En Argentina, el 7.6% del crédito bancario está en mora, el índice más alto de América Latina. En Colombia ese número llega al 3%; en Chile y Panamá, al 2.4%; en México, al 2.2% (Bloomberg Línea, agosto 2026). Esos son índices bancarios, pero el arriendo residencial sigue el mismo ciclo: cuando las condiciones crediticias se ajustan, la morosidad en portafolios de arriendo sube primero y más rápido. Un incumplimiento completo, sumando vacancia legal, costos judiciales y re-arriendo, cuesta entre 12 y 18 meses de ingreso bruto al propietario (CBRE Research). Con ese dato sobre la mesa, anticiparse 45 días antes del primer atraso cambia el negocio.
Por qué la selección inicial no alcanza
La mayoría de las gestoras de arriendo en LATAM concentran su análisis de riesgo en un solo momento: cuando reciben la solicitud. Verifican el historial crediticio, piden comprobantes de ingreso, exigen codeudor. Si el modelo de selección funciona bien, la tasa de incumplimiento es baja al inicio. El problema es que las circunstancias cambian.
Un inquilino que califica perfectamente en enero puede perder su empleo en julio. Una empresa cuya nómina garantizaba el pago puede entrar en crisis. Las condiciones macroeconómicas de 2026, que Moody's describe como un endurecimiento crediticio generalizado con deterioro en los hogares de los principales sistemas bancarios de la región, no afectan a todos los inquilinos al momento de firmar el contrato: los afectan seis, nueve, doce meses después.
El modelo tradicional detecta el problema cuando ya ocurrió, cuando el inquilino lleva uno o dos meses sin pagar. Para ese momento, en Colombia, el proceso de restitución de inmueble puede tomar entre cuatro y ocho meses. En México, los plazos son similares. El margen para actuar con anticipación tiene un costo directo: cuánto tiempo pasa entre el primer indicio y la primera acción.
Esto es exactamente lo que los modelos predictivos de morosidad intentan resolver, no reemplazando la selección inicial, sino añadiendo una capa de monitoreo continuo sobre el portafolio activo.
Qué señales lee el modelo antes del atraso
La predicción de incumplimiento trabaja con más de 50 variables financieras y de comportamiento, según análisis del sector de proptech de arrendamiento. La diferencia con la selección estática está en que el modelo no evalúa solo quién es el inquilino, sino cómo se comporta en el tiempo.
Algunas señales son directas: los días de retraso promedio en los últimos tres pagos, la frecuencia de pagos parciales, si el canal de pago cambió (de transferencia a efectivo, por ejemplo). Otras son más sutiles: la frecuencia de respuesta a comunicaciones del gestor, el tiempo promedio entre contacto y respuesta, si el número de teléfono o cuenta bancaria asociada al contrato cambió.
Las señales externas también pesan. Una región cuya industria empleadora principal reporta caídas de empleo es una señal anticipada para los contratos de inquilinos en ese sector. Los índices de morosidad bancaria regional actúan como indicador adelantado: cuando Argentina supera el 7% de mora bancaria, los portafolios de arriendo en el país suelen seguir ese patrón en los trimestres siguientes.
Los modelos entrenados con estos datos logran una precisión del 80 al 88% en predicciones de incumplimiento a tres años, frente al 55 al 65% que consiguen los procesos manuales de revisión (The AI Consulting Network, 2026). Y lo hacen con semanas de anticipación. La ventana entre la señal y el evento es donde la gestora puede actuar: contactar proactivamente, negociar un plan de pago, ajustar el calendario de renovación.
Para las gestoras que manejan portafolios de 50 unidades en adelante, la diferencia entre detectar a tiempo y detectar tarde no es solo operativa. Es financiera: la reducción de la tasa de incumplimiento que reportan los operadores que usan herramientas de predicción está entre el 25 y el 40% respecto a su línea base anterior.
Lo que LATAM complica: informalidad y brechas de datos
Los modelos predictivos funcionan con datos. Y LATAM tiene brechas específicas que los mercados más maduros no tienen en la misma escala.
El primer problema es la informalidad. En México y en Colombia, la mayoría de los trabajadores opera en la economía informal, sin historial tributario verificable ni salarial formal. Un inquilino con ingreso informal puede ser perfectamente puntual, pero sus datos de referencia son limitados, y en muchos países el sistema de burós de crédito tiene cobertura parcial precisamente en este segmento.
El segundo problema es el efectivo. En muchos contratos de arriendo residencial en la región, el pago sigue siendo en efectivo o transferencia no vinculada a un sistema de gestión. Si la gestora no captura esos datos de forma sistemática, el modelo no tiene nada que analizar.
El tercero es la antigüedad del contrato. Un modelo predictivo necesita entre seis y doce meses de historia de pagos para generar señales confiables. Los contratos nuevos son puntos ciegos por definición.
Nada de esto hace imposible la predicción, pero sí obliga a trabajar con señales alternativas. Las señales de comunicación (respuesta vía WhatsApp, puntualidad en el envío de documentos de renovación) son datos que cualquier gestor ya produce, aunque no los capture sistemáticamente. Los indicadores de morosidad bancaria regional, disponibles en tiempo cercano al real, sirven como variable de contexto macroeconómico. Las señales de comportamiento son más difíciles de falsificar que un comprobante de ingresos editado.
Las gestoras que ya aplican modelos de crédito propios en la región
El mercado proptech de LATAM ya tiene operadores que construyeron capacidades de crédito y monitoreo internamente, no como herramienta aislada, sino como parte central de su propuesta de valor.
Aptuno en Colombia (Bogotá y Medellín, con expansión a Ciudad de México) ofrece arriendo sin codeudor porque su modelo de evaluación crediticia propia les da confianza suficiente para eliminar ese requisito. Según la empresa, logran arrendar sus propiedades un 80% más rápido que el proceso tradicional, precisamente porque el análisis de crédito está automatizado y no depende de un aval humano (Portafolio). El mismo modelo de riesgo que usan en la selección también alimenta un producto de adelanto de renta al propietario: la gestora paga aunque el inquilino no haya pagado, porque el modelo ya estimó la probabilidad de cobro.
Houm en Chile y México combina IA para predicción de precios, selección de inquilinos y optimización de cobranza. Su tasa de colocación (propiedades arrendadas en menos de 30 días) supera el 95%, según datos de la compañía (adivor.com.mx, diciembre 2025). La cobranza optimizada con IA no es solo un recordatorio automático: es el ajuste del canal, el momento y el tono del contacto según el perfil de cada inquilino.
Para una gestora tradicional que administra arriendo residencial, estos casos ilustran la brecha. No entre tener IA o no tenerla, sino entre operar con un sistema de detección reactivo (saber que el inquilino no pagó) y uno preventivo (saber que el inquilino tiene dificultades antes de que deje de pagar).
Qué hacer con esto
El punto de partida no es un modelo de machine learning sofisticado. Es la captura sistemática de los datos que ya existen en la operación.
Si tu gestora maneja más de 30 contratos activos, lo primero es responder tres preguntas con datos reales: ¿Cuántos inquilinos pagaron fuera del rango normal en los últimos seis meses? ¿Cuántos contratos tienen más de dos solicitudes de prórroga o fraccionamiento en el último año? ¿Cuántos propietarios han reportado dificultad para contactar a su inquilino más de una vez en los últimos tres meses?
Esas tres preguntas no son IA. Son observación sistemática. Pero son exactamente el tipo de señal que un modelo de predicción aprende a leer primero. Implementarlas como un tablero de alertas mensual, revisado por el jefe de operaciones, reduce el tiempo de detección sin ninguna herramienta adicional.
El siguiente paso, una vez que esos datos están capturados, es evaluar herramientas diseñadas para el segmento: proptech de gestión de arriendo con módulos de scoring de riesgo integrados. Varias plataformas disponibles en Colombia y México ofrecen alertas de comportamiento de pago. La decisión de comprar o construir depende del tamaño del portafolio, pero para una gestora que supera las 50 unidades activas, el retorno de la herramienta se justifica con la reducción de un solo incumplimiento por año.
El costo de no anticiparse lo calcula CBRE con claridad: entre 12 y 18 meses de renta perdida por cada evento. Esa es la cifra que convierte la predicción de morosidad en una inversión, no en un gasto tecnológico.