Lee tu política, entiende a cada solicitante y decide en segundos. Con cada decisión explicada y auditada.
Validar con un experto · Te mostramos el cálculo con tus datos reales.
Las entidades de crédito en LATAM enfrentan los mismos cuellos de botella que limitan su crecimiento y elevan su riesgo.
Arrastra. Conecta. Decide.
Así se arma una política de crédito en Matías Flows.
Originación, decisiones y desempeño del modelo, al día y en el mismo lugar.
Recorrido real de la plataforma con datos de demostración.
Quiero ver mi cartera asíSignals capta cerca de 650 puntos de información del comportamiento del solicitante en tu sitio: dispositivo, navegador, región, hora, recorrido, tiempo en el formulario, uso del simulador… y los convierte en variables para el score. Información que el buró no tiene.
Vista de ejemplo con datos ilustrativos.
Quiero ver Signals en mi sitioModelos entrenados con tu cartera. Perfiles de riesgo PR-1 a PR-5. Tasa, monto y plazo por perfil.
Recorrido real con la cuenta de demostración. Las métricas no son resultados de clientes; los rangos de score, el cut-off y las condiciones confidenciales vienen difuminados.
Tu mejor analista, disponible 24/7, que conoce cada solicitud y cada regla.
Conversación de ejemplo con datos de demostración.
De la solicitud al monitoreo, M.A.T.I.A.S. orquesta cada paso de la originación en segundos.
Seis capacidades integradas en un solo motor, listas para conectarse a tu operación.
Capturas reales de la plataforma con datos de demostración.
Cada solicitud, cada consulta y cada decisión quedan encadenadas, con certificado verificable. Lo que tu regulador necesita, listo.
Tu sistema envía la solicitud. M.A.T.I.A.S. responde con la decisión, la tasa, el monto, el plazo, las garantías y los documentos. Primero en pruebas, después en producción.
Respuesta de ejemplo con datos de demostración.
Experiencias en implementación de software para crédito, desarrollo de Credit Scoring personalizado y consultoría especializada en crédito y riesgo.
Logos de entidades y marcas con experiencia comprobada y autorización de uso vigente.
Tecnología que tu comité de riesgo y tu equipo de cumplimiento pueden defender.
Agregue las capacidades que necesita y ajuste cuánto usará cada una. M.A.T.I.A.S. le dice qué plan se ajusta a su operación.
Calificaciones con su modelo personalizado con IA
Solicitudes que pasan por su política
Consultas y tablas dinámicas nuevas
Reportes que arma MATIAS
Señales del recorrido digital
Su agente operativo de crédito
Data BI con valores de referencia. Signals y Agent según uso. El setup del modelo personalizado de Credit Score y los costos de terceros se cotizan aparte.
Envíenosla por WhatsApp y le preparamos la propuesta, o agende una demo y le mostramos M.A.T.I.A.S. funcionando.
Conecta tu originación a M.A.T.I.A.S. con una API REST documentada en OpenAPI 3.1: sandbox con datos sintéticos, llaves por ambiente, webhooks por evento y respuestas explicadas.
Una suscripción. Todo M.A.T.I.A.S. Cada plan le da acceso a Credit Score, Flows, Signals, Data BI, Agent y Brain, con un saldo mensual de Akaike Units (AKUs) que usted usa donde su operación de crédito lo necesite.
Validación rápida con IA de crédito
2.000
AKUs / mesEquivale a 500 calificaciones o 2.000 ejecuciones de Flows
Ideal para iniciar con un modelo propio sin fricción.
Acceder al planCrecimiento, campañas y control
5.200
AKUs / mesEquivale a 1.300 calificaciones o 5.200 ejecuciones de Flows
Para entidades que ya originan volumen y quieren escalar con control.
Acceder al planGobierno, auditoría y riesgo avanzado
12.000
AKUs / mesEquivale a 3.000 calificaciones o 12.000 ejecuciones de Flows
Para entidades que necesitan trazabilidad, control y gobierno del modelo.
Acceder al planEcosistemas de riesgo a la medida
A medida
AKUs según su volumenCapacidad, condiciones y soporte definidos con su entidad
Para operaciones complejas que requieren una solución integral de IA crediticia.
Acceder al planEl setup del modelo personalizado de Credit Score se estima aparte para cada entidad.
¿No sabe cuál plan elegir? Hablemos y le recomendamos el mejor punto de partida.
Quiero una recomendaciónResolvemos las dudas más comunes sobre M.A.T.I.A.S., modelos de riesgo de crédito con IA e integración tecnológica.
M.A.T.I.A.S. es el motor de inteligencia artificial de Akaike Credit Risk Solutions para evaluar el riesgo de crédito de solicitantes, clientes o portafolios. Entrega un score, una recomendación de aprobación o rechazo, condiciones sugeridas de crédito y alertas de riesgo a través de API.
No. M.A.T.I.A.S. no es un score genérico de mercado. Cada modelo se entrena con la información histórica de la entidad, sus políticas, sus datos de originación, comportamiento de pago y, cuando aplica, fuentes externas como burós de crédito, telcos u otras bases alternativas.
Está diseñado para fintechs, cooperativas, fondos de empleados, entidades financieras, empresas de crédito digital, retail financiero, BNPL, libranzas, crédito educativo, microcrédito y cualquier organización que otorgue crédito o administre cartera.
No. El trabajo inicial de Akaike consiste precisamente en entender la información disponible, evaluar su calidad, identificar qué variables existen y definir cómo pueden aprovecharse para entrenar el modelo. No es necesario que la entidad arregle la data antes de comenzar.
Normalmente se analiza información histórica de solicitudes, aprobaciones, rechazos, desembolsos, comportamiento de pago, mora, recaudo, variables internas, datos de buró y políticas de crédito. Sin embargo, el modelo se adapta a la información real que tenga cada entidad.
Sí. M.A.T.I.A.S. puede integrarse mediante API REST, webhook o procesos batch, según la arquitectura del cliente. Puede conectarse con plataformas de originación, core crediticio, CRM, motores de decisión, sistemas de cartera o frontales digitales.
El servicio puede devolver un credit score, probabilidad de incumplimiento, decisión sugerida, segmento de riesgo, monto máximo recomendado, plazo, tasa sugerida, garantías requeridas y recomendaciones adicionales de IA para apoyar la decisión crediticia.
Depende del nivel de automatización que defina cada entidad. Puede operar como copiloto, apoyando al analista con recomendaciones y alertas, o como motor autónomo de decisión para procesos de originación masiva y crédito digital.
Depende del plan contratado. Algunos planes incluyen mantenimiento anual, otros reentrenamiento semestral o trimestral. El objetivo es que el modelo evolucione con el comportamiento real de la cartera y mantenga su capacidad predictiva en el tiempo.
M.A.T.I.A.S. ayuda a mejorar la precisión en la aprobación, reducir la mora, automatizar decisiones, segmentar clientes por riesgo, definir estrategias de pricing, mejorar la cobranza y fortalecer el gobierno del riesgo crediticio.
Agendemos una conversación y evaluemos cómo M.A.T.I.A.S. puede integrarse a su proceso de originación, cartera o cobranza.
Agendar diagnósticoQué es una IA de crédito, cómo funciona un score a la medida y un motor de decisión, qué tener en cuenta en una cooperativa, cómo elegir proveedor y un glosario de riesgo de crédito.
M.A.T.I.A.S. es la plataforma de inteligencia artificial de crédito y riesgo de Akaike Credit Risk Solutions, empresa colombiana especializada en riesgo de crédito. La usan bancos, compañías de financiamiento, cooperativas, fondos de empleados, fintech y SOFOM para decidir solicitudes de crédito en segundos. Entrena un score con la cartera histórica de cada entidad, aplica su política con un motor de reglas configurable, consulta burós como DataCrédito Experian y TransUnion, y deja cada decisión explicada y auditada para el comité de riesgo y el regulador.
Una IA de crédito estima, para cada solicitud, la probabilidad de que el crédito no se pague, y con esa estimación propone una decisión: aprobar, revisar o negar, con el monto, la tasa y el plazo que corresponden al riesgo. Lo hace en segundos, igual a las tres de la tarde que a las tres de la mañana, y deja escritas las razones.
Lo que no hace es reemplazar la política de crédito ni al comité. La política la define la entidad: qué productos ofrece, a quién, con qué garantías y con qué apetito de riesgo. La IA la ejecuta de forma consistente, la documenta y muestra dónde se está aprobando mal o negando de más.
El puntaje de un buró resume el comportamiento de una persona en todo el sistema financiero. Es útil, pero no conoce el producto, el canal ni el cliente típico de cada entidad. Un modelo entrenado con la cartera histórica de la propia entidad aprende qué perfiles le pagan a ella y cuáles no, y por eso separa mejor a sus buenos y malos pagadores. M.A.T.I.A.S. usa el buró como una fuente más dentro del modelo, no como la respuesta final.
Los datos de cada entidad están aislados de los de las demás: ningún modelo aprende con la información de otra entidad.
Cada decisión trae sus razones, entendibles para el analista, para el cliente y para el supervisor. Los modelos quedan versionados y documentados, y cada solicitud, consulta y decisión queda registrada en una cadena que no se puede alterar, con certificado verificable.
Eso ayuda a la entidad a documentar su gestión del riesgo de crédito ante la Superintendencia Financiera o la Superintendencia de la Economía Solidaria en Colombia, o ante la CNBV en México, y a tratar los datos según la Ley 1266 de 2008 (habeas data financiero) y la Ley 1581 de 2012. La responsabilidad regulatoria sigue siendo de la entidad; M.A.T.I.A.S. le da la trazabilidad para demostrarla.
Primero en pruebas y después en producción. Los desarrolladores tienen la documentación de la API y un sandbox con datos sintéticos.
Bancos, compañías de financiamiento, cooperativas de ahorro y crédito, fondos de empleados, fintech, SOFOM, microfinancieras, libranzas, crédito educativo y comercios que venden a crédito, en Colombia, México, Perú, Ecuador y Centroamérica.
| Referencia | Resultado |
|---|---|
| Aprobación | +44 % |
| Cartera vencida | −36 % |
| Decisión | automatizada, 24/7 |
Resultados de referencia de implementaciones de Credit Scoring del equipo Akaike. El impacto en cada entidad depende de sus datos, su política, su producto y su apetito de riesgo.
Sí. Cuando el buró no tiene información, el modelo se apoya en los datos que la entidad sí tiene del solicitante y en las señales de comportamiento digital de Signals. La política define qué hacer con esos casos: aprobar con un monto menor, pedir un codeudor o pasar a revisión humana.
Depende de la entidad y del producto. El modelo necesita créditos con resultado conocido, es decir, que ya se sepa si se pagaron o cayeron en mora. El primer paso es revisar esa historia; si todavía no alcanza, se arranca con la política y el buró, y el modelo propio se entrena cuando haya historia suficiente.
Sí. Cada calificación y cada decisión trae sus razones, y la entidad tiene causales estandarizadas para comunicar una negación. Todo queda registrado para auditoría.
No. M.A.T.I.A.S. se conecta por API REST con el sistema que la entidad ya usa, o se opera desde su portal web.
No. Los datos de cada entidad están aislados, y cada modelo se entrena solo con la información de su entidad.
Actualizado el 14 de noviembre de 2026 · Akaike Credit Risk Solutions
M.A.T.I.A.S. Credit Score es un modelo de score de crédito que Akaike entrena con la cartera histórica de cada entidad, no un puntaje genérico de mercado. Clasifica a cada solicitante en perfiles de riesgo del PR-1 al PR-5, estima su probabilidad de incumplimiento y explica las razones de la calificación. La entidad elige el punto de corte viendo su efecto en la aprobación y en la pérdida esperada, y recibe la calificación por API en milisegundos o en el portal.
El buró ve cómo se comporta una persona en todo el sistema. La cartera de la entidad ve algo que el buró no ve: cómo le pagan a ella los clientes de su producto, que llegan por sus canales. Un crédito de libranza a 36 meses no se comporta como un crédito de consumo digital a 6 meses, y un mismo puntaje de buró significa cosas distintas en cada uno.
Un score a la medida aprende de esa historia. Por eso suele separar mejor a quienes pagan de quienes no, y le permite a la entidad aprobar a más personas sin subir la mora, o bajar la mora sin dejar de crecer.
Cada solicitante queda en un perfil, del PR-1 (menor riesgo) al PR-5 (mayor riesgo), y cada perfil puede llevar su propia tasa, monto y plazo. El punto de corte decide desde qué perfil se aprueba.
Con el simulador, la entidad ve antes de decidir qué pasa si mueve el corte: cuántas solicitudes más aprueba, cuánta mora espera y cuánto cambia la colocación. Así la discusión en el comité se hace con cifras.
El modelo estima la probabilidad de incumplimiento de cada crédito. Con la exposición y la pérdida si el crédito no se paga, se calcula la pérdida esperada:
Pérdida esperada = PD × EAD × LGD
Esa cifra, por crédito y por portafolio, sirve para fijar precios por riesgo y para proyectar la colocación y la pérdida antes de lanzar una campaña.
Cada calificación trae las variables que más pesaron, a favor y en contra. El analista entiende por qué el modelo recomienda lo que recomienda, la entidad puede explicarle una negación al cliente y el supervisor puede revisar cualquier decisión.
Los clientes cambian, la economía cambia y los modelos se desgastan. M.A.T.I.A.S. sigue el comportamiento de la cartera aprobada, avisa cuando el modelo pierde poder de discriminación y se reentrena de forma periódica con la historia nueva.
Para quienes tienen poca o ninguna historia en el buró, el score puede usar los datos que la entidad tiene del solicitante y las señales de comportamiento digital de M.A.T.I.A.S. Signals: cómo llena el formulario, desde qué dispositivo, en cuánto tiempo. Son cerca de 650 señales que el buró no tiene.
El score de un buró es el mismo para todas las entidades y resume el comportamiento en todo el sistema. M.A.T.I.A.S. Credit Score se entrena con la cartera de una sola entidad y usa el buró como una variable más. Son complementarios.
Depende sobre todo de la calidad y la cantidad de los datos históricos. Por eso el primer paso es una revisión de esos datos, que define el plan y los tiempos con la entidad.
Se puede empezar con la política de crédito y el buró en Flows, y entrenar el modelo propio cuando haya suficientes créditos con resultado conocido.
De forma periódica, según el plan de la entidad, y antes si el monitoreo muestra que el modelo perdió poder de discriminación.
Actualizado el 14 de noviembre de 2026 · Akaike Credit Risk Solutions
M.A.T.I.A.S. Flows es el motor de decisión de crédito de Akaike. La entidad arma su política en un editor visual, arrastrando pasos como DataCrédito Experian, TransUnion, validación de identidad, listas OFAC, ONU y UE, Rama Judicial, Procuraduría, Contraloría, score, capacidad de pago y aprobación humana, o la escribe en lenguaje natural. Cada solicitud recibe una decisión de aprobar, revisar o negar, con monto, tasa, plazo y las razones, y cada paso queda registrado para auditoría.
Es el sistema que toma una solicitud, consulta lo que hay que consultar, aplica las reglas de la política y devuelve una decisión. No es lo mismo que un core financiero, que lleva la contabilidad y la cartera, ni que una API de buró, que solo entrega información. El motor es el que decide, con la política de la entidad.
| Sistema | Para qué sirve |
|---|---|
| Core financiero | Registra créditos, pagos y contabilidad. |
| API de buró | Entrega la información de la persona en el buró. |
| Motor de decisión | Combina fuentes, score y reglas para aprobar, revisar o negar. |
Cada tercero es un paso que se arrastra al lienzo y se configura con clics:
La política también se puede describir con palabras, por ejemplo «si el solicitante tiene mora mayor a 60 días en el último año, negar; si el score es PR-1 o PR-2, aprobar hasta el monto pedido». MATIAS la convierte en un flujo que el equipo revisa y ajusta antes de publicarlo.
Cada versión de la política se prueba con solicitudes de prueba y se ve el recorrido paso a paso: qué consultó, qué regla se cumplió y por qué terminó en esa decisión. Solo después se publica, y la versión anterior queda guardada.
Cada negación lleva una causal estandarizada, que la entidad usa para responderle al cliente y para sus reportes. Así dos analistas no explican la misma decisión de dos formas distintas.
Flows responde por una API REST documentada con OpenAPI 3.1: la solicitud entra, la decisión sale con tasa, monto, plazo y razones, y un webhook avisa los cambios. Hay un sandbox con datos sintéticos para probar sin riesgo. Detalle en la documentación para desarrolladores.
Sí. La política se edita en el lienzo o en lenguaje natural, se prueba y se publica desde el portal, sin tocar código.
DataCrédito Experian, TransUnion, validación de identidad, listas OFAC, ONU y UE, Rama Judicial, Procuraduría y Contraloría, además del score de la entidad y sus propias reglas.
Sí. Flows se conecta por API con el originador o el core que la entidad ya tiene; no los reemplaza.
Cada ejecución guarda los pasos, las consultas, las reglas que se cumplieron y la decisión, en un registro encadenado que no se puede alterar.
Actualizado el 14 de noviembre de 2026 · Akaike Credit Risk Solutions
M.A.T.I.A.S., de Akaike Credit Risk Solutions, ayuda a cooperativas de ahorro y crédito y a fondos de empleados a evaluar a cada asociado con un score entrenado con su propia historia de pagos, que puede tener en cuenta aportes, antigüedad, libranza y codeudores, y no solo el buró. El reglamento de crédito se vuelve una política automática que decide en segundos, y cada decisión queda explicada y registrada para el comité y la Superintendencia de la Economía Solidaria.
En una cooperativa o un fondo de empleados el solicitante no es un cliente cualquiera: es un asociado, con aportes, antigüedad y, muchas veces, descuento por libranza. Las decisiones pasan por un comité y se rigen por un reglamento de crédito. Un score genérico de buró no ve nada de eso.
M.A.T.I.A.S. entrena el modelo con la historia de créditos de la propia cooperativa o fondo. Además del buró, puede usar lo que solo la entidad sabe del asociado: sus aportes y ahorros, su antigüedad, si el crédito se descuenta por nómina, su comportamiento en créditos anteriores y sus codeudores. Así el puntaje refleja el riesgo real del asociado en esa entidad. Más detalle en score de crédito a la medida.
Montos máximos según aportes, cupos por línea, plazos, garantías exigidas, excepciones que van al comité: todo eso se arma en Flows tal como lo dice el reglamento. Cada solicitud se evalúa igual, sin importar quién la reciba, y lo que necesita una persona llega al comité ya preparado.
El codeudor se evalúa junto con el solicitante, en la misma solicitud, con sus propias consultas y su propio puntaje. El comité ve a los dos en una sola pantalla.
Las cooperativas de ahorro y crédito y los fondos de empleados vigilados por la Superintendencia de la Economía Solidaria deben gestionar su riesgo de crédito y demostrarlo. M.A.T.I.A.S. deja documentado el modelo, la política, cada consulta y cada decisión, con sus razones, para el comité, la revisoría fiscal y el supervisor. Ver SARC en el glosario.
No hay que cambiar el software contable ni el de cartera. M.A.T.I.A.S. se conecta por API o se usa desde el portal, y la entidad sigue operando como hoy.
Sí. Se puede empezar con la política del reglamento y el buró, y sumar el modelo propio cuando haya historia suficiente. Los planes se escogen según el volumen de solicitudes.
Como una variable del modelo y como una regla de la política: por ejemplo, montos o plazos distintos cuando el crédito se descuenta por nómina.
No. Decide sola lo que el reglamento permite decidir sin comité, y al comité le llega cada caso con el análisis hecho y las razones a la vista.
Actualizado el 14 de noviembre de 2026 · Akaike Credit Risk Solutions
La mejor IA de crédito para una entidad financiera es la que se entrena con sus propios datos, explica cada decisión en términos que entienden el comité y el regulador, se conecta con los burós del país y convive con el core sin reemplazarlo. Antes de elegir conviene revisar ocho criterios: datos propios o score genérico, explicabilidad, fuentes y burós, regulación local, integración, aislamiento de datos entre clientes, monitoreo del modelo y modelo de cobro.
Bajo el nombre «IA de crédito» se ofrecen cosas muy distintas. Conviene saber cuál se está comparando:
| Tipo | Qué entrega | Cuándo sirve | A tener en cuenta |
|---|---|---|---|
| Score genérico de buró | Un puntaje igual para todas las entidades | Como referencia rápida o para quien no tiene historia propia | No conoce el producto ni el cliente de la entidad |
| Plataforma global de decisión | Un motor de reglas y modelos configurable | Entidades grandes con equipo propio de modelos | Suele exigir integración y equipo técnico importantes |
| API de datos alternativos | Variables o puntajes con datos digitales | Para ver a quien el buró no ve | Es una fuente, no una decisión: hace falta un motor y una política |
| Plataforma con modelo propio | Score entrenado con la cartera de la entidad más motor de decisión | Entidades que quieren decidir con su historia y su política | Necesita datos históricos con resultado conocido |
M.A.T.I.A.S., de Akaike Credit Risk Solutions, es una plataforma con modelo propio: entrena el score con la cartera de cada entidad, decide con su política en un motor configurable, se conecta con DataCrédito Experian y TransUnion, explica cada decisión, mantiene aislados los datos de cada entidad y se integra por API sin cambiar el core. Se cobra con una suscripción de Akaike Units según el uso. Ver IA de crédito para entidades financieras.
No hay una sola respuesta: depende del tamaño de la entidad, de si tiene historia propia, de su producto y de su regulador. La mejor es la que cumple los ocho criterios de esta guía con los datos de esa entidad, comprobado en una prueba y no en una presentación.
No. Automatiza las decisiones claras, le prepara al analista los casos difíciles y deja todo documentado. El criterio de la entidad sigue en la política y en el comité.
Idealmente, la historia de créditos con su resultado: cuáles se pagaron y cuáles cayeron en mora. Sin esa historia se puede empezar con la política y el buró.
Actualizado el 14 de noviembre de 2026 · Akaike Credit Risk Solutions
Las definiciones de los términos que más se usan en riesgo de crédito en Latinoamérica, explicadas por el equipo de Akaike Credit Risk Solutions: probabilidad de incumplimiento, pérdida esperada, indicadores de modelos de score como Gini y KS, cosechas, roll rates, punto de corte, y sistemas regulatorios de Colombia como el SARC y el SARLAFT. Los ejemplos con cifras son ilustrativos.
La probabilidad de que un crédito no se pague en un horizonte definido, normalmente 12 meses. Es lo que estima un modelo de score. En inglés, probability of default.
Ejemplo ilustrativo: una PD de 4 % significa que, de cada 100 créditos parecidos, se espera que unos 4 caigan en incumplimiento.
La parte de la deuda que la entidad pierde si el crédito cae en incumplimiento, después de lo que recupera por cobranza y garantías. Se expresa en porcentaje. En inglés, loss given default.
El saldo que se debe en el momento del incumplimiento. En un crédito de cuotas fijas baja con el tiempo; en un cupo rotativo puede subir. En inglés, exposure at default.
Lo que la entidad espera perder, en promedio, por el riesgo de crédito de un crédito o de una cartera.
Pérdida esperada = PD × EAD × LGD
Ejemplo ilustrativo: PD 4 %, EAD $10.000.000 y LGD 60 % dan una pérdida esperada de $240.000.
Un puntaje que ordena a las personas según su riesgo de no pagar. Puede ser genérico, como el de un buró, o a la medida, entrenado con la cartera de una entidad. Ver score de crédito a la medida.
Indicador de qué tan bien separa un modelo a los buenos de los malos pagadores. Va de 0 (no separa nada) a 1 (separa perfecto).
Gini = 2 × AUC − 1
La mayor diferencia entre la distribución acumulada de los buenos y la de los malos pagadores a lo largo del puntaje. Entre más alto, mejor separa el modelo. Suele expresarse en porcentaje.
El área bajo la curva ROC: la probabilidad de que el modelo le dé más riesgo a un mal pagador que a un buen pagador escogidos al azar. 0,5 es azar; 1 es perfecto.
El puntaje o perfil desde el que se aprueba. Moverlo cambia a la vez la aprobación y la mora esperada, por eso se decide viendo los dos efectos.
Un grupo de solicitantes con riesgo parecido. En M.A.T.I.A.S. van del PR-1 (menor riesgo) al PR-5 (mayor riesgo), y cada uno puede tener su propia tasa, monto y plazo.
El grupo de créditos desembolsados en un mismo periodo, por ejemplo un mes, que se sigue en el tiempo para ver cómo se comporta su mora. Permite comparar si los créditos de un mes salieron mejores o peores que los de otro. En inglés, vintage.
El porcentaje de la cartera que pasa de un rango de mora al siguiente de un mes a otro, por ejemplo de 1–30 días a 31–60 días. Sirve para anticipar la mora futura y priorizar la cobranza.
El atraso en el pago de una cuota. Se mide en días y se agrupa por rangos (1–30, 31–60, 61–90, más de 90). La cartera en mora se compara con la cartera total para obtener el indicador de cartera vencida.
Créditos que la entidad, después de agotar la gestión de cobro, retira de su balance porque los considera irrecuperables, siguiendo sus políticas y las normas que le aplican.
El registro que queda en el buró cada vez que una entidad consulta la historia de una persona. Muchas consultas en poco tiempo pueden indicar que la persona está buscando crédito en varias partes.
Fijar la tasa, el monto y el plazo según el riesgo de cada solicitante: menor tasa para el menor riesgo y condiciones más prudentes para el mayor riesgo, dentro de los límites legales.
Lo que una persona puede pagar cada mes sin afectar sus gastos básicos, calculado con sus ingresos y sus deudas actuales.
Información distinta al buró que ayuda a estimar el riesgo, como el comportamiento digital del solicitante. Sirve sobre todo para personas con poca historia crediticia. Debe usarse con autorización y conforme a la ley de protección de datos.
La persona que firma el crédito junto al deudor y se obliga a pagarlo si él no lo hace. Su riesgo también se evalúa.
Un crédito que se paga con descuento directo de la nómina o la pensión, autorizado por el deudor. Por eso suele tener menor riesgo de no pago mientras se mantenga el vínculo laboral.
El sistema que aplica la política de crédito a cada solicitud: consulta fuentes, calcula el score, revisa las reglas y devuelve una decisión. Ver motor de decisión de crédito.
Sistema de Administración del Riesgo de Crédito: las políticas, procesos, modelos y controles que las entidades vigiladas en Colombia deben tener para identificar, medir, controlar y monitorear su riesgo de crédito, según las instrucciones de su supervisor.
Sistema de Administración del Riesgo de Lavado de Activos y de la Financiación del Terrorismo, que deben tener las entidades vigiladas en Colombia. En crédito se refleja, entre otras cosas, en la consulta de listas restrictivas y el conocimiento del cliente.
Persona Expuesta Políticamente: quien ocupa o ocupó cargos públicos de alto nivel, y sus allegados. Las entidades deben identificarlas y aplicarles una debida diligencia más estricta.
Actualizado el 14 de noviembre de 2026 · Akaike Credit Risk Solutions
Artículos prácticos para gerentes de riesgo, crédito y cartera: cómo decidir mejor, medir la mora a tiempo y sacarle provecho a un score.
Por Oscar Gutiérrez M., CEO y fundador de Akaike Credit Risk Solutions · 14 de noviembre de 2026 · 8 min de lectura
Lo que más frena a las entidades de crédito para usar Inteligencia Artificial no es la tecnología, es la confianza: decisiones que viven en hojas de cálculo y en la cabeza de una o dos personas, scores genéricos que no entienden su segmento, miedo a perder el control de los datos de sus clientes, modelos que nadie puede explicarle al comité ni al supervisor, y proyectos anteriores que costaron plata y no funcionaron. Lo que sí destraba la conversación es una IA privada que trabaja solo con los datos y las políticas de la entidad, que muestra por qué decide cada caso, y que arranca en marcha blanca, con el analista revisando, antes de automatizar perfil por perfil.
Entre agosto y noviembre de 2026 tuve más de 70 conversaciones con entidades que prestan plata: cooperativas de ahorro y crédito, financieras de consumo y de vehículos, originadoras de libranza, fintech, microfinancieras, una aseguradora de crédito, bancos, y también empresas que no son financieras pero le dan crédito a sus clientes, como un fabricante de materiales de construcción o un agroindustrial que financia insumos a sus agricultores. La mayoría en Colombia, y otras en Ecuador, México, Perú y Centroamérica.
Fueron demos, primeras reuniones y sesiones de implementación. Aquí no hay nombres ni datos de nadie, solo lo que más se repitió, contado como lo dicen ellos, porque creo que a cualquier gerente de riesgo o de crédito le va a sonar conocido.
Fue el dolor más repetido, en entidades pequeñas y en grandes: la política de crédito vive en varias versiones de una hoja de cálculo con macros, el reporte del buró se descarga en PDF y se transcribe a mano, y el informe que pide la junta se arma el fin de semana. Un gerente lo dijo sin rodeos: «mi motor de decisión es un Excel con macros, y a veces siento que es una lotería».
Detrás de eso hay un riesgo que pocas veces aparece en el mapa de riesgos: todo depende de una o dos personas. Escuché varias veces la misma historia, un analista que resuelve casi todos los casos del mes, con un criterio muy bueno que no está escrito en ninguna parte, y si esa persona se va, se va el conocimiento. En otro caso, cada solicitud le tomaba al analista entre 20 y 25 minutos solo en bajar documentos y pasarlos a la hoja.
Aquí la IA no empieza por el modelo, empieza por ordenar: escribir la política como reglas que se ejecutan siempre igual, conectar el buró para no transcribir nada y dejar al analista para los casos que de verdad necesitan criterio. Eso es lo que hace un motor de decisión.
La segunda queja más común: el puntaje del buró está hecho para el promedio del país, y muchas entidades atienden justamente a quienes no son el promedio. Un informal que vende en la puerta de su casa, un agricultor que paga cuando vende la cosecha, un mototaxista que usa la moto para trabajar, un pensionado con libranza. «En microcrédito la mora se define a 15 o 30 días, no a 90», me dijo un experto del sector, y otro lo resumió mejor: «el buró mide la capacidad de pago, no la voluntad de seguir pagando».
Por eso las conversaciones que más avanzan son las de un score entrenado con la cartera de la propia entidad, con su definición de mora y con datos alternativos cuando el buró no alcanza: recibos de servicios, el comportamiento en canales digitales, el propósito del crédito. Y algo que aprendí de una microfinanciera: preguntar en pequeño. No «¿cuánto gana al mes?», sino «¿cuál es su mejor día de ventas?» o «¿cuánto vende ese día?», porque es mucho más difícil mentir en el detalle.
Ojo con un error frecuente: si durante años solo se aprobó a un tipo de cliente, los datos solo conocen a ese cliente. Un modelo entrenado así repite la política vieja. La salida es aprobar por segmentos con prudencia y guardar también los datos de los rechazados, para reentrenar con una historia más completa.
No hubo una sola reunión en la que no saliera esta pregunta, y la entiendo. Una directora de crédito me contó que probó una IA generalista con unos pocos casos y la IA los rechazó todos, incluso a un cliente que ella aprobaría sin dudar porque llevaba años pagando su seguridad social. El problema no era la inteligencia, era que no conocía el contexto de su entidad, y además ella no sabía dónde habían quedado esos datos.
Lo que destraba esta conversación es una IA de crédito privada: los datos de cada entidad aislados, sin mezclarse con los de otras, sin usarse para entrenar modelos de terceros, y con una IA que responde solo con las políticas, los manuales y la cartera de esa entidad, para que no se invente respuestas. Varios lo pusieron como condición para seguir hablando, la privacidad ya no es un diferenciador, es el boleto de entrada.
La siguiente pregunta casi siempre es «¿y esto se lo puedo mostrar al regulador?». Las entidades no quieren un número que nadie entiende, quieren una «caja de cristal»: para cada solicitud, los factores que pesaron a favor y en contra, la regla de la política que se aplicó y un registro que se pueda auditar. Una fintech pidió además dejar por fuera variables sensibles, como el género, aunque mejoraran el modelo, y me pareció exactamente la actitud correcta.
En las demos esto es lo que más genera confianza, más que cualquier indicador estadístico: ver la ruta completa de la decisión, desde los datos hasta la política que la sustenta, y un informe para el comité escrito en lenguaje de negocio, sin tecnicismos.
Varias entidades llegaron con la misma cuenta pendiente: pagan la consulta al buró de todos los solicitantes, pero esa consulta solo se recupera cuando el crédito se aprueba. En los rechazados es plata perdida. Y el cliente que se rechaza de entrada, muchas veces, era un buen cliente al que había que prestarle distinto.
Por eso lo que más «clic» hace en las conversaciones no es aprobar más o rechazar más, es tener algo entre el sí y el no: menos monto, menos plazo, un codeudor, una aprobación condicionada, y un precio según el riesgo en lugar de una tasa única en la que el buen cliente termina pagando por el malo. También ayuda ordenar las consultas: primero filtrar con lo que la entidad ya sabe y consultar el buró completo solo a quien tiene opción real de aprobación. Cómo fijar esos límites lo explico en cómo elegir el punto de corte de un score.
Más de una entidad ya había intentado tener modelos, y salió mal: proyectos que costaron, que nunca se usaron o que terminaron con pérdidas, y la entidad volvió a sus reglas duras de siempre. Otras tuvieron un proveedor que les bajó el soporte justo cuando crecieron. Con esa historia, nadie quiere firmar sobre una promesa.
Lo que funciona, y es como arrancaron las entidades que hoy están en producción, es ir por pasos:
Tres temas crecieron mes a mes en estas conversaciones:
Y una constante en todos los países: los fondeadores y los supervisores piden cada vez más, no solo la mora a 30, 60 y 90 días, también cosechas, mora en el primer pago y expedientes validados.
| Si en tu entidad… | Primer paso |
|---|---|
| La política vive en hojas de cálculo y en una o dos personas | Escribirla como reglas en un motor de decisión y conectar el buró |
| El score del buró no distingue a tus buenos clientes | Un score entrenado con tu cartera y tu definición de mora |
| Rechazas mucho y pagas consultas que no recuperas | Condiciones por perfil y consultas por etapas |
| Ya tuviste un proyecto de modelos que no funcionó | Prueba sobre tu historia y marcha blanca antes de automatizar |
| La junta o el fondeador piden más indicadores | Cosechas, roll rates y tableros en vivo, sin armar informes a mano |
La confianza, más que la tecnología: miedo por la seguridad de los datos, modelos que no se pueden explicar al comité o al supervisor, procesos que dependen de hojas de cálculo y de pocas personas, y malas experiencias con proyectos anteriores.
No. Le quita el trabajo repetitivo (transcribir, consultar, armar informes) y resuelve los casos claros, y deja al analista y al comité la zona gris, donde su criterio vale más. Lo recomendable es arrancar en marcha blanca, con el analista revisando cada recomendación.
Sí, si es una IA privada: los datos de la entidad aislados de los de otras, sin usarse para entrenar modelos de terceros, con trazabilidad de cada decisión y respondiendo solo con la información de la propia entidad.
Sí, pero cambia el punto de partida: se empieza por la política escrita como reglas y por datos alternativos, se define la mora según el negocio (por ejemplo, 15 o 30 días en microcrédito) y el modelo mejora a medida que se acumulan cosechas, incluidas las de los rechazados.
Para seguir: Cómo elegir una IA de crédito: 8 criterios, en la Guía de IA de crédito.
¿Lo vemos con los datos de tu entidad? Agenda una demo.
Por Oscar Gutiérrez M., CEO y fundador de Akaike Credit Risk Solutions · 14 de noviembre de 2026 · 7 min de lectura
El punto de corte de un score se elige comparando, perfil por perfil, la tasa de malos esperada con la tasa de malos que la entidad puede aguantar sin perder plata, que sale de dividir la ganancia de un crédito bueno entre la suma de esa ganancia y la pérdida de un crédito malo. Se aprueban los perfiles que quedan por debajo de ese punto de equilibrio, los que quedan cerca se aprueban con condiciones (menos monto, menos plazo o codeudor) y los que quedan por encima se niegan. Después se vigila con cosechas, porque el corte que sirvió hace seis meses puede no servir hoy.
Cuando una entidad estrena un score, la primera pregunta del comité casi siempre es la misma: ¿desde qué puntaje aprobamos? Y la tentación es contestarla con estadística pura, buscando el punto donde el modelo «separa mejor», cuando en realidad el punto de corte es una decisión de negocio, porque define a la vez cuántos créditos se colocan y cuánta mora se va a tener.
Si el corte queda muy arriba, la mora se ve espectacular, pero la entidad deja de prestarle a muchas personas que sí iban a pagar y la colocación se cae. Si queda muy abajo, se crece rápido durante unos meses, hasta que llegan las cosechas malas. El trabajo es encontrar el punto donde cada crédito adicional todavía deja más de lo que cuesta.
Lo primero es ponerse de acuerdo en qué es un crédito malo. Una definición común es «llegó a más de 60 días de mora en los primeros 12 meses», pero cada entidad la ajusta a su producto: en un microcrédito semanal el horizonte es más corto, en una libranza a 60 meses puede ser más largo. Lo importante es que la definición sea la misma con la que se entrenó y se valida el score.
Con esa definición se arma la tabla que manda en toda la discusión: para cada perfil de riesgo, qué parte de las solicitudes cae ahí y qué tasa de malos se espera. Esta tabla sale de validar el modelo con créditos que ya tienen resultado conocido y que el modelo no vio al entrenarse.
| Perfil | % de solicitudes | Tasa de malos esperada | Aprobación acumulada | Malos acumulados |
|---|---|---|---|---|
| PR-1 | 25 % | 2 % | 25 % | 2,0 % |
| PR-2 | 25 % | 4 % | 50 % | 3,0 % |
| PR-3 | 20 % | 8 % | 70 % | 4,4 % |
| PR-4 | 15 % | 15 % | 85 % | 6,3 % |
| PR-5 | 15 % | 30 % | 100 % | 9,9 % |
Cifras ilustrativas. La columna de malos acumulados es el promedio ponderado de los perfiles aprobados: si se aprueba de PR-1 a PR-3, la tasa de malos de la cartera nueva sería (25×2 + 25×4 + 20×8) / 70 = 4,4 %.
Fíjate que el problema no se ve en la última columna: pasar de aprobar el 70 % al 85 % sube la mora de 4,4 % a 6,3 %, lo que parece razonable, pero el 15 % que entra tiene una tasa de malos de 15 %. Por eso la decisión se toma mirando la tasa de cada perfil (la marginal) y no solo el promedio.
Un crédito bueno deja una ganancia (intereses y comisiones menos costo de fondeo y de operación) y un crédito malo deja una pérdida (lo que no se recupera después de la cobranza y las garantías). Con esas dos cifras sale el punto de equilibrio:
Tasa de malos de equilibrio = G / (G + P)
donde G es la ganancia esperada de un crédito bueno y P la pérdida esperada de un crédito malo, los dos en pesos y por crédito promedio.
Ejemplo ilustrativo: si un crédito bueno deja $600.000 y uno malo hace perder $4.000.000, la tasa de equilibrio es 600.000 / 4.600.000 = 13 %. Un perfil con 8 % de malos deja plata; uno con 15 %, la pierde.
La pérdida P no es el monto prestado: es lo que queda después de la recuperación. Ahí entra la pérdida dado el incumplimiento, y por eso una garantía, un codeudor o una libranza cambian el cálculo aunque el perfil sea el mismo. Para llevarlo a toda la cartera se usa la pérdida esperada (PD × EAD × LGD).
Con la tabla del paso 2 y la tasa de equilibrio del paso 3, la decisión se arma sola:
Un corte no tiene que ser una sola línea. Lo más sano es que cada perfil tenga su propia tasa, monto y plazo, dentro de los límites legales, y que el corte duro quede solo donde ninguna condición alcanza a compensar el riesgo.
Hay una trampa que vale la pena nombrar: la entidad solo sabe cómo pagaron los créditos que aprobó. De los que negó no sabe nada, y si el score se valida solo con los aprobados, puede verse mejor de lo que es. Hay técnicas para corregirlo, pero la más honesta es aprobar de forma controlada un grupo pequeño de solicitudes justo debajo del corte, con montos bajos, para medir cómo pagan de verdad. Es un costo pequeño que evita decidir a ciegas.
Lo mismo pasa al mover el corte hacia abajo: las personas que entran por primera vez no se comportan como el promedio de su perfil en la historia, porque antes nunca se les había prestado. Por eso cualquier cambio de corte se hace por etapas.
El corte no se fija una vez y se olvida. Cambian los clientes, el canal, la tasa de usura y la economía, y el perfil PR-3 de hoy puede no comportarse como el PR-3 de hace un año. La forma de verlo a tiempo es seguir las cosechas: la mora de los créditos de cada mes a la misma edad. Si las cosechas nuevas de un perfil empiezan a pasar su tasa esperada, toca revisar el corte o las condiciones de ese perfil antes de que el indicador de cartera vencida lo muestre.
También conviene revisar cada trimestre que el modelo siga separando bien (indicadores como el Gini o el KS) y reentrenarlo cuando pierda fuerza.
En M.A.T.I.A.S. Credit Score cada solicitante queda en un perfil del PR-1 al PR-5, y la entidad elige el corte con un simulador que muestra, antes de decidir, cuánto cambian la aprobación, la mora esperada y la colocación. Las condiciones por perfil (monto, tasa, plazo, codeudor) se configuran en la política de Flows, y las cosechas se siguen en Data BI. La idea es que la discusión del comité se haga con cifras y no con intuición.
Por lo menos cada trimestre, mirando las cosechas de cada perfil, y siempre que cambie algo importante: un canal nuevo, un cambio de tasa, un producto distinto o un deterioro de la economía.
El mismo método sirve con el puntaje de un buró o con reglas de política: se agrupan las solicitudes en rangos, se mide la tasa de malos de cada rango y se compara con la tasa de equilibrio. Un score entrenado con la cartera de la entidad suele separar mejor, y por eso el corte rinde más.
Debe serlo. La ganancia de un crédito bueno y la pérdida de uno malo cambian con el monto, el plazo, la tasa y la garantía, y por eso cada producto tiene su propia tasa de equilibrio.
Para seguir: Score de crédito a la medida, en la Guía de IA de crédito.
¿Lo vemos con los datos de tu entidad? Agenda una demo.
Por Oscar Gutiérrez M., CEO y fundador de Akaike Credit Risk Solutions · 14 de noviembre de 2026 · 5 min de lectura
Las cosechas agrupan los créditos por el mes en que se desembolsaron y comparan su mora a la misma edad, por ejemplo a los 3, 6 y 12 meses, y los roll rates miden qué parte de la cartera pasa cada mes de un tramo de mora al siguiente. Juntas muestran el deterioro meses antes que el indicador de cartera vencida, que se ve bien mientras la cartera crece porque los créditos nuevos todavía no han tenido tiempo de caer en mora.
El indicador de cartera vencida divide la cartera en mora entre la cartera total. Es útil, es el que mira el supervisor y es el que sale en todos los informes, pero tiene un problema: cuando la entidad crece rápido, el denominador se llena de créditos recién desembolsados que todavía no han tenido tiempo de atrasarse, y la mora baja aunque los créditos nuevos sean peores que los de antes.
Por eso es común ver entidades con la mora en su mejor nivel en el mismo trimestre en que están colocando sus peores créditos. El golpe llega seis o nueve meses después, cuando el crecimiento se frena y esos créditos maduran. Las cosechas y los roll rates sirven precisamente para no tener que esperar ese momento.
Una cosecha es el grupo de créditos desembolsados en un mismo periodo, normalmente un mes. La regla de oro es comparar cosechas a la misma edad (meses en libros), nunca en la misma fecha calendario, porque un crédito de hace un año y uno de hace tres meses no son comparables.
| Cosecha | Mora +30 a 3 meses | a 6 meses | a 9 meses | a 12 meses |
|---|---|---|---|---|
| Enero | 1,2 % | 3,0 % | 4,1 % | 4,8 % |
| Febrero | 1,1 % | 2,9 % | 4,0 % | 4,6 % |
| Marzo | 1,3 % | 3,1 % | 4,3 % | — |
| Abril | 2,0 % | 4,6 % | — | — |
| Mayo | 2,2 % | — | — | — |
Cifras ilustrativas: porcentaje del monto desembolsado de cada cosecha que está en más de 30 días de mora cuando la cosecha cumple 3, 6, 9 y 12 meses.
Leída por columnas, la tabla cuenta una historia clara: enero, febrero y marzo se comportan parecido, y a partir de abril algo cambió. A los 3 meses, abril ya tiene casi el doble de mora que las anteriores, y mayo lo confirma. Eso se ve en junio o julio, mientras que en el indicador de cartera vencida todavía no se nota nada, porque esas cosechas pesan poco frente al resto de la cartera.
El paso siguiente es preguntar qué pasó en abril: un canal nuevo, una campaña, un cambio en la política, un ajuste del punto de corte, una región. Abrir la cosecha por esas variables casi siempre muestra el origen.
Las cosechas miran hacia atrás, al origen de los créditos. Los roll rates miran hacia adelante: de toda la cartera que este mes está en un tramo de mora, qué parte pasa al tramo siguiente el mes que viene.
| Del tramo | Al tramo | Roll rate mensual |
|---|---|---|
| Al día | 1 a 30 días | 4 % |
| 1 a 30 días | 31 a 60 días | 35 % |
| 31 a 60 días | 61 a 90 días | 55 % |
| 61 a 90 días | Más de 90 días | 70 % |
Cifras ilustrativas.
Multiplicando las tasas se estima qué parte de la cartera al día terminará en más de 90 días: 4 % × 35 % × 55 % × 70 % ≈ 0,54 % cada mes. Si esa cifra sube de un mes a otro, la mora de dentro de tres meses ya viene en camino, aunque hoy no se vea.
Los roll rates también dicen dónde rinde más la cobranza. En el ejemplo, de cada 100 pesos que llegan a 1–30 días, 65 se recuperan o vuelven al día; a partir de 31–60 días la mayoría ya sigue de largo. Por eso el esfuerzo de cobranza temprana, en los primeros días de atraso, suele ser el que más devuelve.
Las cosechas son la mejor prueba de que una decisión de crédito funcionó. Si se movió el punto de corte, si entró un canal o si se cambió una regla de la política, la cosecha de ese mes es la que dice si salió bien, y abriéndola por perfil de riesgo se ve si cada perfil se comporta como el modelo esperaba. Es la forma más directa de cerrar el ciclo entre lo que se decide en la originación y lo que pasa en la cartera.
En M.A.T.I.A.S. Data BI las cosechas, los roll rates y la mora por tramo salen de la misma cartera de la entidad, con aperturas por producto, canal y perfil de riesgo, y se les puede preguntar en lenguaje natural, por ejemplo «¿qué canal explica que la cosecha de abril venga peor?». Como el perfil con el que se aprobó cada crédito queda guardado, también se puede comparar lo que el score esperaba con lo que la cartera está haciendo.
Cada mes, al cierre. Lo que más importa es la mora temprana de las cosechas recientes (a los 3 y 6 meses), porque es la primera señal de que algo cambió.
Depende del producto. Más de 30 días sirve como alerta temprana y más de 60 o 90 días se acerca más a la pérdida. Lo importante es elegir uno y mantenerlo.
Ayudan a proyectar cuánta cartera llegará a tramos altos de mora, lo que sirve para anticipar el gasto en provisiones y planear la cobranza. Las provisiones regulatorias siguen las reglas de cada supervisor.
Para seguir: Glosario de riesgo de crédito, en la Guía de IA de crédito.
¿Lo vemos con los datos de tu entidad? Agenda una demo.
Consulta y gestiona el scoring de tu cartera en tiempo real desde el panel seguro de M.A.T.I.A.S.
Acceder al panel Acceso seguro · solo clientesAgenda una conversación con Akaike y revisemos cómo M.A.T.I.A.S. puede mejorar la originación, reducir NPL y automatizar decisiones en tu entidad.
Validar con un experto · Te mostramos el cálculo con tus datos reales.
