La deuda grande suele ser la más difícil de recuperar, y perseguirla quema las horas del equipo sin mover el indicador que importa. Ya no es a quién le cobro primero, sino a quién cambia algo el hecho de que lo llame.

El monto engaña

Un modelo de scoring de cartera analiza el historial de miles de clientes para identificar qué combinación de señales ayuda a estimar la probabilidad de pago: días de mora, cumplimiento de promesas anteriores, recencia y frecuencia de abonos y contactabilidad por canal. Con esa información, se le asigna a cada cuenta una probabilidad de pago.

Entre las técnicas utilizadas para construir estos modelos están los métodos de gradient boosting, como XGBoost y LightGBM. Su desempeño no se evalúa únicamente por los resultados observados durante el entrenamiento: también se mide con indicadores como el estadístico KS y su capacidad para ordenar las cuentas según el riesgo o la probabilidad estimada, utilizando datos que el modelo no vio durante su entrenamiento y, cuando corresponde, de periodos posteriores.

Tres tipos de IA, tres usos distintos en cobranza

Bajo el término “inteligencia artificial” conviven tecnologías que resuelven problemas diferentes. Distinguirlas ayuda a identificar qué herramienta responde a cada necesidad.

IA predictiva:  Aprende de los datos históricos para estimar resultados futuros. En cobranza, puede ayudar a priorizar la cartera. Por ejemplo, ante dos clientes: uno que debe $15 millones, pero lleva cuatro meses ilocalizable, y otro que debe $3 millones y responde por WhatsApp, el modelo podría estimar probabilidades de pago del 6 % y del 74 % respectivamente, y recomienda empezar por el segundo.

IA generativa: Crea y redacta contenido; es la tecnología detrás de herramientas como ChatGPT. En cobranza, puede ayudar a adaptar un mensaje al cliente y al canal. Por ejemplo, ante un cliente joven con un atraso reciente, podría redactar un WhatsApp breve y amable con un enlace de pago, en lugar de un correo formal que quizá ignora.

Agentes de IA. Pueden ejecutar tareas de manera autónoma dentro de reglas, permisos y límites definidos. Por ejemplo, un sábado a las 9 p. m., cuando la oficina está cerrada, un asistente podría atender por WhatsApp, confirmar la información de la deuda, presentar las opciones de pago autorizadas y enviar el enlace correspondiente.

Detrás de un “no puedo pagar” hay un interés

“No puedo pagar” es una respuesta, pero no necesariamente explica toda la situación. Detrás puede haber necesidades más concretas: disponer de más tiempo, preocupación por un reporte en una central de riesgo o la necesidad de proteger el flujo de caja del mes.

Los modelos de lenguaje pueden transcribir llamadas, clasificar intenciones e identificar señales lingüísticas relacionadas con el tono de la conversación. Esa información puede ayudar a señalar al gestor cuándo el cliente pasa de una posición poco receptiva a mostrar mayor disposición para conversar.

La pregunta correcta no es quién paga, sino a quién puede influir la gestión

El siguiente paso es pasar de predecir el pago a estimar el efecto de una intervención. Un modelo predictivo estima quién tiene mayor probabilidad de pagar; un modelo de uplift busca identificar a quién podría cambiarle la decisión una acción de cobranza.

Hay clientes que pagarían de todos modos y otros cuya decisión podría cambiar tras una gestión. El uplift busca distinguir esos comportamientos mediante comparaciones entre grupos que reciben una intervención y grupos de control, para estimar qué habría ocurrido con y sin esa gestión.

La oferta también se calcula 

Un modelo de elasticidad estima cómo cambia la probabilidad de aceptar una oferta según el descuento propuesto. Esa información puede ayudar a calcular una oferta que maximice el recaudo esperado para cada deudor: evitar descuentos mayores de los necesarios sin ofrecer condiciones que reduzcan la posibilidad de llegar a un acuerdo.

Por eso, además del descuento promedio, resulta relevante medir cuántos pesos se recuperan por cada peso condonado.

Lo que la máquina todavía no hace 

Estas herramientas pueden ayudar a priorizar cuentas, estimar escenarios y orientar la conversación, pero no garantizan por sí solas el cierre de un acuerdo. Leer a la persona del otro lado, generar confianza y sostener un compromiso siguen siendo tareas en las que el criterio y las habilidades humanas tienen un papel fundamental.

La lección para el sector es concreta: los datos ayudan a decidir a quién contactar y qué opciones considerar; la conversación permite construir el acuerdo. Combinar ambos elementos, método y talento permite orientar la cobranza no solo a recuperar más, sino a gestionar mejor. 

Contenido por: Celerix