IA per detectar morosos sona a futurologia, però avui és una realitat operativa en qualsevol despatx modern d’administració de finques. Els models predictius analitzen patrons de pagament, comportaments previs i dades de la comunitat per anticipar l’impagament abans que es produeixi. Per consegüent, l’administrador pot actuar de manera preventiva, en lloc de perseguir quotes retornades.
En aquest article t’expliquem com la IA detecta els morosos potencials, quins senyals mira, quina fiabilitat té a la pràctica i com encaixar l’ús predictiu amb el compliment del RGPD. També veuràs com el dashboard de FixrOS ofereix aquest tipus d’alertes dins del flux natural del despatx. Si vols entendre primer el context general, pots llegir la nostra guia sobre intel·ligència artificial en l’administració de finques.
IA per detectar morosos: el canvi de paradigma
L’enfocament tradicional de la morositat en comunitats és reactiu. S’actua quan el banc retorna el rebut. Per llavors, ja hi ha un mes perdut i un cost addicional de devolució. La IA inverteix l’enfocament: detecta senyals primerencs i permet intervenir abans que el problema es materialitzi.
El canvi no és tecnològic, sinó operatiu. Passem de perseguir impagaments a prevenir riscos. El despatx que adopta aquesta lògica redueix la seva taxa de morositat significativament. En la nostra experiència amb despatxos que fan servir FixrOS, la taxa mitjana baixa del 5% al 2% en sis mesos.
Per què funcionen els models predictius
L’impagament d’una quota poques vegades és aleatori. Al darrere gairebé sempre hi ha un patró. Els models de machine learning identifiquen aquest patró a partir de l’historial. Les variables més útils inclouen:
- Històric de pagaments del propietari en els darrers tres a cinc anys.
- Freqüència de devolucions bancàries prèvies.
- Temps mitjà entre el càrrec i la reposició de saldo.
- Nombre de comunicacions rebudes per reclamació.
- Canvis de compte bancari o de domicili en el darrer any.
- Estacionalitat del propietari, especialment en segones residències.
- Estat de la comunitat: derrama recent, tensió social, juntes conflictives.
Així mateix, els models poden incorporar senyals de l’entorn macroeconòmic. Per exemple, l’increment de l’Euríbor afecta els propietaris amb hipoteca variable, cosa que es correlaciona amb retards en la quota comunitària.
Quins senyals mira la IA abans d’un impagament
Els senyals primerencs són la clau. Cada model ben dissenyat vigila diverses desenes de patrons. Aquí destaquem els set que més alertes vàlides generen a la pràctica.
Senyal 1: pagament al límit del calendari
Si un propietari pagava històricament el dia 5 i comença a pagar el dia 25, ja hi ha un senyal. La distància al límit del càrrec reflecteix tensió de tresoreria. La IA agrega aquesta variable i la pondera amb el seu històric personal.
Senyal 2: canvis bancaris recents
Canviar de compte bancari sense justificació clara és relativament rar. Quan passa poc abans d’un impagament, sol indicar problemes amb l’entitat anterior. La IA creua aquesta dada amb la data del canvi.
Senyal 3: rebuig de comunicacions
Quan el propietari comença a no obrir els correus del despatx o a no signar els acusaments de recepció, hi ha un patró d’evitació. Aquest senyal sol no demostra morositat, però combinat amb d’altres eleva el risc.
Senyal 4: absències a juntes després d’assistència prèvia
Un propietari que hi assistia i deixa de fer-ho bruscament pot estar evitant responsabilitats. La IA creua el patró amb la qüestió votada a la junta omesa, especialment si era una derrama.
Senyal 5: canvis de titularitat sense notificar
Una transmissió de propietat sense notificació al secretari, segons l’art. 9.1.i LPH, deixa el transmitent com a responsable solidari. Aquests casos generen litigis i freqüentment impagaments durant el període de confusió.
Senyal 6: intents de domiciliació amb saldo just
Alguns bancs rebutgen domiciliacions que deixarien el saldo en negatiu o a prop del límit. Quan es repeteix el patró en diverses quotes, el risc es materialitza aviat.
Senyal 7: context de la finca
Una comunitat amb derrama per humitats recent, conflictes veïnals documentats o tensió per VUT eleva la probabilitat d’impagaments puntuals. El model afegeix un coeficient de la finca al perfil individual.
Com es tradueix en alertes pràctiques
Una IA ben dissenyada no produeix llistes llargues i poc accionables. Al contrari, ofereix alertes prioritzades amb tres nivells. Això contrasta amb l’enfocament reactiu que detalla la nostra guia sobre què fer amb els morosos pas a pas, on el problema ja s’ha materialitzat.
Nivell verd: vigilar
El propietari mostra senyals menors. L’acció recomanada és seguiment sense contacte actiu. La IA només informa l’administrador i arxiva l’observació.
Nivell ambre: contactar suaument
Els senyals s’acumulen. L’acció recomanada és una comunicació cordial sobre la propera quota: per exemple, recordatori de data i opcions de pagament. Aquest contacte primerenc resol la majoria d’impagaments abans que passin.
Nivell vermell: actuar immediatament
El risc és alt. L’acció recomanada és el requeriment previ, abans de la devolució. Això evita el cost de la devolució bancària i obre via ràpida a un acord de pagament. En casos d’impossibilitat de pagament, convé preparar el procediment monitori de l’art. 21 LPH.
Compliment del RGPD en models predictius
L’ús d’IA amb dades personals exigeix compliment estricte del RGPD. Per consegüent, convé tenir tres punts resolts abans d’activar el sistema.
Base jurídica del tractament
La base jurídica habitual és l’interès legítim de la comunitat i del despatx a garantir el sosteniment econòmic. Tanmateix, l’interès legítim exigeix una ponderació documentada que justifiqui per què preval sobre els drets de l’afectat.
Informació al propietari
El propietari ha de ser informat que el seu històric s’utilitza per a l’anàlisi predictiva. La informació ha de ser clara, accessible i publicada a la política de privacitat de la comunitat i del despatx.
Dret a no ser objecte de decisions automatitzades
L’art. 22 del RGPD reconeix el dret a no ser objecte de decisions individuals automatitzades. La IA ha d’oferir recomanacions, no decisions automàtiques. Per tant, l’actuació final sempre la valida una persona. Així mateix, les eines professionals mantenen servidors a la UE i signen contractes d’encàrrec del tractament, cosa que facilita el compliment sense esforç addicional del despatx.
Com el dashboard de FixrOS anticipa els impagaments
El dashboard de FixrOS aplica aquest enfocament preventiu de manera nativa dins del flux natural del despatx, sense necessitat d’eines externes ni configuració addicional:
- Score de risc per propietari, recalculat diàriament amb els darrers senyals.
- Alertes semàfor verd, ambre i vermell, integrades al panell de l’administrador.
- Plantilles de comunicació personalitzades segons el nivell d’alerta.
- Traçabilitat completa de l’evolució del risc en el temps, accessible des de l’expedient del propietari.
- Compliment del RGPD natiu: servidors a la UE, contracte d’encàrrec i panell de drets del propietari.
- Connexió amb el monitori: si el risc es materialitza, el dashboard prepara el certificat de l’art. 21 LPH a punt per a l’advocat.
Si vols veure el flux predictiu aplicat a la teva cartera, pots demanar una demo personalitzada i comparar-la amb l’operativa actual del despatx.
Casos pràctics: com canvia el dia a dia
Cas 1 — Jubilada amb tensió de tresoreria
Una propietària de 78 anys pagava sempre puntualment. Després de la pujada de l’Euríbor i un ingrés hospitalari, el seu pagament es retarda dues setmanes. La IA detecta el canvi i alerta en ambre. L’administrador truca amablement. La propietària explica la situació i acorden fraccionar la quota en dos terminis. L’impagament s’evita.
Cas 2 — Pis acabat de comprar
Un nou propietari adquireix un pis al febrer. No comunica la transmissió al secretari, conforme a l’art. 9.1.i. La IA detecta el canvi en les dades del Registre i alerta en vermell. L’administrador contacta amb el transmitent per evitar la responsabilitat solidària, i amb l’adquirent per regularitzar. S’evita una disputa cara.
Cas 3 — Derrama per humitats
Després d’aprovar una derrama de 2.000 € per humitats, el model eleva el risc de cinc propietaris concrets pel seu històric irregular. L’administrador llança un recordatori cordial amb opcions de fraccionament. Quatre dels cinc accepten el pla. Només un entra en monitori.
Errors freqüents en usar IA predictiva
- Confondre l’score amb una sentència. Un score alt és una alerta, no una afirmació de morositat.
- Comunicar l’score al propietari. La informació de gestió interna no s’ha d’utilitzar en comunicacions, tret de sol·licitud del dret d’accés.
- Oblidar la revisió humana. L’art. 22 del RGPD exigeix intervenció humana en decisions que afectin significativament el propietari.
- Tractar igual tots els propietaris. L’eficàcia del model depèn de la personalització del contacte.
- No actualitzar el model. Sense retroalimentació amb el resultat real, el model es degrada amb el temps.
Preguntes freqüents
La IA pot predir un impagament amb certesa absoluta?
No. Els models ofereixen probabilitats, no certeses. Tanmateix, les probabilitats són útils si s’interpreten com a alertes que disparen accions preventives, no com a sentències.
Quina taxa d’èxit tenen els models predictius en comunitats?
Les dades varien segons la comunitat i la qualitat de l’històric. En la nostra experiència amb FixrOS, les alertes en nivell vermell encerten entre el 75% i el 85% dels casos. Les alertes en ambre es resolen majoritàriament amb un simple contacte cordial.
És legal compartir l’score amb la comunitat?
No. L’score és informació interna del despatx per a la gestió. Compartir-lo amb tercers vulnera el RGPD. La comunitat rep el resultat en forma de morositat gestionada, no de llistats de propietaris «en risc».
La IA substitueix l’equip de cobraments?
No. Substitueix la part rutinària del seguiment i allibera l’equip per concentrar-se en casos complexos. L’equip humà continua sent decisiu en la negociació i en l’empatia.
Què passa si un propietari sol·licita explicació de l’score?
El RGPD li dona dret a informació sobre la lògica aplicada. El dashboard de FixrOS permet generar una explicació accessible. Així mateix, el propietari pot sol·licitar que la decisió final no sigui automatitzada, conforme a l’art. 22 del RGPD.
Puc fer servir IA predictiva si gestiono poques comunitats?
Sí. Els models moderns funcionen amb carteres petites perquè combinen dades del despatx amb patrons agregats del sector. La barrera de volum és cada cop menor.
Conclusió: del seguiment a l’anticipació
La IA per detectar morosos transforma el paper de l’administrador en la gestió financera de la comunitat. Passem de gestionar problemes consumats a anticipar tensions de tresoreria abans que es converteixin en impagaments. El resultat és una cartera més sana, una comunitat més tranquil·la i un despatx més eficient.
Per aprofundir-hi, et recomanem els articles sobre intel·ligència artificial en administració de finques, com reduir la morositat al 2% i què fer amb els morosos pas a pas.