La cobranza se está automatizando. También su infraestructura de riesgo
La industria de crédito y cobranza está incorporando cada vez más automatización, analítica e inteligencia artificial a su operación. La agenda de Crevolution 2026 refleja claramente esa transformación, con discusiones sobre orquestación de procesos de cobranza, modelos hiperconectados, uso de datos reales, inteligencia artificial y reducción del ciclo de recuperación. El punto relevante es que esta evolución no depende de una sola herramienta, sino de ecosistemas cada vez más conectados entre plataformas, datos, modelos y servicios externos.
Ese cambio trae una ventaja evidente en capacidad operativa, pero también vuelve más compleja la infraestructura que sostiene cada proceso. Una operación puede combinar sistemas propios con software de terceros, modelos de lenguaje, APIs, agentes y otras capas de integración. En la medida en que más componentes participan en un mismo flujo, también aumenta la necesidad de entender qué información utiliza cada uno, qué permisos tiene, qué acciones puede ejecutar y qué dependencias externas forman parte del sistema. NIST incorpora precisamente esa lógica dentro de su marco de gestión de riesgos de inteligencia artificial, al señalar que los riesgos deben mapearse considerando todos los componentes del sistema, incluidos software, datos y tecnologías de terceros.
La discusión se vuelve especialmente importante cuando los sistemas dejan de limitarse a generar respuestas y empiezan a interactuar con otras herramientas. OWASP identifica como un riesgo específico la llamada excessive agency, que aparece cuando un sistema basado en modelos de lenguaje recibe demasiadas funciones, permisos o autonomía para interactuar con otros sistemas. El problema no depende únicamente de que el modelo se equivoque, sino también de qué puede hacer cuando se equivoca y a qué información o herramientas tiene acceso.
A eso se suma la gestión de información. OWASP también advierte que las aplicaciones basadas en modelos de lenguaje pueden exponer información sensible cuando ésta entra en el contexto del modelo o circula por aplicaciones conectadas. Entre los ejemplos que identifica se encuentran datos personales, información financiera, documentos confidenciales y credenciales de seguridad. La OCDE, por su parte, ha señalado que los avances recientes en inteligencia artificial han aumentado la importancia de la gobernanza de datos y de entender cómo se recopilan, utilizan y comparten datos dentro de los sistemas.
Para empresas de crédito y cobranza, esta conversación es relevante porque gran parte de la innovación del sector se está construyendo precisamente sobre flujos de datos y sistemas interconectados. La propia agenda de Crevolution habla de una cobranza hiperconectada y basada en datos, así como de la orquestación de procesos para transformar la gestión de deuda. Conforme esa infraestructura crece, entenderla deja de ser una preocupación exclusivamente técnica y se convierte también en un problema de gestión de riesgo.
La revisión de una arquitectura tecnológica, entonces, no debería limitarse a saber qué plataforma aparece frente al usuario. También resulta relevante conocer qué componentes intervienen detrás, qué servicios externos participan, qué información pasa entre ellos y qué permisos tiene cada integración. NIST recomienda precisamente identificar y documentar controles internos relacionados con tecnologías de inteligencia artificial de terceros, mientras que la OCDE sostiene que los riesgos deben gestionarse a lo largo de toda la cadena de valor de la inteligencia artificial.
Esto también cambia la conversación sobre inteligencia artificial dentro de las empresas. Ya no basta con saber qué modelo se está utilizando o si una herramienta produce buenos resultados. Conforme las soluciones se conectan con otros sistemas, bases de datos y servicios, la pregunta importante pasa a ser si la organización entiende realmente la arquitectura sobre la que está operando y si puede identificar los riesgos que aparecen en cada componente.
La automatización puede hacer que una operación de cobranza sea más rápida, más escalable y más conectada. Precisamente por eso, mientras más sofisticada se vuelve la infraestructura, más importante resulta entender qué ocurre detrás de cada integración y mantener visibilidad sobre la información, los permisos y los terceros que participan en el proceso.
Pablo Payán Flores escribe para el blog de IUDEX, la IA legal especializada en derecho mexicano. Contacto: pablopayan@iudex.mx.
Referencias
- Crevolution. (2026). Agenda 2026. crevolution.net/agenda/
- National Institute of Standards and Technology. (2023). Artificial Intelligence Risk Management Framework (AI RMF 1.0). U.S. Department of Commerce. doi.org/10.6028/NIST.AI.100-1
- Organisation for Economic Co-operation and Development. (2024). AI, data governance and privacy: Synergies and areas of international co-operation. OECD Artificial Intelligence Papers, No. 22. doi.org/10.1787/2476b1a4-en
- OWASP Foundation. (2025). LLM02:2025 Sensitive Information Disclosure. genai.owasp.org/llmrisk/llm022025-sensitive-information-disclosure/
- OWASP Foundation. (2025). LLM06:2025 Excessive Agency. genai.owasp.org/llmrisk/llm062025-excessive-agency/