El área de riesgo gana autonomía. La institución conserva el control.
Con uFlow, los equipos de riesgo diseñan, prueban, versionan y actualizan políticas de crédito desde un editor visual, sin requerir un desarrollo de IT para cada cambio. La organización mantiene permisos, trazabilidad, seguridad y control de publicación.
Construir el motor in-house da control total, a costa de tiempo y de un equipo dedicado a mantenerlo. Un motor genérico acelera el arranque, pero suele ser rígido y dependiente de perfiles técnicos. uFlow busca el equilibrio: autonomía del área de riesgo para cambiar políticas en horas, dentro de los permisos y controles definidos, con el gobierno y la trazabilidad que exige una institución regulada.
¿Qué caminos hay para automatizar las decisiones de crédito?
Qué obtiene una institución financiera con cada opción, en las dimensiones que realmente importan.
| Construir in-houseControl total, pero alto costo y lento de evolucionar. | Motor genérico / legacyReglas rígidas, dependencia de consultoría técnica. | uFlowAutonomía del área de riesgo, con gobierno y trazabilidad. | |
|---|---|---|---|
| Cambiar una política de créditoDesde que se decide hasta que corre en producción. | Semanas o meses (release de IT) | Días, requiere perfil técnico | Horas, en autoservicio del área de riesgo |
| Autonomía del área de negocio / riesgo | Cada cambio de política requiere desarrollo de IT | Parcial, con soporte técnico | Autonomía dentro de los permisos y controles definidos, con editor NoCode |
| Versionado y rollback de políticasVolver a una versión anterior ante un incidente. | Hay que construirlo y mantenerlo | Limitado o manual | Versionado automático y reactivación controlada de versiones anteriores |
| Entornos de testing antes de producciónProbar cambios sin afectar decisiones reales. | A construir por cada equipo | Según implementación | Entornos de testing integrados |
| Trazabilidad y auditoría de cada decisiónInput, reglas aplicadas y resultado, auditables. | A construir; costo de mantenimiento | Cobertura variable | Registro completo + explorador de transacciones |
| Segregación de roles y permisos | A construir y gobernar | Disponible | Administración de permisos por usuario |
| Bureaux y fuentes de datos homologadasSin integrar cada proveedor uno por uno. | Integración propia de cada fuente | Catálogo acotado | +30 proveedores homologados en Latam |
| Machine Learning sin infraestructura propia | Mantener entornos Python | No contemplado o limitado | Ejecuta modelos Python sin que el cliente opere esos entornos |
| Seguridad certificada | Responsabilidad propia | Varía por proveedor | ISO/IEC 27001, 2FA, cifrado en reposo y en tránsito |
| Infraestructura y escalabilidad | Aprovisionas y mantienes todo | El despliegue y la escalabilidad dependen de cada proveedor | Serverless en la nube, escala automática |
| Costo total y tiempo a producción (TCO) | Alto capex + equipo dedicado | Licencias + consultoría | SaaS: implementación habitual en semanas, según cada entidad |
| Agente de IA dentro del editorEl agente propone: el equipo revisa y publica. Disponible en los nodos binarios y de cálculo. | Hay que desarrollarlo, y mantenerlo. | Según el proveedor; no siempre dentro del editor. | Construye reglas desde lenguaje natural, audita el orden y lee balances. |
Cambiar una política de crédito
Desde que se decide hasta que corre en producción.
Autonomía del área de negocio / riesgo
Versionado y rollback de políticas
Volver a una versión anterior ante un incidente.
Entornos de testing antes de producción
Probar cambios sin afectar decisiones reales.
Trazabilidad y auditoría de cada decisión
Input, reglas aplicadas y resultado, auditables.
Segregación de roles y permisos
Bureaux y fuentes de datos homologadas
Sin integrar cada proveedor uno por uno.
Machine Learning sin infraestructura propia
Seguridad certificada
Infraestructura y escalabilidad
Costo total y tiempo a producción (TCO)
Agente de IA dentro del editor
El agente propone: el equipo revisa y publica. Disponible en los nodos binarios y de cálculo.
¿Qué se puede afirmar del motor, y de dónde sale cada dato?
Cada afirmación con su contexto y su fuente, para que la puedas revisar en un due diligence.
- ✓
Cambios de política que antes demoraban meses hoy se gestionan en horas
En autoservicio del área de riesgo, dentro de los permisos y controles definidos. Lo reporta un cliente en producción.
Fuente: Testimonio de Felix Diaz, Director de Riesgo de Crédito de CredijamarDato al julio de 2026
- ✓
Versionado automático y reactivación controlada de versiones anteriores
Cada versión queda registrada y puede reactivarse de forma controlada, sin un despliegue de IT.
Fuente: Seguridad de uFlow: versionado, roles y control de accesosDato al julio de 2026
- ✓
Implementación habitual en semanas
Según integraciones, seguridad y procesos de aprobación de cada entidad. Modelo SaaS sin infraestructura propia que mantener.
Fuente: Caso de éxito de uFlow: arquitectura serverlessDato al julio de 2026
- 99,995%
Disponibilidad promedio (uptime)
SLA de disponibilidad comprometido del 99,95%; la disponibilidad promedio observada de la plataforma lo supera (99,995%).
Fuente: Monitoreo de disponibilidad de uFlow (SLA contractual: 99,95%)Dato al julio de 2026
- +300 variables
Modelos analíticos de alta complejidad
El motor ejecuta modelos de crédito con más de 300 variables por decisión —como el de Lulo Bank— sin degradar el tiempo de respuesta.
Fuente: uFlow — evento con TransUnion, Bogotá 2024Dato al septiembre de 2024
¿Por qué un motor de decisiones moderno es hoy un imperativo?
Cifras del mercado del crédito, cada una con su fuente. El contexto que explica la urgencia de decidir mejor y más rápido.
- 70%
Adultos con cuenta en una institución financiera o de dinero móvil en América Latina y el Caribe
Población de 15 años o más de América Latina y el Caribe (excluidos países de ingreso alto). Dato de 2024 publicado en el Global Findex 2025; el valor exacto del indicador es 69,7%, frente a 67,1% en 2021.
Fuente: Banco Mundial — Global Findex Database 2025 / World Development Indicators, indicador FX.OWN.TOTL.ZSDato al enero de 2024
- 79%
Adultos con cuenta en una institución financiera o de dinero móvil a nivel mundial
Población mundial de 15 años o más. Dato de 2024 del Global Findex 2025; el valor exacto del indicador es 78,7%. Sirve de referencia frente al 70% de América Latina y el Caribe.
Fuente: Banco Mundial — Global Findex Database 2025 / World Development Indicators, indicador FX.OWN.TOTL.ZSDato al enero de 2024
- 69,4% vs 49,5%
Tasa de aprobación de un modelo con datos alternativos frente al mismo modelo sin ellos, en solicitantes sin
Historial crediticio. 146.036 solicitantes de tarjeta de crédito en México sin score del buró de crédito, atendidos por RappiCard (Banorte + Rappi). El modelo completo, que incorpora datos transaccionales de la app de delivery, aprueba al 69,4% con umbral de maximización de utilidad; el mismo modelo sin esos datos aprueba solo al 49,5%. Datos 2021–2024.
Fuente: NBER Working Paper 33208 — Chioda, Gertler, Higgins y Medina, "FinTech Lending to Borrowers with No Credit History"Dato al enero de 2024
- 0,791
Poder predictivo (AUC) de un modelo de ML con datos alternativos
Medido sobre solicitantes sin historial crediticio. Mismo universo de 146.036 solicitantes mexicanos sin score de buró. El AUC de 0,791 supera el umbral de 0,7 considerado deseable en entornos ricos en datos y se ubica en el extremo superior de los AUC obtenidos con datos alternativos en países de ingreso medio.
Fuente: NBER Working Paper 33208 — Chioda, Gertler, Higgins y Medina, "FinTech Lending to Borrowers with No Credit History"Dato al enero de 2024
- 30%
Solicitantes que quedarían excluidos del crédito si la decisión se basara únicamente en la información del buró
Cartera de Mercado Crédito en Argentina analizada por investigadores del BIS y del FSB con datos propietarios de Mercado Libre. El 30% del público objetivo sería calificado como "alto riesgo" por el buró local y quedaría fuera del programa; el scoring propietario sí logra atender ese segmento.
Fuente: BIS Working Paper 779 — Frost, Gambacorta, Huang, Shin y Zbinden, "BigTech and the changing structure of financial intermediation"Dato al enero de 2019
- 25,4%
Empresas formales de América Latina y el Caribe con restricciones de acceso al crédito
Más de 65.000 empresas del sector privado formal en 109 economías, encuestadas por el Banco Mundial (Enterprise Surveys). En América Latina y el Caribe, 19,4% están parcialmente restringidas y 6% totalmente restringidas. El promedio global es de aproximadamente 30%.
Fuente: Banco Mundial — Policy Research Working Paper 10502, Islam y Rodriguez Meza, "How Prevalent Are Credit-Constrained Firms in the Formal Private Sector?"Dato al enero de 2023
- 27%
Empresas que no solicitan crédito porque los términos y condiciones las desalientan
Mismo universo de más de 65.000 empresas formales en 109 economías. Un 51,5% no solicita porque ya tiene fondos suficientes, un 27% se autoexcluye por los términos y condiciones, y solo un 21,5% llega a solicitar. De quienes solicitan, 75,8% son aprobados en su totalidad, 9% parcialmente y 8,7% rechazados.
Fuente: Banco Mundial — Policy Research Working Paper 10502, Islam y Rodriguez Meza, "How Prevalent Are Credit-Constrained Firms in the Formal Private Sector?"Dato al enero de 2023
- 55%
Demanda potencial de financiamiento de las MIPYMES que queda sin cubrir en mercados emergentes
MIPYMES formales de economías emergentes y en desarrollo. Frente a una demanda potencial de US$10,3 billones se ofertaron US$4,6 billones, dejando una brecha de US$5,7 billones equivalente al 19% del PIB conjunto de esos países. Datos de referencia 2019, publicados en marzo de 2025.
Fuente: IFC / SME Finance Forum — "MSME Finance Gap: An updated Estimation and Evolution of the MSME Gap in Emerging and Developing Markets"Dato al enero de 2025
- 18%
Participación de América Latina y el Caribe en la brecha mundial de financiamiento de las MIPYMES
Sobre una brecha total de US$5,7 billones en mercados emergentes y en desarrollo, América Latina y el Caribe es la segunda región con mayor participación, principalmente impulsada por Brasil (US$593.000 millones). Datos de referencia 2019, publicados en marzo de 2025.
Fuente: IFC / SME Finance Forum — "MSME Finance Gap: An updated Estimation and Evolution of the MSME Gap in Emerging and Developing Markets"Dato al enero de 2025
- -16%
Caída de la oferta de financiamiento formal a las MIPYMES en América Latina y el Caribe
Variación de la oferta de financiamiento formal a MIPYMES en América Latina y el Caribe entre 2015 y 2019. En 2019 ese financiamiento representaba en promedio el 6% del PIB de los países de la región; la contracción se concentró en tres de las mayores economías.
Fuente: IFC / SME Finance Forum — "MSME Finance Gap: An updated Estimation and Evolution of the MSME Gap in Emerging and Developing Markets"Dato al enero de 2025
- 20%
Reducción del tiempo de procesamiento de solicitudes en prestamistas tecnológicos frente a prestamistas tradicionales
Mercado hipotecario de Estados Unidos, datos a nivel de solicitud y originación de 2010 a 2016. Los prestamistas fintech procesan las solicitudes cerca de un 20% más rápido controlando por características del préstamo, del solicitante y geográficas, sin que ello se traduzca en mayor morosidad.
Fuente: Federal Reserve Bank of New York — Staff Report 836, Fuster, Plosser, Schnabl y Vickery, "The Role of Technology in Mortgage Lending"Dato al enero de 2018
- 75%
Entidades financieras que ya utilizan inteligencia artificial
Encuesta conjunta del Banco de Inglaterra y la Financial Conduct Authority a entidades financieras del Reino Unido, tercera edición, publicada en noviembre de 2024. Otro 10% planea adoptarla en los próximos tres años. En la edición de 2022 las cifras eran 58% y 14%.
Fuente: Bank of England / FCA — "Artificial intelligence in UK financial services — 2024"Dato al enero de 2024
- 2%
Casos de uso de inteligencia artificial con decisión totalmente autónoma, sin supervisión humana
Casos de uso reportados por entidades financieras del Reino Unido en la encuesta del Banco de Inglaterra y la FCA de 2024. Un 55% de los casos de uso incorpora algún grado de decisión automatizada, pero solo el 2% es totalmente autónomo: la supervisión humana sigue siendo la norma.
Fuente: Bank of England / FCA — "Artificial intelligence in UK financial services — 2024"Dato al enero de 2024
- 24%
Empresas solicitantes de financiamiento que no recibieron nada de lo que pidieron
7.653 respuestas de pequeñas empresas empleadoras de 1 a 499 empleados en los 50 estados de Estados Unidos, relevadas entre septiembre y noviembre de 2024 por los 12 bancos de la Reserva Federal. Un 41% recibió todo lo solicitado, 36% solo una parte y 24% nada.
Fuente: Federal Reserve Banks — "2025 Report on Employer Firms: Findings from the 2024 Small Business Credit Survey"Dato al enero de 2025
- +11% / −20%
Originación fintech vs. banca tradicional
Colombia, mayo 2023 vs mayo 2024: las fintech crecieron 11% en nuevos créditos mientras el sector tradicional y solidario cayó 20%.
Fuente: TransUnion — Informe del crédito en Colombia, Q2 2024 (presentado en el evento de uFlow, Bogotá 2024)Dato al junio de 2024
- 12% → 30%
Participación fintech en libre inversión
Colombia: las fintech pasaron del 12% (2021) a casi el 30% (2024) de la originación de libre inversión.
Fuente: TransUnion — Informe del crédito en Colombia, Q2 2024 (presentado en el evento de uFlow, Bogotá 2024)Dato al junio de 2024
- 94%
Concentración fintech en libre inversión de corto plazo
El 94% de la originación fintech en Colombia es crédito de libre inversión de corto plazo.
Fuente: TransUnion — Informe del crédito en Colombia, Q2 2024 (presentado en el evento de uFlow, Bogotá 2024)Dato al junio de 2024
- 34% → 43%
Crecimiento del segmento subprime (2021–2024)
Colombia: el segmento subprime pasó del 34% (2021) al 43% (2024), por deterioro macro y el rol inclusor de las fintech.
Fuente: TransUnion — Informe del crédito en Colombia, Q2 2024 (presentado en el evento de uFlow, Bogotá 2024)Dato al junio de 2024
- 38%
Consumidores que deterioraron su score en un año
Colombia: el 38% de los consumidores deterioró su puntaje de crédito en el último año.
Fuente: TransUnion — Informe del crédito en Colombia, Q2 2024 (presentado en el evento de uFlow, Bogotá 2024)Dato al junio de 2024
- 60%
Usuarios fintech «compartidos» con la banca tradicional
Casi el 60% de los usuarios de fintech en Colombia también tienen créditos en el sector tradicional; su carga financiera llega al 45% del ingreso.
Fuente: TransUnion — Informe del crédito en Colombia, Q2 2024 (presentado en el evento de uFlow, Bogotá 2024)Dato al junio de 2024
- 20% vs 46%
Rodamiento a mora avanzada en libranza (fintech vs. tradicional)
En libranza (descuento por nómina), los rodamientos hacia mora avanzada de las fintech (20%) son mejores que los del sector tradicional (46%).
Fuente: TransUnion — Informe del crédito en Colombia, Q2 2024 (presentado en el evento de uFlow, Bogotá 2024)Dato al junio de 2024
- 39% → 49%
Créditos de $200k–500k en el corto plazo fintech
Colombia: los créditos entre $200.000 y $500.000 pasaron del 39% al 49% del volumen de corto plazo fintech.
Fuente: TransUnion — Informe del crédito en Colombia, Q2 2024 (presentado en el evento de uFlow, Bogotá 2024)Dato al junio de 2024
¿Cómo se le da autonomía al negocio sin que el banco pierda el control?
El área de riesgo cambia políticas sin requerir un desarrollo de IT para cada cambio. La institución conserva el gobierno, la trazabilidad y la seguridad que exige el regulador.
Gobierno de políticas
Versionado automático, entornos de testing y puesta en producción controlada. Cambia una política en horas, con reactivación controlada de versiones anteriores.
Trazabilidad y auditoría
Cada decisión registra input, reglas aplicadas y resultado. Explora transacciones previas: la base para auditoría y compliance.
Seguridad certificada
ISO/IEC 27001:2022, autenticación 2FA, tokens JWT y datos cifrados sobre infraestructura serverless en la nube.
uFlow no reemplaza al equipo de IT: reduce su participación en los cambios cotidianos de políticas y le permite concentrarse en integración, arquitectura, seguridad y gobierno.
Todo lo que necesitas saber
¿uFlow reemplaza a mi equipo de IT?+
No. Le devuelve al área de riesgo y negocio la autonomía para diseñar y cambiar políticas sin escribir código, mientras IT conserva el control mediante roles, permisos, entornos de testing y la API REST para integraciones.
¿Cómo gobierna uFlow los cambios de política?+
Cada política tiene versionado automático: puedes guardar todas sus versiones, probar en entornos de testing y reactivar una versión anterior al instante. Los permisos por usuario definen quién puede editar, probar y poner en producción.
¿Las decisiones son auditables ante un regulador?+
Sí. Cada decisión registra su input, las reglas aplicadas y el resultado, y puedes explorar las transacciones previas. Esa trazabilidad punta a punta es la base para auditoría y compliance.
¿Qué certificaciones de seguridad tiene uFlow?+
uFlow cuenta con la certificación ISO/IEC 27001:2022, autenticación 2FA, tokens JWT y datos cifrados, sobre una infraestructura serverless en la nube.
¿Cómo ayuda un motor de decisiones a detectar el sobreendeudamiento?+
Centraliza en un solo punto las consultas a burós y fuentes de datos, dando una visión integral del endeudamiento del solicitante en todo el sistema, no solo en tu entidad. En Colombia, casi el 60% de los usuarios de fintech también tienen deudas en la banca tradicional; identificar esa carga a tiempo, antes de la mora, es clave (fuente: TransUnion, 2024).
¿Por qué crecen las fintech mientras cae el crédito tradicional?+
Porque capturan nichos desatendidos —jóvenes, nuevos al crédito, ingresos informales— con mejores herramientas de originación. En Colombia, entre mayo de 2023 y 2024, la originación fintech creció 11% mientras la banca tradicional cayó 20% (fuente: TransUnion, 2024). El motor de decisiones es lo que hace posible decidir bien en esos segmentos.
¿Por qué elegir a uFlow y no a un proveedor grande y conocido?+
Por evidencia y por cercanía, no por tamaño. La plataforma está certificada ISO/IEC 27001:2022 y hay resultados públicos verificables: Colsubsidio bajó su mora del 25% al 12% y Lulo Bank aumentó su capacidad de procesamiento casi un 300%. A eso se suma lo que más destacan quienes ya la usan: un equipo que acompaña la integración y las pruebas de forma directa, sin capas de soporte. Todo lo que afirmamos está publicado con su fuente para que lo revises en un due diligence.
Construir, comprar o elegir uFlow
Revisamos cómo decides hoy y te mostramos cómo se resolvería en el motor, con tus fuentes y tus políticas.