Un nuevo análisis realizado por economistas de la FCA que trabajan con colaboradores académicos de la Universidad de Georgetown y el Boston College muestra que una simple herramienta automatizada de «robo-asesoramiento» mejoró significativamente las decisiones de pago de los prestatarios en un ensayo controlado aleatorio. Muchas personas informan que están dispuestas a pagar más por la herramienta que su beneficio monetario, lo que podría sugerir un costo mental significativo para los consumidores al hacer malabares con las deudas y tomar decisiones de pago.
Un papel oportuno para el robo-advice
En el contexto de una grave crisis del costo de la vida, las preocupaciones sobre el endeudamiento de los consumidores y las dificultades financieras están creciendo. Más personas se encontrarán pidiendo prestado para llegar a fin de mes y luego potencialmente luchando para manejar estas deudas.
La mayoría de los servicios de asesoramiento sobre deudas, tanto gratuitos como de pago, están diseñados para ayudar a los consumidores que ya se encuentran en serias dificultades financieras. Pero las malas decisiones de pago antes de esto, en una etapa más temprana del ciclo de vida de la deuda, pueden causar serias dificultades a los consumidores más adelante. ¿Existe una forma asequible y de bajo costo de ayudar a los consumidores a tomar mejores decisiones de pago cuando el tiempo está de su lado?
Aquí es donde entra en juego el ‘robo-advice’ automatizado. Si un consumidor puede reservar una cantidad fija de dinero para pagar deudas cada mes y quiere minimizar el total de intereses y tarifas, existe una respuesta clara «correcta» para el orden en que debe pagar las deudas. (Esto supone que el consumidor no tiene una preferencia sobre qué deudas pagar primero. Se podría adaptar una herramienta de asesoramiento robótico para manejar estos casos). Por lo tanto, esta podría ser una situación ideal para que un algoritmo intervenga y ayude.
Diseñamos y realizamos un experimento para probar el potencial del robo-advice para mejorar las decisiones de gestión de la deuda, con el objetivo de responder a las siguientes preguntas:
- ¿Cuánto mejora el robo-advice las decisiones de gestión de la deuda de los consumidores?
- ¿Quién acepta los consejos de la herramienta y quién se beneficia más? ¿Quién rechaza la oferta de ayuda?
- ¿Aprenden los consumidores de la herramienta para mejorar sus decisiones posteriores y sin ayuda? ¿Depende esto de si la herramienta está o no incluida con consejos de pago de deuda para que los prestatarios aprendan los principios generales de la gestión de la deuda junto con ver consejos sobre el pago óptimo?
Un experimento de robo-consejo
Realizamos nuestro experimento de asesoramiento robótico en línea, con casi 3.500 participantes representativos de la población del Reino Unido.
A los participantes se les dio una secuencia de nueve escenarios hipotéticos, pero realistas, de pago de deudas que involucran entre dos y cuatro cuentas de deuda (por ejemplo, hipotecas, préstamos personales y deudas de tarjetas de crédito) y APR que oscilan entre 0% y 292%. A continuación, se muestra un ejemplo de tal escenario.
Dentro de cada escenario, pedimos a los participantes que asignaran una suma fija de dinero para realizar reembolsos contra un conjunto determinado de deudas, con el objetivo de minimizar los cargos por intereses y tarifas totales. Los escenarios se mostraron a cada participante en un orden aleatorio. Esto significa que cada uno completó una secuencia de nueve ensayos, donde el ensayo 1 comprendió el primer escenario (seleccionado al azar) que encontraron, el ensayo 2 el segundo, y así sucesivamente.
Los individuos fueron asignados al azar a uno de los cinco grupos. En el grupo de control, los individuos tomaron decisiones de pago sin acceso a asesoramiento robótico en ninguno de los nueve escenarios. A los individuos de los otros cuatro grupos de «tratamiento» se les ofreció una de las cuatro variantes de asesoramiento robótico (tratamientos), pero solo en los tres ensayos intermedios (ensayos 4-6).
Las cuatro variantes fueron:
- robo-asesoramiento gratuito
- robo-asesoramiento gratuito con consejos de gestión de deudas (similar a proporcionar una justificación / explicación para el asesoramiento de deuda de robo)
- robo-advice pagado
- robo-advice pagado con consejos de gestión de deudas
Nota: también podemos pensar que los dos tratamientos, incluidos los «consejos de gestión de la deuda», presentan cierta explicabilidad algorítmica. En el tratamiento de robo-asesoramiento pagado, se pidió a los participantes que dijeran lo que pagarían por el robo-consejo (esto se hizo de una manera que incentiva las respuestas veraces).
Ofrecer variantes de robo-asesoramiento sólo en los ensayos 4-6 aseguró que habría una línea de base previa a la intervención (ensayos 1-3) para evaluar la calidad de las decisiones tomadas sin robo-asesoramiento. También nos dio un período posterior a la intervención (ensayos 7-9) para probar la posible persistencia de cualquier impacto del uso repetido de la herramienta de asesoramiento robótico, como un posible efecto de aprendizaje.
Independientemente del grupo de tratamiento, el robo-advice siempre propuso la estrategia de pago óptima y esta propiedad de la herramienta se dejó en claro a los participantes.
Resultados
Medimos la calidad de las decisiones de pago de la deuda utilizando el «porcentaje promedio de ahorros perdidos». Imagine una decisión óptima (una que minimice los intereses y las tarifas) en comparación con la peor decisión posible (que maximice los costos). Podemos pensar en esta diferencia como el ahorro hipotético total disponible en un escenario, yendo de la peor a la mejor decisión posible.
Una persona que toma una decisión óptima captura todos estos ahorros y no pierde ninguno, por lo que su «porcentaje promedio de ahorros perdidos» es cero. Alguien que toma la peor decisión posible renuncia al 100% de los ahorros.
El porcentaje medio de ahorro perdido fue del 21,9% en nuestra fase previa a la intervención, equivalente a tener una TAE 3,55 puntos porcentuales superior. Por lo tanto, nuestro experimento confirmó la evidencia de estudios en otros lugares de que los errores de pago de la deuda sin ayuda son comunes y pueden tener consecuencias económicas considerables para la riqueza de los deudores.
Los sujetos que recibieron asesoramiento robótico gratuito mejoraron significativamente sus decisiones de pago en relación con el grupo de control. Entre los que aceptaron la ayuda de la herramienta de asesoramiento robótico, el ahorro promedio perdido disminuyó en 19.5 puntos porcentuales, del 21.9% al 2.4%, este es el efecto de «tratamiento en el tratado».
Esto se muestra en la siguiente figura. Las pérdidas no cayeron completamente al 0% porque el 5,7% de los sujetos tratados optaron por anular las recomendaciones del robo-advisor.
Una vez que tenemos en cuenta el hecho de que los consumidores rechazan el robo-advice gratuito en aproximadamente el 25% de los casos, el efecto estimado cae (en magnitud absoluta) a 14,6 puntos porcentuales. Este es el llamado efecto de «intención de tratar». Esta última es quizás la estimación de efecto más relevante para la política, dado que no se debe tener en cuenta la no aceptación del asesoramiento.
Los efectos benefician desproporcionadamente a los sujetos con baja educación financiera y aritmética, lo que sugiere que el asesoramiento robótico puede ayudar a nivelar el campo de juego en la gestión de la deuda del consumidor.
En términos de disposición a pagar (WTP) por robo-advice, encontramos que el WTP de los individuos fue, en promedio, más alto que los beneficios monetarios que obtuvieron del asesoramiento (estimados durante la fase previa a la intervención). Esto podría deberse a que los sujetos son demasiado cautelosos para evitar cualquier posibilidad de errores en lugar de eliminar los errores promedio que cometieron cuando no recibieron asistencia. También podría deberse a un deseo de evitar los costos cognitivos y psicológicos de resolver los problemas de pago por su cuenta.
Desde una perspectiva política, esperamos que la demanda robótica sea mayor entre los menos calificados financiera y numéricamente, que cometen errores más costosos en la fase previa a la intervención. Y, de hecho, la demanda de robo-asesoramiento está inversamente relacionada con la educación financiera y numérica.
Todo lo demás es igual, también está inversamente relacionado con la confianza en las habilidades de uno y positivamente relacionado con la confianza en el robo-asesoramiento. Los sujetos con conocimientos financieros tenían un WTP más bajo, mientras que los hombres y los sujetos más confiables estaban dispuestos a pagar más. La baja confianza en los algoritmos es también uno de los correlatos más fuertes de anular el robo-consejo (que nunca es óptimo en nuestro entorno), al igual que el deseo de interactuar con un asesor humano.
Curiosamente, los participantes en promedio no estaban dispuestos a pagar más para recibir educación que explicara lo que el robo-asesor estaba haciendo junto con el propio robo-asesoramiento, lo que sugiere que los participantes no asignaron ningún valor en este entorno al menos a la explicabilidad algorítmica.
Finalmente, nos preguntamos si el robo-asesoramiento ayuda a los sujetos a aprender estrategias para el pago óptimo de la deuda. Si bien encontramos que se toman mejores decisiones después de la intervención en todos los grupos de tratamiento, la mayor diferencia es para el grupo de control. Este grupo tuvo que resolver más problemas de gestión de la deuda sin ayuda antes de llegar a la fase posterior a la intervención.
No detectamos ningún aprendizaje por imitación o por los consejos educativos incluidos con el robo-consejo. Esto sugiere que, para ser efectivas, las intervenciones de robo-asesoramiento deben repetirse cada vez que los consumidores toman decisiones.
El costo potencialmente muy bajo de proporcionar asesoramiento robótico, que en principio se puede hacer a través de dispositivos personales sin las limitaciones de escala del asesoramiento tradicional, significa que las intervenciones repetidas pueden ser factibles.
¿Quién acepta la oferta de robo-asesoramiento, quién se beneficia más y por qué?
Este trabajo es solo un estudio, pero plantea algunos puntos para que los reguladores los consideren.
Nuestros ensayos muestran que una proporción significativa de personas luchan por tomar buenas decisiones de pago de la deuda, incluso cuando toda la información está disponible para ellos; y que una simple herramienta de asesoramiento robótico puede ayudar a mejorar significativamente las decisiones.
Tal herramienta podría ofrecer una forma especialmente buena de apoyo a la toma de decisiones del consumidor en este contexto, ya que (i) cuando se trata de administrar deudas, a diferencia de las opciones de inversión arriesgadas, por ejemplo, existe una opción clara que el robo-asesor puede recomendar para minimizar los costos, y (ii) el robo-asesoramiento puede ser mucho más barato de ofrecer que las soluciones que involucran la interacción humana. Esta es una consideración particularmente importante ya que es poco probable que aquellos que luchan por administrar las deudas puedan pagar el apoyo y pueden necesitarlo de forma continua, teniendo en cuenta la ausencia de efectos de aprendizaje en nuestro estudio.
Alrededor del 25% de los consumidores rechazan la oferta de robo-asesoramiento gratuito. Muchos de ellos cometen errores costosos en sus decisiones.
Algunos consumidores pueden ser reacios a aprovechar la ayuda algorítmica incluso cuando se les dice que claramente los hará estar mejor. Esto se conecta con una literatura emergente sobre la confianza en los algoritmos, que explora si y cuándo los humanos muestran «aversión a los algoritmos». Abordar la baja confianza en los algoritmos puede ser un importante facilitador del lado de la demanda para ayudar a los consumidores a aprovechar la tecnología para navegar por entornos complejos.
Una segunda razón por la que los consumidores podrían rechazar el robo-advice gratuito es la preocupación por la privacidad de los datos. Es mucho menos probable que esto sea cierto en nuestro entorno experimental, donde el software ya lo sabe todo, pero será crucial en el contexto del mundo real del intercambio de datos y las finanzas abiertas.
La gente parece no valorar los algoritmos «explicables» en este contexto. Esta visión se conecta con otra literatura emergente sobre IA explicable y puede contribuir a una comprensión más rica de dónde y cómo la aplicabilidad es más importante para el bienestar del consumidor.
Nuestros hallazgos pueden apuntar a un área importante para futuras investigaciones, ya que los algoritmos más simples y explicables a veces pueden ser menos precisos en la práctica (lo que implica cierta pérdida de bienestar por decisiones menos adecuadas). Sin embargo, puede ser que las personas simplemente valoren menos los algoritmos explicables cuando hay una recomendación / decisión matemáticamente óptima, como en nuestros escenarios de gestión de deuda.
Por el contrario, pueden valorarlo más cuando esto es subjetivo y se basa en la predicción, como calificar la solvencia de alguien bajo incertidumbre en función de factores personales y situacionales. Si la subjetividad inherente / objetividad de la «respuesta» es importante para el valor de la IA explicable y cómo podrían valorar cualquier compensación son preguntas interesantes para futuras investigaciones.
¿Un tiro de robo-advice o soporte ‘bajo demanda’?
Los consumidores no parecen aprender mucho sobre el pago óptimo de la deuda mediante el uso de asesoramiento robótico durante nuestras pruebas, incluso cuando se les dan explicaciones para el asesoramiento junto con esto.
Esto sugiere que las intervenciones puntuales y/o la educación en administración del dinero pueden no ser suficientes para mejorar la toma de decisiones a largo plazo y que las mejoras sostenidas en los resultados de los consumidores en este entorno solo pueden lograrse cuando se dispone de una herramienta de asesoramiento eficaz «a pedido».
Hacer realidad el robo-advice
Esto plantea la cuestión de las condiciones necesarias para que esto surja en los mercados actuales. Una herramienta de asesoramiento robótico para la gestión de la deuda requeriría acceso a suficientes datos para poder construir una imagen holística de las deudas que alguien tiene con diferentes proveedores.
La banca abierta ya permite que los datos de las cuentas de pago se compartan con partes de confianza con el consentimiento explícito del consumidor. La herramienta de asesoramiento robótico se basaría en la extensión de estos acuerdos de intercambio al sector financiero más amplio (es decir, las finanzas abiertas). Este es un desarrollo que tiene el potencial de transformar la forma en que los consumidores y las empresas utilizan los servicios financieros, como lo estableció la FCA en su declaración de comentarios financieros abiertos. El apoyo más allá de esto también puede ayudar a fomentar el desarrollo de esta innovación.
En el Reino Unido, la FCA a través de su Sandbox Regulatorio y Vías de Innovación, puede apoyar a las empresas en el desarrollo de modelos automatizados para el apoyo a la toma de decisiones del consumidor.
Finalmente, si los prestamistas individuales proporcionaron asesoramiento robótico en tiempo real, así como o en lugar de proveedores públicos o externos, entonces podríamos esperar que surjan conflictos de intereses. Pero debido a que los problemas de gestión de la deuda que estudiamos son inherentemente computacionales, con soluciones óptimas únicas (contrariamente a las opciones arriesgadas e inciertas como las inversiones), supervisar y evaluar los algoritmos para el asesoramiento de gestión de la deuda debería ser más fácil en relación con otras aplicaciones.
Con todo, dado lo mucho que está en juego para muchos consumidores vulnerables, la necesidad potencial de un apoyo continuo a la toma de decisiones para navegar por las deudas y el hecho de que el asesoramiento óptimo no depende de las preferencias ni creencias de riesgo individuales, la gestión de la deuda puede ser un dominio particularmente prometedor para el asesoramiento robótico.
Se podría seguir trabajando para explorar la mejor manera de apoyar el desarrollo de una herramienta robótica del mundo real para los prestatarios.