Caso real: cómo una distribuidora en Monterrey automatizó cobranza por WhatsApp y recuperó $1.2M MXN en 90 días

Una distribuidora de insumos industriales en la zona metropolitana de Monterrey tenía $3.4 millones de pesos en cartera vencida. Dos personas full-time haciendo llamadas que casi nadie contesta. Tasas de respuesta del 12%. Fue hasta que automatizaron cobranza por WhatsApp que recuperaron $1.2 millones en 90 días sin contratar a nadie más.

Lo interesante no es que "usaron IA". Es todo lo que descubrieron sobre cómo funcionan realmente los negocios mexicanos cuando empiezas a mover cosas que llevan años estancadas.

La situación inicial: el colchón de dinero invisible

Logística del Norte (nombre anonimizado) es una distribuidora de materiales para construcción y manufactura. 45 empleados, 350 clientes B2B en Nuevo León y Coahuila, principalmente contratistas, ferreterías pequeñas y fábricas medianas. Facturan aproximadamente $120 millones de pesos al año.

En febrero de 2026, su cartera total era de $15 millones de pesos. De eso, $3.4 millones estaban vencidos (28% del total) — facturas de 30, 60, 90 días o más sin pagar. El gerente de finanzas lo llamaba "el colchón invisible": dinero que debería estar en el banco pero estaba en suspenso porque los clientes "van a pagar la próxima semana".

El proceso de cobranza era artesanal. Dos personas — una coordinadora de cobranza de tiempo completo y un asistente administrativo a media jornada — gastaban la mayoría de su día en:

• Llamadas telefónicas: el cliente ve "Logística del Norte" en la pantalla y no contesta. Tasa de conexión real: 20% de intentos. De esos, 30% dice "llamo después".
• Correos: la mayoría van a spam o bandeja de "revisar después".
• Reportes manuales: cada lunes, armar en Excel un resumen de quién debe qué. Toma 4 horas, es propenso a errores.

Tasa de respuesta efectiva: 12%. O sea, de 100 intentos de cobranza, 12 generaban un pago o promesa de pago.

El diagnóstico: una semana de observación

Cuando entramos, lo primero que hicimos fue no automatizar nada. Solo observar. Una semana completa, mirando:

• ¿Por qué no contestan las llamadas? Clientes dicen después que no reconocen el número corporativo. Las llamadas sienten impersonales, no como si fuera el contacto de ventas de confianza.
• ¿Y los correos? Muy formales. Van a spam. Cuando llegan a bandeja, se pierden entre 50 correos más del día.
• ¿Qué canales usan los clientes? WhatsApp. Todas las conversaciones importantes de Logística del Norte con sus clientes pasan por WhatsApp, con números personales de vendedores. Es el canal de verdad; el email y la llamada corporativa son ruido.
• ¿Quién en realidad tiene capacidad de pagar? El 80% de la cartera vencida estaba en 40 clientes. Los otros 310 clientes tenían facturas al día o menos de $50k MXN vencidos.
• ¿Cuál es la mejor hora para contactar? Entre las 9 y 11 AM, y entre las 4 y 6 PM. Después de las 8 PM casi nadie responde.

El diagnóstico fue simple: no es que los clientes no quieran pagar. Es que no escuchan cuando les pides. Y cuando sí escuchan, la conversación se pierde en un correo en spam o una llamada corporativa que no les dice nada.

La solución: arquitectura en cinco capas

¿Por qué cinco capas?

Automatizar cobranza no es "mandar un mensaje y listo". Es 10% modelo de IA y 90% integración, templates, routing lógico y escalamiento. Esto es lo que diseñamos:

La implementación: tres semanas para lanzamiento

Semana 1: Integración y aprobación

Conectar Odoo con Google Sheets (1 día). Configurar Gupshup como proveedor de WhatsApp API (1 día). Escribir y enviar a Meta tres templates de cobranza para aprobación (2 días). Esperar (el día 5, Meta aprueba dos templates, requiere pequeña reescritura del tercero).

Semana 2: Pruebas con equipo interno y 20 clientes

Configura los triggers en n8n. Prueba completa de flujo: script trae facturas, identifica clientes a 30 días vencidos, envía mensaje, espera respuesta, clasifica. Hacemos esto con 20 clientes "voluntarios" (que ya sabíamos eran contactables). Resultados: 12/20 responden en la primera hora. El prompt del agente IA requiere ajustes (es muy "automático", falta tono mexicano de negociación).

Semana 3: Rollout completo y capacitación

Se activa para los 40 clientes principales de la cartera vencida. Se capacita al equipo: cómo leer el dashboard, cuándo escalar a humano, tono de negociación si un cliente llama diciendo que recibió un mensaje. Se fija una meta: no dejar sin respuesta un cliente que dice "quiero hablar contigo".

Resultados: por mes, durante 90 días

En paralelo, otros indicadores:

• Días de cartera promedio: 62 días → 41 días (ahorro de 3 semanas en flujo de caja).
• Personas dedicadas a cobranza: 1.5 FTE → 0.5 FTE. La coordinadora se dedicó a retención de clientes de alto valor. El asistente pasó a soporte administrativo general.
• Tasa de disputa (cliente dice "ya pagué" o "no debo eso"): 8% de mensajes → 3%. Porque ahora el sistema ve si un cliente ya pagó; no manda dos veces.

"La IA fue el 10% del proyecto. El 90% fue entender cómo hablan los clientes mexicanos y no sonarles como un robot de cobranza."

Aprendizajes brutales: qué pasó en producción

Aprendizaje 1: El template importa más que el modelo

En semana 2, el template 3 sonaba así: "Estimado cliente, le comunicamos que existe una factura pendiente de pago con fecha de vencimiento...". Tasa de respuesta: 8%. Lo reescribimos a: "Hola, tenemos un pendiente de $280k que venció el lunes. ¿Mañana lo mandas o el jueves mejor?". Tasa saltó a 52%. Conclusión: un template mal redactado mata una automatización. El modelo de IA es lo de menos; la conversación inicia con cómo pides.

Aprendizaje 2: Hay un tono mexicano de cobranza que no suena agresivo pero sí urge

Probamos variaciones: "Le recordamos..." (formal, muere en spam), "Ey, ¿te acuerdas de...?" (muy casual, algunos se sienten acosados), "Tenemos un saldo tuyo de..., ¿en qué te ayudo?" (ganador). El tono que funcionó fue algo entre cómplice y comprensivo: "entiendo que ocupaste el producto, pero ahora yo también necesito que me ayudes cerrando esto".

Aprendizaje 3: Integración Odoo + templates es el 70% del proyecto

El equipo esperaba que el modelo de IA haría magia. Gastarían 40% del tiempo en IA. En realidad: 10% en IA, 60% en hacer que Odoo hablara bien con Google Sheets, n8n, Gupshup, y que los datos llegaran limpios. Los detalles matan: un cliente que pagó parcialmente pero el ERP no se actualizó en tiempo real genera un mensaje de cobranza incómodo. Requiere validaciones triples.

Aprendizaje 4: Algunos clientes intentan fraude

Tres clientes responden diciendo "sí, manda tu CLABE que ahora te transfiero". Cuando das tu CLABE, desaparecen. Fue necesario agregar paso de verificación: si un cliente responde con intención de pago, agente IA verifica si el cliente tiene historial de pagos punctuales. Si es de riesgo, requiere comprobante de transferencia antes de cerrar. No automatizable 100%, requiere humano.

Aprendizaje 5: El dashboard es más importante que parecería

El gerente de finanzas dijo que lo más valioso no fue "recuperamos $1.2M" sino "por primera vez sé qué clientes van a pagar y cuáles no". El dashboard Power BI predice, basado en respuesta a primer mensaje + historial, si un cliente es probable o no probable de pagar en próximos 30 días. Permitió priorizar: enfocarse en los 10 clientes que sí van a soltar dinero vs. gastar tiempo con quienes claramente escurren.

Números económicos del proyecto

Inversión inicial (una sola vez):

• Setup integración Odoo-Google Sheets-n8n: $35k MXN
• Configuración Gupshup y aprobación templates: $15k MXN
• Desarrollo del agente IA (Claude Haiku, prompt tuning): $45k MXN
• Dashboard Power BI: $25k MXN
• Project management y capacitación: $60k MXN
• Total setup: $180k MXN

Costo mensual de operación (recurrente):

• Gupshup (WhatsApp API + conversaciones): $4.2k MXN
• n8n cloud (orquestación): $1.5k MXN
• Claude Haiku (clasificación de respuestas): $0.8k MXN
• Power BI (analytics): $2k MXN
• Soporte y evolución (agencia, 4 horas/mes): $3.5k MXN
• Total mensual: $12k MXN

ROI en 90 días:

• Recuperado: $1.2M MXN (dinero que de otro modo seguía en "pendiente")
• Costos incurridos: $180k setup + ($12k × 3 meses) = $216k MXN
• ROI bruto: ($1.2M − $216k) / $216k = 4.55x (355% de retorno en 90 días)
• Payback del proyecto: mes 1 (el proyecto se paga a sí mismo en 18 días)

Ahora, mes 12: si mantienen la operación igual, probablemente recuperen entre $2-3M adicionales (clientes en 30-60 días que no estaban listos en el ciclo inicial). El setup se amortiza en los primeros 90 días; todo lo demás es ganancia.

Checklist: qué necesitas para replicar esto en tu empresa

• ERP o sistema de facturación con API: Odoo, SAP, Contpaqi con acceso a datos de facturas. Si solo usas Excel, va a ser mucho más manual.
• WhatsApp Business API aprobado: No vale usar tu número personal. Meta requiere aprobación formal. Toma 5-10 días.
• Proceso de cobranza documentado: Antes de automatizar, saber cuál es el flujo: primer contacto a qué días, segunda ronda cuándo, cuándo escalar. Si lo improvisas, la automatización también será un desastre.
• Templates revisados por abogado + equipo comercial: No mandes mensajes de cobranza sin que un abogado diga que es legal. En México hay regulaciones sobre insistencia de cobranza.
• Persona designada para revisar excepciones: Clientes que disputan, que dicen "ya pague", que piden plazo especial. La IA no puede resolver todo. Necesitas alguien revisando 30 minutos al día.
• Métrica clara de éxito: No es "mandamos 1,000 mensajes". Es "recuperamos $X en Y días" o "tasa de respuesta pasó de 12% a Z%".

El cierre: cobranza es dinero puro

No es bonito hablar de cobranza. Suena agresivo, incómodo, poco "transformador". Pero en una PYME mexicana con márgenes de 20-30%, recuperar cartera vencida es literal dinero en el banco. Logística del Norte no tuvo que despedir a nadie, no tuvo que vender activos, no tuvo que negociar con el banco. Solo automatizó un proceso que ya tenían, pero mejor.

Si tu empresa tiene cartera vencida de $500k MXN o más, esto probablemente te interesa. Si es $3-5M, casi no hay escusa para no hacerlo.