Cómo vender Liquid a un banco colombiano.

"Nuestro equipo ya hace esto manualmente. No necesitamos software."

Perfecto, eso significa que ya tienen el conocimiento del proceso — lo que les falta es escalarlo. Sus analistas pueden gestionar bien 200 puntos a mano. ¿Con 25 mil? Imposible que estén optimizando — están reaccionando. Liquid no reemplaza al equipo, lo libera de la operación repetitiva para que se enfoque en los casos excepcionales que sí requieren juicio humano. Pregúntenles a sus analistas cuánto tiempo a la semana dedican a operativa rutinaria — esa es la métrica.
→ Acción: discovery sobre tamaño y tareas del equipo actual

"Esto necesita pasar por revisión SARLAFT/compliance — toma 6 meses como mínimo."

Por eso diseñamos Liquid específicamente para que NO tenga que pasar por revisión SARLAFT pesada. La capa de decisión es un motor de reglas determinístico — auditable como cualquier sistema operativo. La capa de IA solo traduce outputs a lenguaje natural, no toma decisiones. Todo on-premise, datos no salen del perímetro. Cumple con la Circular 008/2024 de la SFC sobre uso de IA en banca sin necesidad de aprobación extraordinaria.
→ Acción: ofrecer reunión con CISO + arquitectura completa (security.html)

"No compramos software de startups — necesitamos un proveedor establecido."

Entendemos completamente la preocupación. Por eso Liquid se entrega como un módulo de Algorithm-IA, que opera FluxionIA en producción desde 2021 con clientes como La Granja — 24 supermercados, $500K USD/mes en ahorros documentados. El motor algorítmico es el mismo, reentrenado para banca. Y el piloto de 90 días con opt-out elimina el riesgo de "comprar startup": si no entregamos, salen sin penalidad.
→ Acción: enviar caso FluxionIA + referencia directa a La Granja

"¿Qué pasa si el modelo se equivoca y un punto crítico se queda sin efectivo?"

Tres respuestas en orden: uno, Liquid no reemplaza al sistema actual — lo complementa. Las primeras 4 semanas opera en modo shadow, sin emitir alertas en vivo. Dos, el motor es determinístico — la "equivocación" es trazable a un dato o regla específica, no a una caja negra. Saben exactamente por qué se decidió lo que se decidió. Tres, los SLA contractuales incluyen créditos si la precisión cae bajo umbral acordado. Si quieres comparar contra el status quo: ¿cuántos puntos críticos están sin efectivo hoy mismo, sin Liquid? Probablemente 800-1.200.
→ Acción: agendar deep-dive con su equipo de riesgo operativo

"¿Por qué no construimos esto internamente? Tenemos un equipo de data science."

Pueden, y muchos bancos lo intentan. Tres realidades: uno, no es un proyecto de data science — es un sistema productivo con motor de reglas, integraciones, dashboards, ruteo TSP, capa de lenguaje natural. Un equipo bueno se demora 18-24 meses y $1.5-2M USD en construir el MVP. Dos, mientras construyen, los $5-8M USD/año de ineficiencia siguen sangrando. Tres, lo que sí pueden construir internamente: módulos custom encima de Liquid. Diseñamos APIs precisamente para eso. Build vs buy: el cálculo siempre favorece comprar lo genérico y construir lo diferenciado.
→ Acción: ofrecer comparativa formal build vs buy con números

"$3 USD por punto al mes × 25 mil puntos es mucho dinero — no entra en presupuesto."

Total comparado con qué. $905K USD/año vs $5-8M USD/año en ineficiencias documentadas con la calculadora. Payback de menos de 3 meses, ROI año 1 superior al 400%. Si presupuesto SaaS es el bloqueo, tenemos el esquema de revenue share: pagan 20% del ahorro medido, con piso y techo. No pagan a menos que generemos valor verificable. Y si lo que les preocupa es CAPEX vs OPEX, el setup se puede amortizar contractualmente en 12-24 meses.
→ Acción: workshop ROI con sus números reales + ofrecer revenue share

"Ya hablamos con [competidor / proveedor de core bancario] — ellos dicen que pueden hacer lo mismo."

Probable. La pregunta es qué, exactamente. Que les muestren: uno, su motor estadístico — ¿usan Prophet, ARIMA, qué? Pidan ver una predicción real con datos del banco. Dos, su rules engine — ¿cada regla es inspeccionable o es black box? Pidan ver el código de una regla activa. Tres, su caso de uso real en banca corresponsal — no en ATMs, no en retail, en corresponsales. Si pasan los tres tests, son competencia real y nos toca trabajar más duro. Casi nunca pasan los tres.
→ Acción: posicionar diferenciadores específicos por escrito en propuesta

"Necesitamos integrarlo con nuestro core bancario / sistema actual de gestión de canales."

Sí, y es directo. Liquid expone APIs REST y consume cualquier fuente que ya tengan (aggregator, datawarehouse, core bancario vía read-only). En el piloto entregamos las primeras 2 integraciones incluidas. Cualquier sistema con API o export programado funciona. No tocamos transacciones, no movemos plata, no autorizamos operaciones — solo leemos y recomendamos. Esto simplifica el security review enormemente.
→ Acción: brief técnico con su equipo de integraciones (1h, con SE de Algo-IA)

"Esto se ve bonito pero — ¿quién está detrás? ¿Es un proyecto serio?"

Algorithm-IA, fundada por José Felipe López (CEO) y Fernando A. Operamos FluxionIA en producción desde 2021. Liquid es nuestra apuesta vertical para banca corresponsal en LATAM y África. Tenemos roadmap a 24 meses, equipo dedicado, y respaldo del ecosistema Algorithm-IA (Lendadora, CactusPay, CactusID). Y yo, Luis Felipe, soy su socio comercial en Colombia — esto es mi apuesta también.
→ Acción: incluir bio del equipo y casos Algorithm-IA en propuesta

"Nos interesa, pero el ciclo de decisión interno toma 9-12 meses."

Lo respetamos — banca grande siempre es así. Por eso el piloto de 90 días está diseñado para entrar por presupuesto operativo, no por inversión estratégica. $32.5K USD totales, autoría VP de área, sin pasar por board. Mientras el comité hace su evaluación de largo plazo, el piloto va generando datos reales para sustentar la decisión. El piloto es la mejor manera de matar nueve meses de incertidumbre con tres meses de evidencia.
→ Acción: mapear stakeholders + identificar el ejecutivo que puede aprobar piloto sin comité