Cómo un credit servicer leyó 130 millones de páginas sin ampliar plantilla

Un destacado credit servicer europeo gestiona carteras de préstamos dudosos garantizados adquiridas a bancos. Cada cartera llega como un muro de papel: contratos e inscripciones hipotecarias, garantías, órdenes de venta, tasaciones judiciales, registros de la propiedad, certificaciones de cargas. La due diligence y la estrategia de recobro dependen de leerlo todo, y el archivo había crecido hasta los 130 millones de páginas. Contratar personal para leerlo no era una opción.

El punto de partida

Los analistas pasaban la mayor parte del tiempo localizando documentos y reintroduciendo valores. Cada caso requería unos 330 datos: identidades de acreedor y deudor, garantes, la descripción catastral completa de cada inmueble (hoja, parcela, subunidad, renta catastral), valores de tasación, cargas y su rango. Los datos existían en papel, pero en ningún sistema que un analista pudiera consultar. Las estrategias de recobro se decidían con información parcial porque la información completa tardaba demasiado en reunirse.

Qué hicieron los agentes

Altilia desplegó un agente de adquisición de datos en la infraestructura privada del servicer. Su trabajo se desarrolla en cuatro movimientos.

1. Clasificación. Cada página del archivo se asigna a un tipo de documento, desde la escritura hipotecaria hasta la tasación judicial, con modelos ajustados a los propios expedientes del servicer.
2. Extracción. Entidades y objetos, no solo campos: un inmueble se extrae con su triple catastral completa y se vincula a la tasación, la carga y el prestatario al que pertenece.
3. Conciliación. Los valores encontrados en documentos distintos se comparan; los conflictos afloran con una puntuación de confianza y una jerarquía de fuentes, de modo que el analista ve la discrepancia en lugar de un valor elegido en silencio.
4. Búsqueda. Todo el archivo se convierte en un motor de búsqueda semántica que los analistas consultan en lenguaje natural, con expresiones regulares o con palabras clave, obteniendo la página como evidencia.

La auditoría

Antes de entrar en producción, el servicer auditó una muestra de 10.000 documentos contra valores verificados manualmente. La precisión alcanzó el 98,3 %. Igual de importante: los errores eran visibles. Cada valor de baja confianza ya estaba señalado para revisión, de modo que la auditoría confirmó que la cola de revisión captaba lo que los modelos pasaban por alto.

Qué cambió para los analistas

El trabajo pasó de localizar y teclear a decidir. Un analista abre un caso y encuentra los 330 datos rellenados, cada uno con un enlace a su página. El tiempo ahorrado se midió con la propia metodología de casos de negocio del servicer: esfuerzo manual reducido en torno a un 80 %, preparación del caso diez veces más rápida. Las estrategias de recobro se deciden ahora con información completa, y el motor de búsqueda semántica responde a preguntas que antes nadie podía hacer, como qué inmuebles de una región comparten el mismo tasador o qué cargas preceden a la del servicer en una cartera.

«Sus agentes de IA trabajan con nuestros propios datos en una infraestructura privada, con una precisión y un control que ninguna solución de IA genérica podría igualar.»

Lecciones para la próxima cartera

• Extrae objetos, no campos. Una triple catastral que no está vinculada a su inmueble y su tasación es un número, no conocimiento.
• Haz visible la discrepancia. La conciliación entre documentos es donde está el valor, y el riesgo.
• Audita antes de escalar. Una muestra de 10.000 documentos convirtió una promesa en una cifra con la que el negocio podía planificar.
• Mantenlo dentro. Ejecutar sobre la infraestructura del servicer eliminó por completo la cuestión de la transferencia de datos.