Si se asistió a algún evento de tecnología financiera en México durante 2024, probablemente se escuchó la frase "inteligencia artificial en cobranza" en numerosas ocasiones. Todos hablan de IA. La pregunta es cuántos realmente la están implementando, de qué manera y qué resultados están obteniendo. Porque entre la presentación y la implementación real existe una distancia considerable.
El ecosistema de cobranza en México: quién cobra qué
Para comprender dónde se integra la IA, primero es necesario mapear quién está cobrando en este país:
- Bancos con cobranza interna: BBVA México, Banorte, Santander, Scotiabank y Citibanamex cuentan con equipos internos de cobranza para su cartera propia, especialmente la de los primeros 30-60 días de atraso. Presupuestos considerables, equipos de cientos de personas, y una presión regulatoria constante de la CNBV.
- Cobranza interna de retailers: Elektra, Coppel, Liverpool, Palacio de Hierro gestionan la cobranza de sus créditos al consumo internamente. Coppel, por ejemplo, opera uno de los sistemas de cobranza domiciliaria más grandes de América Latina con miles de gestores de campo.
- Despachos de cobranza externos: más de 4,000 despachos registrados ante Condusef. Desde operaciones de pequeña escala hasta grandes participantes como Sistemas Administrativos de Recuperación (SAR), FGA Consultores, y otros que gestionan millones de cuentas.
- Fintechs con cartera propia: Kueski, Stori, Nu México, Clip (créditos), RappiCard, Konfío, Credijusto —todas estas empresas cuentan con carteras en crecimiento y necesitan cobrar. La mayoría empezó con cobranza interna básica y ahora busca escalar sin multiplicar su plantilla.
- Sofomes y financieras populares: un universo enorme de instituciones que otorgan crédito a segmentos que los bancos no atienden. Muchas trabajan con despachos externos; algunas manejan cobranza interna.
¿Qué tipo de IA se está usando realmente?
Cuando la industria dice "IA en cobranza", puede referirse a aplicaciones muy distintas. Analicemos cada una:
Analytics y scoring predictivo
Esta es la aplicación más madura y la más extendida. Modelos de machine learning que predicen la probabilidad de pago de cada cuenta basándose en variables como: antigüedad de la deuda, monto, historial crediticio, número de productos, comportamiento de pago previo, zona geográfica, canal de contacto preferido.
Los bancos grandes llevan años utilizando estos modelos. BBVA México cuenta con equipos de ciencia de datos que alimentan modelos de scoring para priorizar las cuentas de cobranza. Banorte ha invertido en capacidades analíticas similares. Sin embargo, este tipo de IA no contacta al deudor —solo determina a quién contactar y en qué orden. La ejecución continúa siendo manual.
Chatbots de texto
WhatsApp Business se convirtió rápidamente en un canal de cobranza en México. Varias fintechs y bancos utilizan chatbots —algunos con procesamiento de lenguaje natural, otros con flujos predefinidos— para enviar recordatorios, compartir ligas de pago y responder preguntas básicas sobre saldos.
Los resultados son mixtos. Los chatbots operan razonablemente bien para cobranza preventiva y temprana (0-30 días), donde el deudor generalmente tiene intención de pagar y solo necesita un recordatorio o información sobre cómo realizarlo. Para cartera más antigua, los chatbots pierden efectividad drásticamente porque la situación requiere negociación, no solo información.
Un banco de gran escala en México reportó que su chatbot de WhatsApp genera el 12% de sus promesas de pago en cartera preventiva pero solo el 2% en cartera de más de 60 días. La diferencia es significativa.
Agentes de voz con IA
Esta es la frontera actual. Sistemas que pueden hacer y recibir llamadas telefónicas, conversar en español mexicano natural, comprender lo que el deudor dice en tiempo real, y responder de manera contextual. No es un IVR con menús. No es una grabación. Es una conversación bidireccional.
La tecnología subyacente combina reconocimiento de voz (ASR), procesamiento de lenguaje natural (NLP), modelos de lenguaje grande (LLM) y síntesis de voz. Hasta hace 18 meses, esta tecnología presentaba un desempeño limitado en español —especialmente en español mexicano con modismos, interrupciones y el ritmo conversacional característico—. Los avances en LLMs multilingües y en text-to-speech de baja latencia transformaron la ecuación.
Los primeros adoptantes en México están reportando métricas prometedoras: tasas de contacto efectivo superiores al 45%, capacidad de procesar portafolios de 50,000+ cuentas en días, y costos por contacto de $2-$5 pesos contra $25-$40 pesos de un agente humano.
Regulación: el factor determinante
Cualquier aplicación de IA en cobranza en México debe operar dentro de un marco regulatorio específico:
- LFPDPPP: la Ley Federal de Protección de Datos Personales aplica en su totalidad. Los datos del deudor solo pueden utilizarse para el fin para el que fueron recopilados. El consentimiento es fundamental. Y el manejo de datos biométricos (voz, en el caso de agentes de IA) tiene consideraciones adicionales.
- Condusef: la Comisión Nacional para la Protección y Defensa de los Usuarios de Servicios Financieros supervisa las prácticas de cobranza. Cualquier agente —humano o de IA— debe cumplir con los estándares de trato digno, horarios permitidos, identificación del acreedor, y no revelación de la deuda a terceros.
- NOM-150-SCFI: la norma que regula las prácticas de cobranza establece límites claros. Un sistema de IA bien diseñado puede cumplir con estos límites de manera más consistente que un agente humano (que puede perder la compostura o cometer errores de procedimiento), pero debe estar configurado correctamente.
- Ley Federal de Telecomunicaciones: regula las llamadas con fines de mercadotecnia y cobranza. El REPEP (Registro Público para Evitar Publicidad) aplica para mercadotecnia pero no directamente para cobranza de adeudos existentes, aunque la línea divisoria es difusa y requiere un manejo cuidadoso.
Un aspecto relevante es que la IA puede funcionar como aliada regulatoria, no como un riesgo. Un agente de voz con IA nunca se va a desviar del guion aprobado, nunca va a amenazar al deudor, nunca va a llamar a las 6 de la mañana por descuido, y siempre va a identificar al acreedor al inicio de la llamada. La consistencia en el cumplimiento resulta ser, de hecho, una de las grandes ventajas de la automatización.
Casos reales: qué está ocurriendo en el mercado
Sin revelar nombres que no son públicos, esto es lo que se observa en el mercado mexicano a inicios de 2025:
- Al menos tres bancos grandes están piloteando agentes de voz con IA para cobranza preventiva y administrativa temprana.
- Dos fintechs de crédito al consumo ya utilizan agentes de voz como su primera línea de cobranza, con equipos humanos solo para escalaciones.
- Varios despachos de cobranza están complementando sus operaciones humanas con IA para hacer barridos iniciales de portafolios nuevos antes de asignarlos a agentes.
- Las Sofomes más grandes están evaluando pilotos, aunque su adopción es más lenta por menor madurez tecnológica.
¿Hacia dónde se dirige esto en México?
La trayectoria más probable para los próximos 2-3 años contempla varias fases. Primero, adopción generalizada en cobranza preventiva y administrativa temprana, donde el retorno de inversión es más inmediato y el riesgo regulatorio es menor. Segundo, expansión hacia cobranza extrajudicial, donde la IA maneja el volumen y los humanos la negociación compleja. Tercero, integración con otros canales (WhatsApp, SMS, email) para crear estrategias omnicanal orquestadas por IA.
El ecosistema de proveedores también está madurando. Agentica, por ejemplo, se enfoca específicamente en el mercado mexicano — agentes de voz que entienden el contexto local, desde las expresiones hasta las objeciones más comunes, y se integran con la operación existente sin proyectos de TI de 6 meses. Se carga el portafolio en Excel y los agentes comienzan a operar.
La IA no va a reemplazar a la industria de cobranza en México. Sin embargo, va a redefinir quién hace qué. Las máquinas van a realizar el trabajo de volumen —contactar, filtrar, clasificar, perfilar—. Los humanos van a hacer lo que las máquinas todavía no pueden: negociar con empatía, resolver casos complejos y cerrar acuerdos que requieren criterio y flexibilidad. Las organizaciones que comprendan esta división y la implementen primero van a obtener los mejores números de recuperación con los menores costos operativos.
