Cobranza de cartera en funerarias: priorizar con IA y MCP por valor esperado, no por días de mora

En un grupo funerario que vende previsión exequial, la cartera es el activo que sostiene todo lo demás. Y la cobranza de esa cartera casi nunca falla por falta de esfuerzo: los cobradores salen todos los días, el call center marca, los recordatorios se envían. Falla porque el esfuerzo se reparte mal. La cola de gestión del día sale ordenada por días de atraso o por saldo vencido —los dos criterios más intuitivos y, según la evidencia disponible, dos de los que peor predicen quién va a pagar—, y el resultado es una operación que gasta la misma energía en un contrato que se curaba con un mensaje que en uno que ya no contesta hace ocho meses.

Este es el cuarto caso de uso concreto de nuestra serie sobre IA y MCP aplicados al ERP funerario, y probablemente el más incómodo de escribir, porque es donde más humo circula. Casi todo lo que se publica sobre “cobranza con inteligencia artificial” son rangos redondos —“30 % a 50 % más de recuperación”— sin muestra, sin período y sin grupo de control. Aquí vamos por el camino contrario: solo evidencia que se puede abrir y verificar, y una separación explícita entre lo que el software hace hoy y lo que es hoja de ruta. Si buscas el marco operativo previo —edades de mora, recaudo en campo, conciliación, KPIs—, está en la guía de gestión de cartera y cobranza a escala. Este artículo asume ese marco y se ocupa de una sola decisión: a quién gestionar hoy.

1. El problema de negocio y cuánto cuesta hoy

Toma la operación típica de un grupo funerario mediano-grande de Latinoamérica: entre 30.000 y 120.000 contratos de previsión vigentes, varias sedes, una zona de cobro por barrio o municipio, cobradores en calle con ruta diaria, un equipo de oficina que llama y una cartera de fondo de mantenimiento de cementerio encima. Cada mañana alguien tiene que decidir qué contratos entran en la ruta y cuáles se llaman. Esa decisión se toma casi siempre con una de tres reglas:

• Por antigüedad de la mora: primero los que más días llevan vencidos. Es la más común y la más contraintuitiva de todas, porque ordena la cola exactamente al revés de la probabilidad de recuperar.
• Por saldo: primero los que más deben. Suena a “ir por el dinero grande”, pero un saldo grande casi siempre significa mora larga, que es donde menos se recupera.
• Por zona geográfica: lo que le queda cerca al cobrador. Es eficiente en kilómetros y ciega en resultado.

El costo de esa decisión mal tomada no aparece en ningún estado financiero, porque es un costo de oportunidad: es la cuota que se hubiera recuperado con una gestión oportuna y que en cambio se dejó rodar dos tramos de mora. En una operación con 60.000 contratos y una cuota mensual promedio equivalente a diez dólares, cada punto porcentual de mora que rueda de un tramo al siguiente son miles de dólares mensuales que se convierten, en pocos meses, en provisión de cartera de difícil cobro y luego en contratos retirados. Y hay un segundo costo, este sí visible: el costo de la gestión misma. Cada visita de cobrador, cada llamada y cada mensaje tienen un precio; repartirlos mal es el error más caro y menos discutido de la operación.

La evidencia externa sobre este punto es contundente y viene de un lugar poco sospechoso: la investigación de cobranza en banca y microcrédito, donde sí se hacen experimentos con asignación aleatoria. Vale la pena leerla antes de comprar cualquier tecnología.

2. Qué datos del ERP intervienen (y cuáles están contaminados)

La buena noticia es que este caso de uso no necesita datos nuevos: necesita leer bien los que ya existen. En un ERP funerario integral, los insumos están repartidos en cuatro capas, y la calidad de cada una es muy distinta.

Capa 1 — El estado de la cartera (dato duro y confiable)

Es la capa que todo el mundo ya usa. En SFUN vive sobre el contrato de previsión: días de atraso, saldo en mora, fecha de cobertura, estado del contrato, valor de la cuota, periodicidad, plan, zona de cobro, sede, compañía y asesor que vendió. Los días de atraso se recalculan todos los días sobre la tabla completa, no solo cuando alguien abre el contrato. Los tramos de mora —el aging— no vienen inventados de fábrica: se configuran por compañía, y si una compañía no los configuró, la consola de cartera lo dice en lugar de fabricar un “0-30 / 30-60” genérico que después nadie sabe de dónde salió.

Capa 2 — El comportamiento de pago (el dato que casi nadie usa)

Aquí está el oro. No es cuánto debe el contrato: es cómo se ha comportado. Cuántas veces cayó en mora y se curó sola. Cuántas veces se curó solo después de una gestión. Por qué canal pagó cada vez —cobrador en campo, red de recaudo, pasarela, débito automático, referencia bancaria—. En qué día del mes paga cuando paga. Cuánto tarda entre la gestión y el pago. Un trabajo de investigación de IBM sobre predicción de pago de facturas en una banca multinacional, con clientes latinoamericanos, describía exactamente el problema que tiene hoy cualquier funeraria: la lista diaria del cobrador ordenaba por deuda e ignoraba el comportamiento de pago, que “vivía en la cabeza de cada cobrador”. Su prototipo alcanzó 77 % de exactitud — una cifra honesta, muy lejos del 99 % que promete el marketing, y suficiente para reordenar una cola.

Capa 3 — El resultado de la gestión (dato existente y probablemente sucio)

Cada visita del cobrador que no termina en pago deja un registro de reprogramación con un motivo tomado de un catálogo editable por la empresa —“no se encuentra”, “no tiene dinero”, “pasa a oficina”, “cambio de dirección”, “se deja mensaje al titular”—, un detalle en texto libre y, cuando el cobrador la registra en el momento, la geolocalización. Sobre el papel es el mejor insumo del caso de uso. En la práctica, casi siempre está contaminado, y conviene saberlo antes de modelar nada.

Capa 4 — El texto libre (el activo predictivo escondido)

Las anotaciones de cartera, el detalle de las reprogramaciones y las conversaciones de WhatsApp con la familia contienen lo que ningún campo estructurado captura: “falleció el titular y la hija no sabía del plan”, “se quedó sin trabajo”, “prometió pagar el 15 cuando le paguen la quincena”, “dice que ya pagó en la sede”. El experimento holandés que citamos arriba encontró que la señal predictiva venía justamente de ese texto libre, agrupada en tres familias: dificultad financiera, intención de pago y consecuencias del no pago. Y encontró algo más interesante: ante una señal explícita de intención de pago, el gestor humano reaccionaba nueve veces menos que el algoritmo. Es decir, la información estaba escrita, delante de sus ojos, y no la estaba usando.

Este es el punto donde un modelo de lenguaje aporta valor real y con riesgo bajo: estructurar texto libre. No hablar con la familia, no negociar, no prometer. Leer lo que ya está escrito y convertirlo en campos: ¿hay una promesa de pago y para qué fecha?, ¿hay una señal de dificultad económica?, ¿hay una disputa sobre un pago ya hecho?, ¿el titular falleció?, ¿el número de contacto está equivocado? En SFUN, además, el canal de WhatsApp deja las conversaciones enlazadas al contrato del cliente, así que el mismo análisis que aplicamos al diagnóstico de la atención sirve para leer la cartera.

3. Cómo se arma el caso con MCP, paso a paso

MCP —el protocolo que permite conectar una inteligencia artificial directamente al ERP— entra aquí de una forma muy concreta y bastante menos glamorosa de lo que suena: baja el costo de preguntarle a la cartera, y baja el costo de convertir la respuesta en algo que el equipo use todos los días. Estos son los cinco pasos, en orden, con lo que cada uno exige de verdad.

Paso 1 — Establece la línea base antes de tocar nada

Durante dos semanas no cambias nada de la operación: solo mides. Con el agente conectado por MCP se consultan los reportes de cartera y recaudo que ya existen en el sistema y se responde, con números y no con impresiones, a cinco preguntas: cuánto se recuperó por tramo de mora, cuántas gestiones costó cada recuperación, qué proporción de la mora temprana se curó sola sin ninguna gestión, qué porcentaje de contratos rodó de un tramo al siguiente y cuál es la tasa real de contacto efectivo por canal. Ese es tu punto de partida. Sin él, cualquier mejora posterior es una anécdota.

Paso 2 — Estructura el texto libre y limpia el motivo de no pago

El agente lee las anotaciones y los detalles de gestión de un período acotado —un trimestre basta— y propone una taxonomía derivada de los datos, no inventada en una sala de juntas: qué motivos reales aparecen, con qué frecuencia, y cuáles de los motivos del catálogo actual no se usan nunca o se usan siempre. De ahí salen dos entregables: una propuesta de catálogo corregido para la captura en campo, y un conjunto de señales estructuradas por contrato (promesa de pago con fecha, dificultad financiera, disputa de pago, titular fallecido, contacto errado). Este paso es el que más valor genera y el que más rápido se subestima.

Paso 3 — Construye el orden de la cola y compáralo contra el actual

Aquí es donde hay que ser explícito sobre el estado del producto. Hoy la consola de cartera de SFUN ordena la cola de gestión por días de atraso descendente. Es un criterio de ordenamiento, no un modelo: cumple su función —una cola que no prioriza es una lista, y el gestor la ignora—, pero es exactamente el criterio que la evidencia señala como subóptimo. Un modelo de propensión de pago dentro del producto es hoja de ruta, no una función disponible: no hay motor de scoring, ni predicción de recaudo, ni segmentación por probabilidad en el sistema.

Lo que sí se puede hacer hoy, y es lo que recomendamos hacer primero, es construir el criterio por fuera del motor transaccional y validarlo contra la realidad antes de pedir que se vuelva producto: se define una regla de prioridad basada en comportamiento —histórico de curación, canal de pago habitual, señal de promesa reciente, tramo de mora, valor de la cuota— y se compara, cohorte contra cohorte, con el orden actual. Con MCP eso es un análisis reproducible sobre datos reales, no una hoja de cálculo que alguien armó una vez. Y la comparación tiene que ser honesta: mismo período, mismo equipo, mismas zonas, un grupo con la cola nueva y un grupo con la cola vieja. Es el diseño que en banca se llama campeón contra retador y es la única forma de saber si mejoraste o si simplemente cambió el mes.

Paso 4 — Convierte el análisis en un entregable vivo, no en un chat

Un análisis que muere en una conversación no cambia la operación. El resultado del paso anterior tiene que quedar como reporte guardado y tablero publicado, con permisos por equipo y versión reversible: el gerente de cartera abre el mismo tablero cada mañana, el jefe de zona ve solo su zona, y si una definición cambia queda registrado quién la cambió y cuándo. Esa capacidad —crear, versionar, publicar y compartir un tablero desde el propio agente— sí existe hoy y es la que convierte este caso de uso en rutina en lugar de en un ejercicio trimestral. Es el mismo principio que aplicamos al cuadro de mando del grupo: las cifras que van al comité salen de reportes certificados, no de consultas improvisadas.

Paso 5 — Ejecuta con lo que ya existe: recordatorios, canales de pago y campo

La priorización solo sirve si se traduce en acción, y aquí el ERP ya tiene las piezas montadas. Los recordatorios programados se disparan por días antes o después de una fecha del contrato, con condición propia y hora de envío controlada, sobre plantillas aprobadas de WhatsApp Business, con cola durable y reintentos escalonados si la entrega falla. La facilidad de pago está en pasarela con tokenización y débito automático con reintentos, en referencias de recaudo bancario, en la red de puntos de recaudo mediante importadores de pagos, y en el cobro móvil con trazabilidad y geolocalización para la gestión en calle. El agente no cobra: ordena la cola, prepara el mensaje y deja el pago a un clic.

4. El bucle de mejora continua

Igual que el chatbot que mejora todos los días, este caso de uso no es un proyecto que termina: es una rutina. La cadencia que funciona tiene tres ritmos distintos.

El punto del bucle no es la reunión: es que cada semana se corrige una hipótesis con un dato. Si la regla nueva de prioridad no está batiendo al orden por días de atraso después de seis semanas, se descarta y se prueba otra. El error más común es enamorarse de la regla y salir a defenderla en el comité en vez de dejar que el grupo de control decida.

5. Gobierno y límites: hasta dónde puede llegar el agente

Esta es la sección que más conviene leer al comité, porque la cobranza es el proceso de una funeraria donde una automatización mal gobernada hace daño más rápido: toca dinero, toca familias en duelo y toca normas de protección al consumidor con sanciones reales. Hay tres límites, y ninguno es opinable.

Límite 1 — El agente propone; una persona autoriza

La evidencia sobre autonomía de agentes en tareas con reglas de dominio es consistente y poco halagüeña. En el benchmark τ-bench, agentes punteros resuelven menos del 50 % de las tareas con política de dominio, y al repetir la misma tarea ocho veces la resuelven bien las ocho veces en menos del 25 % de los casos. Un sistema que acierta la política una de cada cuatro veces al repetirla no puede autorizar un acuerdo de pago ni una condonación. La propia especificación de MCP lo establece como principio: debe haber siempre una persona en el circuito con capacidad de denegar la invocación de una herramienta.

En SFUN esto no depende de la buena voluntad de quien configura: la auditoría del servidor MCP dejó deshabilitadas las funciones que ejecutan cobros —configurar el débito automático, ejecutar un cargo sobre un contrato, ejecutar cargos por lote, cancelar la domiciliación—, junto con casi setecientas funciones más clasificadas como de riesgo alto o crítico. El agente puede leer la cartera, analizarla, construir el tablero y preparar la comunicación. No puede mover el dinero. Y las cinco operaciones que sí modifican un contrato en mora —actualización de vigencias, plazo adicional, ajuste al valor, ajuste negativo y condonación— se ejecutan desde la consola con el permiso real del usuario y quedan registradas.

Límite 2 — Las reglas legales son restricciones, no filtros posteriores

Hay un patrón de diseño que viene de un caso clásico de cobranza fiscal —el sistema que IBM construyó para el departamento de impuestos del estado de Nueva York— y que sigue siendo la mejor respuesta al problema: unas trescientas reglas de negocio y legales se convirtieron en un vector de acciones permitidas por caso y por fecha, dentro del cual el optimizador podía elegir. No se le dejaba proponer un contacto y después se filtraba: una acción prohibida ni siquiera podía formar parte del espacio de decisión. Entre esas reglas había una especialmente pertinente para nosotros: no contactar por correo a quien tiene una promesa de pago activa de 30 días.

En Latinoamérica ese espacio de acciones permitidas cambia país por país —a veces radicalmente—, y quien opera un grupo multipaís necesita parametrizarlo por país, nunca de forma global:

• Chile es el que fija los números más duros. La Ley 21.320, que reescribió el artículo 37 de la Ley del Consumidor, establece que no se cumplen los principios de proporcionalidad y razonabilidad cuando se hace más de un contacto telefónico o visita por semana, ni cuando se realizan más de dos gestiones semanales por otros medios —mensajes, correo, aplicaciones de mensajería— que además deben estar separadas por al menos dos días. En la práctica: un techo de tres contactos por semana. Y exige registrar y conservar el tipo y la frecuencia de cada gestión por deudor durante al menos dos años: la trazabilidad es obligación legal, no buena práctica.
• Perú prohíbe la franja, no la frecuencia. El Código de Protección y Defensa del Consumidor prohíbe expresamente, en su artículo 62, las visitas o llamadas entre las 20:00 y las 07:00 horas, y los sábados, domingos y feriados, así como comunicar la morosidad a terceros ajenos a la obligación. El INDECOPI sancionó en 2025 a un banco por llamadas reiteradas de recordatorio hechas antes del vencimiento de la cuota, cuando no había mora alguna. Es el precedente que más debería mirar quien esté por activar recordatorios masivos.
• Colombia: la Ley 2300 de 2023 regula franjas horarias, canales autorizados y frecuencia una vez logrado el contacto directo con el deudor.
• México: la CONDUSEF mantiene el registro de despachos de cobranza (REDECO) y publica las prácticas de cobranza extrajudicial prohibidas, incluidos horarios y trato al deudor.
• Argentina no fija horarios ni topes, y esa ausencia no significa permiso: el artículo 8 bis de la Ley 24.240 obliga a abstenerse de conductas vergonzantes, vejatorias o intimidatorias, extiende la responsabilidad solidariamente a quien cobre en nombre del proveedor y habilita el daño punitivo. El control es por estándar abierto y caso por caso, que para un sistema automatizado es más difícil de parametrizar, no más fácil.
• Referencia de estándar cuantitativo: en Estados Unidos, la Regulación F del CFPB fija un umbral explícito —no más de siete llamadas en siete días consecutivos, ni contacto telefónico dentro de los siete días posteriores a una conversación efectiva—. No aplica en la región, pero es el modelo mental correcto: un presupuesto de contactos por deudor y por semana.

El riesgo específico de la cobranza funeraria: contactar a quien no debe

Hay un patrón que la cobranza de previsión exequial reproduce casi por diseño y que la autoridad colombiana de protección de datos ha sancionado de forma reiterada: usar los datos de un tercero para cobrarle a otro. En un contrato de previsión hay referencias personales, hay beneficiarios, hay un titular que a veces falleció y una familia que hereda el plan, y hay teléfonos que cambian de dueño. Cada uno de esos es un tercero cuyos datos no fueron autorizados para gestión de cobro.

La línea de decisiones de la Superintendencia de Industria y Comercio es explícita en los cuatro escenarios: sancionó a un banco con más de 351 millones de pesos por cobrarle a una persona que había sido incluida como referencia en una solicitud de crédito y nunca autorizó ese uso; sancionó a una empresa de cobranza con más de 569 millones por recolectar información de LinkedIn y del sitio web del lugar de trabajo del titular para enviarle correos de cobro; sancionó a un operador de telecomunicaciones por seguir enviando mensajes de cobranza a un número después de que su dueño informó que no era el deudor; y abrió proceso contra una financiera por remitir comunicaciones al empleador de la deudora revelando su condición de morosa. Ninguno de esos cuatro casos requiere inteligencia artificial para ocurrir; todos se vuelven mucho más rápidos y masivos con ella.

Límite 3 — Lo que el agente dice, obliga a la empresa

En 2024, un tribunal canadiense resolvió un caso que debería ser lectura obligatoria en este sector: una aerolínea sostuvo que no respondía por lo que su chatbot le había dicho a un cliente, y el tribunal rechazó que el chatbot fuera una entidad separada, condenando a la compañía. El caso trataba, con una ironía difícil de superar, sobre tarifas por duelo. La lección es directa: si tu agente le promete a una familia una condonación, un descuento o una fecha que no existe, el grupo queda obligado. Todo lo que el agente ofrezca tiene que salir de una tabla de políticas del sistema, nunca de la generación libre del modelo.

¿Y por qué no poner al agente a negociar directamente?

Porque es la parte del caso de uso donde la evidencia es más clara y más incómoda para quien vende agentes de voz. Un estudio de investigadores de Yale, Tsinghua y Shanghai Jiao Tong midió exactamente esto sobre la operación real de un prestamista de consumo con unos diez millones de usuarios activos: más de veintidós millones de casos de mora, con un diseño de discontinuidad en la regresión y además un experimento aleatorizado. El resultado: los agentes de IA consiguen que la gente pague sustancialmente menos que los cobradores humanos. La brecha alcanza su máximo alrededor del mes de vencida la deuda —11 puntos porcentuales menos de valor presente recuperado— y sigue en torno a 7 puntos un año después. Los autores agregan la frase que debería cerrar cualquier discusión de comité: incluso descontando el costo salarial y suponiendo que la IA cuesta cero, usarla resultó menos rentable. Las mejoras sucesivas del software durante el período no cerraron la brecha, y esta era mayor justamente en los deudores de menor perfil crediticio.

Una segunda línea de investigación, con respaldo de una gran institución financiera asiática, llega al mismo lugar por otro camino: al poner modelos de lenguaje a negociar cobranza en un entorno controlado, los modelos ceden de más tanto en porcentaje de pago como en plazo, quedan por debajo de la línea base humana en el índice compuesto (0,789 el mejor modelo frente a 0,840 del humano) y tardan dos a tres veces más en recuperar el primer tramo de la deuda. Los propios autores advierten que su marco es exploratorio y sobre simulación.

El contrapunto viene de un despliegue sí real y a gran escala: un banco digital latinoamericano con más de cien millones de clientes publicó los resultados de cinco agentes en producción, uno de ellos dedicado a la regularización de deuda. Ese agente subió 40 puntos la satisfacción percibida del cliente y mantuvo la tasa de autoservicio. Pero dos matices cambian la lectura: es el agente que queda más lejos del desempeño humano de los cinco evaluados, con una brecha de 23,6 puntos, y el trabajo no publica ninguna métrica de recuperación de cartera —ni monto recuperado, ni tasa de acuerdo—. Mide satisfacción y automatización, no cobranza. Si alguien te cita ese caso como prueba de que “la IA ya cobra mejor”, está leyendo lo que no dice.

La conclusión operativa cabe en una frase para el comité: el agente ordena, analiza y redacta; el sistema transaccional aporta los montos; y ningún acuerdo de pago, condonación o refinanciación de un plan exequial se ejecuta sin confirmación humana registrada.

6. KPIs: qué medir, con línea base y meta

El cuadro de mando de cobranza de la mayoría de las funerarias tiene un solo indicador —el índice de mora— y ese indicador es engañoso: si la venta de planes está creciendo, la mora baja sola porque el denominador crece, aunque la cobranza esté empeorando. Estos son los indicadores que sí sirven, con las definiciones que usa la supervisión bancaria y que ningún auditor va a discutir.

7. Hoja de ruta de adopción

Semana 1 — Conectar y medir

1. Habilitar la conexión MCP con un usuario de solo lectura sobre cartera, contratos, recibos y gestiones. No hace falta más para todo el diagnóstico.
2. Auditar la calidad del dato antes que nada: concentración del motivo de no pago, porcentaje de contratos con teléfono válido, y proporción de gestiones sin ningún registro de resultado.
3. Levantar la línea base de los siete indicadores de la sección anterior sobre los últimos doce meses. Publicarla como reporte guardado, no como presentación.
4. Verificar que los tramos de mora estén configurados por compañía. Si no lo están, ese es el primer trabajo: sin tramos propios, todo el aging es un supuesto.

Mes 1 — Limpiar, estructurar y hacer lo barato

1. Rediseñar el catálogo de motivos de gestión con la taxonomía derivada de los datos y separar explícitamente “no contacté” de “contacté y no pagó”.
2. Activar recordatorios de cuota antes del vencimiento en un piloto de una o dos zonas, firmados por el asesor que vendió el plan, con un grupo de control que no los reciba. Es la palanca más barata y con mejor evidencia.
3. Estructurar el texto libre de gestión con el agente y empezar a registrar la promesa de pago como dato con fecha, aunque sea en un campo de anotación mientras no exista un documento propio.
4. Bajar la fricción de pago para la mora temprana: enlace de pago en el recordatorio, referencia de recaudo y débito automático ofrecido en la conversación.

Trimestre 1 — Reordenar la cola y probarlo en serio

1. Definir la regla de prioridad basada en comportamiento y ponerla a competir contra el orden actual por días de atraso, campeón contra retador, con zonas comparables y el mismo equipo.
2. Publicar el tablero de cobranza con permisos por rol, para que el jefe de zona vea su cola y la dirección vea el consolidado, ambos desde la misma definición.
3. Trasladar la mora tardía —más de 90 días— al criterio algorítmico y dejar la mora temprana en manos de quien tiene la relación. Es la frontera que sugiere la evidencia.
4. Llevar al comité el primer corte de recaudo sobre costo de gestión y de reincidencia tras alivio. Si el recaudo sube pero la reincidencia también, el resultado no es real.

Errores comunes que hacen fracasar el caso

• Empezar por el agente que habla. Es lo más vistoso y lo peor respaldado por la evidencia. El valor está en decidir a quién gestionar, no en automatizar la conversación con una familia en duelo.
• Modelar sobre datos contaminados. Si el motivo de no pago se rellena solo o el cobrador elige siempre la primera opción, cualquier modelo aprende el proceso administrativo, no el comportamiento del cliente.
• No dejar grupo de control. Sin él, cualquier mejora se puede explicar por la estacionalidad, por una campaña comercial o por el mes. Y cualquier empeoramiento se le echará a la IA.
• Confundir menos mora con mejor cobranza. Con la venta creciendo, el índice de mora baja solo. Y con plazo adicional generoso, baja todavía más rápido. Mide roll rate y reincidencia.
• Tratar el cumplimiento como un filtro final. Los límites de horario, canal y frecuencia van en la definición de qué acciones son posibles, no en una revisión posterior de lo que ya se envió.
• Comprar por el porcentaje del proveedor. Los rangos de “30 % a 50 % más de recuperación” no tienen fuente primaria. Pide muestra, período y grupo de control, o construye tu propia línea base y compárate contra ti mismo.
• Dejarlo en manos de una sola área. Si comercial no participa, la conversación se vuelve “cartera contra ventas”, y la mejor palanca de todas —vender con cuotas coherentes con la capacidad de pago de la familia— nunca se activa.

Preguntas frecuentes

¿La inteligencia artificial puede cobrar sola la cartera de una funeraria?

No, y hoy la evidencia dice que ni siquiera conviene intentarlo. El estudio más grande publicado sobre el tema —más de veintidós millones de casos de mora en un prestamista de consumo, con discontinuidad en la regresión y experimento aleatorizado— encontró que los cobradores de IA logran que la gente pague sustancialmente menos que los humanos: hasta 11 puntos porcentuales menos de valor recuperado alrededor del mes de mora, y unos 7 puntos menos un año después. Los autores concluyen que, aun suponiendo costo cero para la IA, usarla resultó menos rentable. A eso se suma que los agentes con reglas de dominio son inconsistentes: resuelven bien la misma tarea repetida ocho veces en menos de una cuarta parte de los casos. Lo que sí funciona, con evidencia causal limpia, es que la IA decida a quién gestionar: en un experimento aleatorizado de cobranza extrajudicial, la asignación algorítmica logró que pagara el 53,2 % frente al 43,1 % de la asignación humana, con menos llamadas por caso — y las llamadas las hacían personas en ambos grupos.

¿Cómo evalúo las cifras que me presenta un proveedor de cobranza con IA?

Con cuatro preguntas que casi ninguna cifra del sector resiste. ¿Comparado con qué? Sin grupo de control, una mejora es indistinguible de una cosecha de cartera mejor, del ciclo económico o de haber corrido el piloto sobre las cuentas más cobrables. ¿Cuál es el denominador? Un “90 % de conciliación automática” medido por línea de ítem, por remesa o por pago son tres números distintos, y los materiales comerciales usan esos términos como sinónimos. ¿“Hasta” cuánto o “en promedio” cuánto? “Hasta 25 %” es el techo del mejor cliente, no el resultado esperable. Y la más útil de todas: ¿ese número está en algún documento auditado? Hay proveedores del sector que cotizan en bolsa y cuyas cuentas auditadas no contienen ni una sola cifra de mejora de recaudo; esas cifras viven solo en la página de producto, donde no hay auditor. Un dato revelador: el único proveedor que sí publica muestra, grupo de control y ventana comparable muestra efectos de tres a cuatro puntos porcentuales mientras su titular anuncia “hasta 25 %”. Esa brecha es el tamaño de la exageración del sector.

¿Qué puede hacer hoy SFUN con MCP en cobranza y qué es hoja de ruta?

Hoy: leer y analizar la cartera completa con los permisos del usuario que autorizó la conexión, ejecutar los reportes de cartera, recaudo y pagos que ya existen, construir y publicar tableros versionados con permisos por equipo, estructurar el texto libre de las gestiones y las conversaciones de WhatsApp, y disparar recordatorios programados por días antes o después de una fecha del contrato sobre plantillas aprobadas. Hoja de ruta: un modelo de propensión de pago dentro del producto, la predicción de recaudo, la priorización automática por valor esperado —la cola hoy se ordena por días de atraso—, la clasificación automática del motivo de no pago, un documento propio de promesa de pago para el cobrador en campo, la conciliación bancaria automática contra extractos, el bloqueo por ventana horaria legal y el tope de frecuencia de contacto por persona. Lo decimos así de explícito a propósito: preferimos que el comité compre lo que existe.

¿Es legal usar inteligencia artificial para priorizar la cobranza en Latinoamérica?

Priorizar sí; contactar sin límites, no. Lo que la regulación regional restringe es el contacto, no el análisis: horarios permitidos, canales autorizados, frecuencia máxima y trato al deudor están regulados en Colombia por la Ley 2300 de 2023, en México por el marco de la CONDUSEF y el registro REDECO, en Chile por la Ley 21.320 sobre cobranza extrajudicial y en Perú por el Código de Protección y Defensa del Consumidor, con sanciones efectivas del INDECOPI por exceso de llamadas. A eso se suma el régimen de datos personales de cada país, que en el sector funerario es especialmente sensible porque se tratan datos de salud, causa de muerte y de los deudos. La regla práctica: modela esos límites como restricciones del sistema —qué acciones son posibles para cada contrato cada día—, no como una revisión posterior. Este contenido es general y no constituye asesoría legal: verifica con tus asesores la norma vigente en cada país donde operas.

¿Cuánto tarda en verse resultado?

Los recordatorios bien puestos muestran efecto en el primer ciclo de facturación: es una palanca con evidencia de entre 7 % y 9 % de mejora en pago puntual y unos dos días menos de atraso promedio. La limpieza del dato de gestión tarda entre cuatro y ocho semanas, porque implica cambiar la captura en campo y esperar a acumular datos nuevos. El reordenamiento de la cola necesita al menos un trimestre para poder compararse con honestidad contra el orden anterior, y los indicadores de deterioro —roll rate y reincidencia— necesitan seis meses para decir algo confiable. Cualquiera que te prometa resultados de cartera medibles en treinta días te está vendiendo la línea base, no la mejora.

¿Sirve esto también para el fondo de mantenimiento del cementerio?

Sirve, y en muchos grupos es donde hay más valor sin recoger, porque la cartera de conservación suele gestionarse con mucha menos disciplina que la de previsión. La lógica es idéntica —priorizar por comportamiento y no por antigüedad, recordar antes del vencimiento, bajar la fricción de pago—, con dos diferencias que hay que tener presentes: la periodicidad de cobro suele ser anual en lugar de mensual, lo que hace que el recordatorio previo pese mucho más y la gestión posterior mucho menos; y el vínculo con el titular es más débil, porque la relación se activa solo cuando hay una necesidad. Lo tratamos a fondo en la guía del fondo de mantenimiento de cementerios.

¿Qué pasa si el agente le promete algo a una familia que la empresa no puede cumplir?

La empresa responde. En 2024 un tribunal canadiense rechazó el argumento de que un chatbot fuera una entidad separada de la compañía y condenó a la aerolínea por la información que ese bot le había dado a un cliente —en un caso que, además, trataba sobre tarifas por duelo—. Por eso el diseño correcto no es “entrenar mejor al agente para que no prometa de más”, sino quitarle la capacidad de prometer: las condiciones de un acuerdo, los descuentos posibles y los plazos disponibles salen de una tabla de políticas del sistema, y cualquier excepción pasa por una persona con permiso para autorizarla y queda registrada con su nombre.

Referencias

• Q. Wang y Y. Zhou, “Artificial Intelligence and Debt Collection: Evidence from a Field Experiment” (2024) — experimento de campo con 7.839 deudores; el algoritmo elige a quién llamar y las llamadas las hacen personas en ambos grupos: papers.ssrn.com.
• J. Choi, Y. Huang, D. Yang y Y. Zhang, “Better than Human? Experiments with AI Debt Collectors” (Yale, Tsinghua y Shanghai Jiao Tong, 2024) — discontinuidad en la regresión más experimento aleatorizado sobre más de 22 millones de casos: los cobradores de IA recuperan sustancialmente menos que los humanos y resultan menos rentables incluso asumiendo costo cero: yale.edu.
• McKinsey & Company, “The promise of generative AI for credit customer assistance” (2024) — la cifra original: hasta 40 % de reducción de gastos operativos y alrededor de 10 % de mejora en recuperaciones, presentada como experiencia de los autores: mckinsey.com.
• T. Yang, T. Lu, B. Li y X. Lu, “Personalizing Debt Collections: Combining Reinforcement Learning and Field Experiment”, ICIS 2020: aisel.aisnet.org.
• N. Abe et al., “Optimizing Debt Collections Using Constrained Reinforcement Learning”, KDD ’10 — reglas legales como restricciones del optimizador: prem-melville.com.
• A. P. Appel et al., “Optimize Cash Collection: Use Machine Learning to Predicting Invoice Payment”, arXiv 1912.10828 (IBM Research): arxiv.org.
• X. Cadena y A. Schoar, “Remembering to Pay? Reminders vs. Financial Incentives for Loan Payments”, NBER WP 17020: nber.org.
• D. Karlan, M. Morten y J. Zinman, “A Personal Touch: Text Messaging for Loan Repayment”, NBER WP 17952: nber.org.
• X. Wang et al., “Debt Collection Negotiations with Large Language Models”, arXiv 2502.18228 — los modelos ceden más que el humano y recuperan más lento; marco exploratorio sobre simulación: arxiv.org.
• A. Gupta et al., “Building Customer Support AI Agents at 100M-User Scale: An Evaluation-Driven Framework”, arXiv 2606.08867 — incluye el agente de regularización de deuda y su brecha frente al desempeño humano: arxiv.org.
• S. Yao, N. Shinn, P. Razavi y K. Narasimhan, “τ-bench: A Benchmark for Tool-Agent-User Interaction in Real-World Domains”, arXiv 2406.12045: arxiv.org.
• Model Context Protocol — especificación de herramientas y prácticas de seguridad (persona en el circuito con capacidad de denegar la invocación): modelcontextprotocol.io.
• Office of the Comptroller of the Currency — Comptroller’s Handbook: Retail Lending, v2.0 (2021): definiciones de roll rate, análisis por cosecha, campeón/retador y advertencia sobre re-aging: occ.treas.gov.
• Colombia — Ley 2300 de 2023: funcionpublica.gov.co. México — CONDUSEF, cobranza extrajudicial y REDECO: condusef.gob.mx. Chile — SERNAC, Ley 21.320: sernac.cl. Perú — INDECOPI, sanción por exceso de llamadas de cobranza: gob.pe.
• CFPB — Regulación F, 12 CFR § 1006.14(b)(2), presunción sobre frecuencia de llamadas: consumerfinance.gov.
• Moffatt v. Air Canada, 2024 BCCRT 149 — responsabilidad de la empresa por la información dada por su chatbot (comentario del American Bar Association): americanbar.org.