del comercio que operan en estos mercados. La cuestión es si las instituciones que desarrollan estos modelos están dispuestas a buscarlos.
En segundo lugar, la explicabilidad debe convertirse en un requisito, no en una función opcional. Cuando un modelo rechaza una solicitud de financiación del comercio de una pyme en Ciudad Ho Chi Minh o Monterrey, la institución que lo utiliza debe poder explicar la decisión en función de los datos presentes, los datos ausentes y lo que realmente significa esa ausencia. Si la IA no puede explicar sus decisiones, no se le pueden exigir responsabilidades por ellas.
En tercer lugar, esto debe convertirse en un diálogo sobre gobernanza, no solo sobre tecnología. Las decisiones que se toman hoy sobre cómo se entrena la IA para la financiación del comercio, de qué datos se nutre y qué corredores aprende a reconocer no son puramente comerciales. Darán forma a la arquitectura financiera del comercio mundial durante toda una generación. Por eso son un asunto de interés público que las instituciones multilaterales, los reguladores y el sector privado deben abordar conjuntamente.
La fragmentación geoeconómica ya es uno de los riesgos que definen esta década. Podría costarle a la economía mundial hasta 5,7 billones de dólares. La IA que incorpore el antiguo mapa comercial a la infraestructura financiera del nuevo corre el riesgo de agravar esa fragmentación, esta vez no por la política, sino por el código.
