Como una cooperativa colombiana redujo su mora en 38% usando IA predictiva
Redaccion Pulse AI · ITSense — Edicion #03 · El Caso de la Semana · 29 de abril de 2026
El comite de los martes
Todos los martes a las 9 de la manana, el subgerente de riesgos llega con la misma carpeta. Dentro: una impresion de la cartera activa, separada por colores. Verde: al dia. Amarillo: en mora temprana. Rojo: creditos que llevan mas de 90 dias sin pago y que, por experiencia, ya son problema.
La reunion dura entre dos y tres horas. El comite de credito revisa caso por caso los expedientes amarillos. Un analista explica el historial del asociado. El gerente pregunta si tiene ahorros. El subgerente de riesgos estima el riesgo a ojo. Al final, toman una decision: seguir el credito, llamar al asociado o iniciar proceso de cobro.
Esta escena no es de una cooperativa especifica. Es una escena comun en cientos de cooperativas de ahorro y credito en Colombia. El proceso funciona. Pero escala mal.
Cuando la cartera crece — mas asociados, mas creditos, rangos mas amplios de montos — el comite de los martes se convierte en cuello de botella. Los expedientes se acumulan. Las decisiones tardan. Y cuando se tarda en actuar sobre una mora temprana, la mora temprana se convierte en mora definitiva.
Esta historia trata sobre como una cooperativa de segundo piso en el sector solidario colombiano cambio ese ciclo. No con un sistema magico. Con datos historicos limpios y un modelo predictivo que el area de riesgo decidio hacer propio.
El sector que nadie esta mirando
Colombia tiene mas de 4.000 cooperativas activas, segun cifras de Confecoop. Entre ellas, cerca de 200 son cooperativas de ahorro y credito con actividad financiera relevante, que atienden a mas de 7 millones de asociados en el pais. Para muchos de esos asociados — trabajadores independientes, agricultores, microempresarios, docentes, pensionados — la cooperativa es su principal fuente de credito formal.
El problema: el modelo tradicional de scoring crediticio no fue disenado para ellos.
El scoring clasico de riesgo — el que usan bancos y fintechs — depende en buena medida de informacion de centrales de riesgo como Datacrédito o TransUnion. Historial de credito bancario, tarjetas, cuotas pagadas en el tiempo. Pero el asociado tipico de una cooperativa tiene un perfil diferente: ingresos variables, historial financiero fragmentado, y una relacion con el dinero que no siempre deja huella en el sistema financiero tradicional.
Lo que si tiene es un historial dentro de la cooperativa. Cuantas veces ha pedido prestado. Como ha pagado. Cuanto ahorra. Cuanto tiempo lleva como asociado. Que actividad economica tiene. Ese dato existe. Pero hasta hace poco, vivia disperso entre planillas de Excel, sistemas legacy y campos incompletos en el core financiero.
Ese fue el punto de partida de la intervencion que documenta este caso.
Segun el reporte de supervision del sector solidario de la Superintendencia de Economia Solidaria (SES), la cartera vencida del sector cooperativo de ahorro y credito en Colombia represento entre el 5% y el 8% del total de cartera en 2024 — un rango que, para cooperativas medianas con carteras entre COP 50.000 y COP 200.000 millones, implica riesgos patrimoniales significativos.
La intervencion: tres pasos, noventa dias
La cooperativa que documenta este caso es un perfil compuesto. Sus caracteristicas reflejan patrones reales observados en el sector solidario colombiano en los ultimos tres anos: una entidad de segundo piso con cartera activa en varios municipios, base de asociados entre 15.000 y 40.000 personas, y un core financiero de entre 5 y 12 anos de antiguedad.
El proyecto partio de una decision del gerente general: reducir la mora o asumir un ajuste patrimonial en el segundo semestre. La presion era financiera y real.
Los tres pasos de la intervencion
| Paso | Que se hizo | Resultado |
|---|---|---|
| 1. Auditoria del dato historico | Revision completa de la base de cartera: 4 anos de historico de creditos. | Se encontro que el 40% de los campos relevantes estaban vacios o inconsistentes. |
| 2. Modelo predictivo de mora | Construccion de modelo RandomForest / XGBoost sobre los datos limpios. | Modelo con precision del 78% en prediccion de mora a 90 dias. |
| 3. Integracion con flujo de credito | El score predictivo se integro como input (no decision automatica) en el comite de credito. | Tiempo de evaluacion de credito: de 5 dias a 1 dia. |
Paso 1: El dato estaba ahi. Solo que sucio.
El primer mes del proyecto no fue de modelos ni de algoritmos. Fue de auditoria de datos.
El equipo de datos reviso cuatro anos de historico de cartera. Lo que encontro fue revelador: campos clave para el analisis de riesgo — actividad economica del asociado, frecuencia historica de pagos, relacion ahorro/deuda — estaban vacios en el 40% de los registros. Algunos por errores de digitacion. Otros porque el sistema legacy no los requeria en la captura original. Otros simplemente porque nadie los habia migrado bien cuando cambiaron de plataforma en 2019.
Sin limpiar eso, cualquier modelo seria un espejo de ese desorden.
Se tomaron tres semanas para normalizar variables, imputar datos faltantes con reglas de negocio validadas por el area de riesgo, y construir una tabla maestra de features por asociado.
Paso 2: El modelo no era GenAI. Era scoring clasico con datos propios.
Aqui hay un punto que vale la pena aclarar porque genera confusiones en el mercado.
Este proyecto no uso modelos de lenguaje (LLM). No fue un chatbot. No fue automatizacion generativa. Fue scoring crediticio con machine learning supervisado: RandomForest y XGBoost entrenados sobre el historial limpio de cartera de la cooperativa.
Las variables predictoras principales: antiguedad del asociado, monto promedio de creditos historicos, frecuencia de pagos a tiempo en los ultimos 24 meses, relacion entre ahorro y deuda activa, y sector economico declarado.
El modelo fue entrenado con el 70% del historico y validado con el 30% restante. La precision en prediccion de mora a 90 dias fue del 78%. No es perfecta. Pero es significativamente mejor que el juicio intuitivo del comite revisando 150 expedientes en dos horas.
Paso 3: El score es un input, no una sentencia.
Este es el diseno que mas importa para entender por que funciono.
El score predictivo no reemplaza al comite de credito. Lo enriquece. Cada solicitud llega ahora con un numero entre 0 y 1: la probabilidad estimada de que el credito entre en mora en los proximos 90 dias.
- Score por encima de 0.7: el comite lo aprueba con condiciones o lo rechaza directamente.
- Score por debajo de 0.4: aprobacion expedita con revision minima.
- Score entre 0.4 y 0.6 (la zona gris): revision completa del comite, igual que antes.
El resultado practico: el 65% de los creditos ya no requiere revision extensa del comite. Solo los casos grises — donde el modelo tiene menor certeza — reciben el mismo nivel de atencion que antes recibian todos.
El pull quote que lo resume
"La IA no fallo. Fallo la calidad del dato. Cuando limpiaron eso, el modelo hizo su trabajo en 90 dias." — Pulse AI by ITSense
El resultado: 38% menos mora. Y algo que nadie esperaba.
A los seis meses de implementacion, el resultado fue claro:
- Cartera morosa: reduccion del 38% frente al semestre anterior.
- Tiempo de evaluacion de credito: de 5 dias a menos de 1 dia en promedio.
- Carga del comite de credito: reduccion del 65% en expedientes de revision completa.
- Creditos aprobados: el volumen no bajo. El score no se uso para restringir credito; se uso para concentrar la atencion en los casos que la realmente necesitaban.
Pero el resultado mas importante no estaba en las metricas de cartera.
El area de riesgo se convirtio en la duena del modelo.
En la mayoria de implementaciones de IA que fracasan en el sector financiero, la historia es la misma: el area de tecnologia implementa la herramienta, el area de negocio la recibe sin entenderla, el uso cae al 20% en seis meses, y el proyecto muere por falta de adopcion.
Aqui paso lo contrario. Desde el dia 1, el area de riesgo fue parte del equipo de proyecto. El subgerente de riesgos participo en la definicion de variables. Cuestiono las que no le parecian intuitivas. Propuso incluir una variable de "frecuencia de visita a oficinas" que el equipo de datos habia descartado por ruido. Cuando se incluyo con ajustes, mejoro el modelo en 3 puntos de precision.
Cuando el sistema se desplegó, el area de riesgo no recibio una herramienta nueva. Recibio una extension de su criterio propio, formalizado en un algoritmo.
Eso es lo que explica el 38%. No el algoritmo. La apropiacion.
La leccion que conecta con el origen de este medio
En la edicion #01 de Pulse AI, reportamos el dato que se ha vuelto el eje de este medio: el 88% de las organizaciones ya usa IA en alguna funcion. Pero solo el 6% captura valor real y sostenible.
En la edicion #02, exploramos la brecha en el contexto de la era agentica: mas inversion, mas agentes desplegados, menos confianza en los resultados. El patron es el mismo.
Esta cooperativa esta en el 6%. No porque tenga mejor tecnologia que las otras 3.994. No porque contratara un equipo de data science de 10 personas. No porque tuviera un presupuesto de implementacion extraordinario.
Esta en el 6% porque empezo por el dato. Porque puso al negocio al frente — literalmente: el area de riesgo liderando el modelo, no recibiendolo. Y porque no esperaba que la IA resolviera un problema que el proceso interno habia creado.
Como replicar este patron en tu cooperativa
Si gestionas cartera en una cooperativa de ahorro y credito y este caso resuena, hay cuatro movimientos concretos antes de hablar con cualquier proveedor de tecnologia:
Paso 1 — Audita tus datos de cartera historica. Cuatro anos de historico de creditos, pagos y asociados. Mide cuantos campos clave estan vacios o inconsistentes. Si esa cifra supera el 20%, el problema no es el modelo: es el dato. Empieza ahi.
Paso 2 — Identifica las variables que ya tienes. No necesitas datos externos. Antiguedad del asociado, monto y frecuencia de creditos historicos, comportamiento de ahorro, sector economico declarado, canal de originacion del credito. Ese dato ya existe dentro de tu core financiero. El trabajo es estructurarlo.
Paso 3 — Haz un piloto con el 10% mas riesgoso de tu cartera. No arranques con toda la cartera. Toma los creditos en mora temprana del ultimo semestre, construye el modelo con ese subconjunto, y valida la precision antes de escalar. Esto reduce el riesgo del proyecto y genera evidencia interna rapida.
Paso 4 — Pon al area de riesgo al frente, no a TI. Este es el paso que mas se omite y el que mas importa. El area de riesgo debe ser coduena del modelo desde la definicion de variables hasta la interpretacion del score. Si TI lidera y riesgo solo "recibe", el modelo va a morir por falta de uso en menos de un ano.
El 88% tiene IA. El 6% tiene resultados.
La cooperativa de este caso no hizo nada extraordinario desde el punto de vista tecnologico. Uso herramientas de codigo abierto disponibles para cualquier equipo de datos. Tardo noventa dias en implementar y seis meses en medir resultados.
Lo extraordinario fue el orden: primero el dato, luego el modelo, luego la integracion con el proceso. Y en cada paso, el negocio al frente.
El 88% de las organizaciones tiene acceso a la misma tecnologia. El 6% que captura valor es el que entiende que la IA no es un producto que se instala. Es un proceso que se construye con el negocio adentro.
Esta cooperativa lo entendio. La pregunta para la tuya es cuando va a empezar.
Pulse AI by ITSense cubre casos aplicados de inteligencia artificial en las industrias que mueven a LATAM. Este es un caso compuesto construido a partir de patrones documentados en el sector solidario colombiano. Ningun dato se atribuye a un cliente especifico de ITSense.
¿Tu cooperativa esta evaluando IA para gestion de cartera? Conversemos.
Ediciones anteriores: - Ed. #01 — El estado real de la IA empresarial en 2026: 88% adopta, solo el 6% captura valor - Ed. #02 — La era agentica llego. La empresa no: lo que dicen Harvard y Stanford HAI