La cobranza con inteligencia artificial aplicada a mora temprana es uno de los casos de negocio más simples de armar en banca. En el ejemplo de Turing Bank para créditos vehiculares, el objetivo es subir la respuesta del 7% al 14% y la cobrabilidad del 4% al 7%, recuperando USD 3.600.000 extra sobre el benchmark.
Sabemos que la inteligencia artificial ofrece grandes oportunidades y beneficios para todas las industrias, y en particular para el sector financiero. La cantidad y velocidad de la información es hasta abrumadora, lo dicen las grandes consultoras, en todos los eventos y en las redes sociales. Sin embargo, lo que suele costar es identificar cómo empezar , de forma práctica y realista, el proceso de armar un caso de negocio y testear una hipótesis de cómo esta tecnología puede mejorar un proceso existente que tiene determinados resultados actuales y forma parte del negocio. Ya analizamos por qué tantos chatbots inteligentes siguen frustrando a los clientes ; el siguiente paso es elegir un caso con impacto medible. En este blog post vamos a comentar un caso recurrente en la industria bancaria que encontramos bastante sencillo de elaborar y por el que muchos de nuestros clientes deciden empezar: la gestión de carteras de mora temprana con IA generativa . Limitaciones actuales vs la nueva tecnología Para elaborar nuestra hipótesis, podemos analizar primero el valor que puede aportar la IA generativa, y después usar eso como sustento para el caso de negocio. En la gestión de cartera de morosos, podemos destacar lo que aporta un agente de cobranzas con IA : Capacidad de negociación: Entablar una conversación natural de ida y vuelta con el cliente, donde, mediante información pre aprobada por el banco, el agente conversacional “trabaje” dentro de un umbral de negociación. Manejo de consultas fuera del camino feliz: Responder consultas que surgen por fuera del flujo de negociación ideal con el cliente cuando tiene interrogantes o inquietudes sobre seguridad, detalles del producto, quejas, etc. Escalabilidad y eficiencia: Poder gestionar miles de conversaciones en paralelo, a cualquier hora, con un costo marginal en relación a otros canales de contacto. Inclusión: Adaptarse al lenguaje y a los distintos formatos en WhatsApp (audios, errores ortográficos, idiomas o dialectos locales) sin inconvenientes. El punto de partida El próximo paso es definir dónde estamos hoy, para tener una referencia clara sobre lo que queremos mejorar y lograr que la hipótesis sea medible. En este caso, vamos a usar el ejemplo de un banco ficticio, Turing Bank, con el que realizaremos una prueba de concepto para créditos vehiculares de nuestro agente de gestión de carteras de mora temprana que implementaremos en WhatsApp. Siempre recomendamos hacer una prueba de concepto como paso inicial, que podamos usar como referencia para contrastar con nuestra hipótesis y que además sirva como referencia para escalar al resto del caso de uso. Para definir el benchmark actual, debemos definir los KPIs o métricas clave del caso de negocio. Por ejemplo en el caso de la gestión de cobranzas vamos a usar: % de respuesta : porcentaje de clientes que responden el contacto. % de cobrabilidad : porcentaje de clientes que regularizan su mora. Monto recuperado de la cartera : es el valor monetario que logramos regularizar de la cartera de morosos y que afectará directamente a la previsión de incobrabilidad del PNL. Benchmark del Turing Bank En el caso de Turing Bank, vamos a definir los siguientes números para los créditos vehiculares como benchmark actual: Total de clientes en mora: 8.000 Ticket promedio: USD 15.000 Previsión total: USD 120.000.000 % de respuesta: 7% % de cobrabilidad: 4% Monto recuperado: USD 4.800.000 Estos números deben reflejar la realidad actual del negocio, ya que los usaremos como referencia para validar o no nuestra hipótesis de mejora. El objetivo a alcanzar Con el benchmark definido, podemos plantear los objetivos y cuantificarlos para estimar el potencial beneficio del caso de negocio. Para Turing Bank, vamos a establecer estos objetivos: % de respuesta: 14% (100% de mejora del desempeño vs benchmark actual) % de cobrabilidad: 7% (75% de mejora del desempeño vs benchmark actual) $ recuperado de la cartera: USD 8.400.000 (USD +3.600.000 extra al benchmark actual) Estos valores van a oficiar de juez de la nueva solución que vamos a testear y luego la performance real del agente nos va a dar resultados que vamos a posicionar en esta medición, para luego sacar nuestras conclusiones. Implementación controlada Aunque excede el armado del caso de negocio, también vale mencionar cómo sugerimos testear este tipo de implementaciones. Además de seleccionar un producto puntual, en este caso créditos vehiculares, recomendamos trabajar con una población controlada , evitando interrumpir la operación y preservando la salud de la cobranza. En implementaciones previas, solemos ver pruebas de 2 a 3 meses con una muestra del 20% al 30% de la cartera total. Esto se ejecuta en paralelo a los métodos actuales para tener una comparación clara. Con una plataforma pensada para tu banco , esta prueba se integra a la operación sin fricción. Si llegaste hasta aquí, ¡gracias por leer! Si querés profundizar sobre este caso de uso u otro del sector bancario, escribinos y coordinamos una demo.
¿Por qué empezar con cobranzas de mora temprana para un caso de negocio de IA generativa en banca? Es un proceso acotado, medible y con KPIs claros (% de respuesta, % de cobrabilidad y monto recuperado). Eso permite armar la hipótesis rápido, contrastarla con un benchmark actual y escalar al resto del caso de uso una vez validada.
¿Qué KPIs se usan para medir un agente de cobranzas con IA generativa? Tres métricas: % de respuesta (clientes que contestan el contacto), % de cobrabilidad (clientes que regularizan su mora) y monto recuperado de la cartera, que impacta directo en la previsión de incobrabilidad del PNL.
¿Cómo se recomienda testear la implementación? Con una población controlada: pruebas de 2 a 3 meses sobre el 20% al 30% de la cartera, ejecutadas en paralelo a los métodos actuales para tener una comparación clara sin interrumpir la operación.
¿Qué es la cobranza con inteligencia artificial? Es la gestión de carteras en mora mediante agentes conversacionales de IA generativa que contactan al cliente por canales como WhatsApp, negocian dentro de umbrales aprobados por el banco, responden consultas fuera del flujo ideal y gestionan miles de conversaciones en paralelo, a cualquier hora y con un costo marginal frente a otros canales.
¿Qué resultados puede esperar un banco con IA para cobranza en mora temprana? Depende del punto de partida. En el caso modelo de Turing Bank para créditos vehiculares, el objetivo es duplicar el porcentaje de respuesta del 7% al 14%, subir la cobrabilidad del 4% al 7% y recuperar USD 3.600.000 adicionales sobre el benchmark, validando todo con una POC de 2 a 3 meses.