Construyendo un motor de tasas para 10 países: lo que aprendimos

Este es el primero de una serie de posts de build-in-public. Sin marketing. Sin posicionamiento. Solo la historia honesta de construir algo difícil.

Cuando nos propusimos construir un motor de tasas para financiamiento de infraestructura en América Latina, pensamos que la parte difícil sería la matemática. La parte realmente difícil fue encontrar datos honestos.

Versión 1: el error de las tasas corporativas

Nuestro primer modelo de tasas usaba tasas de crédito corporativo como benchmark. La lógica parecía sólida: si una corporación chilena pide prestado al 7%, deberíamos poder ofrecer tasas competitivas empezando alrededor de 8-9%.

Estabamos equivocados. Catastroficamente equivocados.

Las tasas corporativas no tienen nada que ver con lo que pagan los operadores PYME. Una corporación chilena al 7% y una PYME chilena al 11% operan en universos financieros distintos, mismo país, planetas diferentes.

Cuando mostramos nuestras tasas v1 a operadores, el feedback fue inmediato: "Esto es más bajo que lo que me cotiza mi banco. Cómo?" La respuesta, estabamos haciendo benchmark contra el segmento equivocado, no era algo que quisieras shipear.

El pivote OECD

El punto de inflexión fue descubrir el OECD SME Financing Scoreboard. Por primera vez, teníamos datos sistemáticos, a nivel de país, de lo que las PYME realmente pagan:

Nuestro motor v1 estaba subvalorando el riesgo por 4-13 puntos porcentuales. Si hubiéramos lanzado con esas tasas, estaríamos haciendo promesas que no podíamos cumplir; o construyendo un modelo donde los LPs pierden plata.

Versión 2: calibración país por país

V2 introdujo el concepto que seguimos usando hoy: cada país tiene su propia tasa base, calibrada a datos reales del mercado PYME, no a benchmarks corporativos.

La tasa base representa lo que un activo de calidad media (score de riesgo 4 de 7) debería costar en cada mercado, considerando:

1. Tasas de depósito locales (lo que los LPs pueden ganar alternativamente)
2. Tasas de crédito PYME (lo que los operadores pagan actualmente)
3. Prima de riesgo país (spreads EMBI, estabilidad política)
4. Entorno regulatorio (confiabilidad del enforcement)

Esto resolvio inmediatamente el problema de honestidad de precios. Nuestras tasas eran más altas que v1, pero eran reales. Un operador viendo una tasa de 12% en Perú sabia exactamente donde se ubicaba respecto al 20% del banco y al 30-40% del mercado informal.

Versión 3: el problema del piso LP

V2 tenia bien el pricing del lado del operador, pero habiamos descuidado el otro lado de la ecuación: la economía del LP.

Un inversor desplegando capital en nuestros pools necesita ganar más que su tasa de depósito local, significativamente más, para justificar la iliquidez y el riesgo crediticio. Si un depósito peruano paga 4.5%, un LP no va a aceptar 6% de un pool de infraestructura.

V3 introdujo el piso de viabilidad LP: cada tasa debe ser suficientemente alta para que, después del fee de administración de 0.5% sobre distribuciones, el LP gane al menos tasaDeposito + 4.5pp.

Esta restricción subio las tasas en algunos mercados, particularmente en economías dolarizadas (Panamá, Ecuador) donde las tasas de depósito son bajas y el piso se vuelve vinculante. Es contraintuitivo: tuvimos que aumentar algunas tasas para operadores para construir un mercado sostenible que atraiga capital.

Versión 4: la garantía de mejora

V4 resolvio el problema UX más difícil: mostrarle a los operadores que la verificación paga.

En v3, un operador en ciertos mercados (Chile, Panamá) podía correr una simulación, ver su tasa indicativa, pasar por el due diligence completo, y obtener... la misma tasa. Sin mejora. La verificación se sentía como un gate sin recompensa.

V4 introdujo el mecanismo de mejora garantizada:

• tasaPotencial = max(tasaDeposito + 6, tasaRaw - 2pp)
• tasaIndicativa = max(tasaRaw, tasaPotencial + 1pp)

La tasa indicativa se fija al menos 1pp por encima de la tasa potencial. Siempre. En todo mercado. Para todo perfil de riesgo. Esto significa que cada operador que completa la verificación ve una mejora concreta, aunque sea modesta.

Para algunos mercados, esto significo subir la tasa indicativa por encima de lo que el modelo puro sugeriria. En Chile, el modelo raw dice que un operador score-4 debería pagar 10.5%. Pero para garantizar 1pp de mejora (potencial en 10.3%), fijamos la indicativa en 11.3%.

Es esto matematicamente "honesto"? Si, porque la mejora es real. La tasa indicativa refleja el costo antes de que la verificación reduzca la asimetría de información. La tasa potencial refleja el costo después. La brecha representa el valor de los datos verificados.

En que nos equivocamos en el camino

Error 1: Tablas de spread uniformes. V1-V2 usaba la misma tabla de spread-vs-score para todos los países. Esto ignoraba que un operador score-4 en Perú enfrenta condiciones de mercado completamente distintas a uno score-4 en Panamá. V3+ usa calibración específica por país.

Error 2: Ignorar la accesibilidad bancaria. Inicialmente tratamos todos los tipos de activo por igual. Pero los bancos financian fácilmente bienes raíces (acceso fácil, tasas bajas) y no tocan data centers (acceso difícil, tasas altas). El ajuste industrial ahora refleja esto: data centers reciben -0.25% (porque el valor agregado de DOB es más alto), mientras bienes raíces no recibe ajuste (los bancos atienden bien ese mercado).

Error 3: Sobrecomplicar el output. V1 mostraba a los operadores su desglose de 7 factores, el cálculo del spread, el ajuste jurisdiccional y el modificador industrial. A los operadores no les importa nada de esto. Les importa: "cuál es mi tasa?" y "cuál es mi pago mensual?" V4 muestra exactamente dos números. La complejidad es interna.

El estado actual: 12 países, 7 factores, ~700 combinaciones de tasa

El motor v4.4 produce una tasa indicativa para cualquier combinación de:

• 12 países (Chile, Perú, Colombia, México, Brasil, Ecuador, Costa Rica, Panamá, Uruguay, Paraguay, Otro LATAM, Fuera de LATAM)
• 10 tipos de activo (data centers, energía, SaaS, bienes raíces, flota, minería, industrial, agricultura, salud, otro)
• 7 scores de riesgo (0-6, basados en 5 factores binarios + 2 factores continuos)

Eso es aproximadamente 840 combinaciones posibles, cada una produciendo una tasa única. El modelo se recalibra trimestralmente usando datos de bancos centrales, publicaciones de la OECD y spreads EMBI.

Qué sigue

Dos cosas en las que estamos trabajando activamente:

Precisión predictiva. A medida que acumulamos datos de simulaciones (cada simulación es un perfil de riesgo completo), podemos empezar a medir que tan bien nuestro modelo predice resultados de financiamiento reales. Ahora, nuestras tasas están calibradas por benchmark. En el futuro, estaran calibradas por resultados.

Datos país dinámicos. Actualmente, las tasas base se actualizan trimestralmente a mano. Estamos construyendo pipelines automatizados para ingerir publicaciones de bancos centrales y actualizar las tasas base en casi-tiempo-real. Cuando el BCRP de Perú cambie su tasa de referencia, nuestro motor debería reflejarlo en días, no meses.

La lección

Construir un motor de tasas nos enseñó que el problema más difícil en fintech no es la matemática; es la integridad de los datos. Cualquiera puede construir una formula. El desafio es alimentarla con inputs honestos, testear los outputs contra la realidad, y estar dispuesto a subir tus tasas cuando los datos dicen que deberias.

La tentación en fintech es mostrar la tasa más baja posible, convierte mejor. Nosotros elegimos mostrar tasas honestas. Convierte más lento, pero construye algo que realmente funciona.

Este es Build in Public #1. Futuros posts cubriran el viaje del simulador al activo fondeado (#2) y el simulador cómo flywheel de datos (#3). Todos los datos de tasas referenciados son del motor de tasas de DOB Capital v4.4 (mayo 2026).