¿Qué es Kairos y qué decisiones toma?
Una sola llamada a la API devuelve una de cuatro decisiones —aprobar, escalar, revisar o bloquear— junto con una puntuación de riesgo y las razones que la sustentan. Eso es lo que promete Kairos, la plataforma de decisión de fraude y riesgo en tiempo real que Finic publicó como código abierto bajo licencia Apache 2.0 en su repositorio de GitHub.
Para un founder con un checkout, un flujo de retiros o un marketplace, esto toca la línea de flotación del negocio: cada falso positivo cuesta una venta legítima y cada falso negativo cuesta un contracargo más una comisión. Kairos se posiciona explícitamente como alternativa open source a Sardine, Sift, Riskified y SEON, con dos diferencias que su documentación destaca: el agente de código del equipo es quien lo ajusta, y los modelos de decisión detectan fraude antes de tener las etiquetas necesarias para entrenar.
¿Cómo decide Kairos cada registro, login, pedido o pago?
El flujo es el de un motor de decisión clásico, pero con la trazabilidad como requisito. Se envían eventos del producto —altas, inicios de sesión, pedidos, pagos, contracargos— y el sistema evalúa cada solicitud contra el historial del sujeto, los dispositivos, tarjetas y direcciones que comparte con otros, y la sesión en curso. El resultado se guarda junto con las señales que lo motivaron.
Leíste lo que hace la IA. ¿Y en tu negocio?
Un agente de IA puede quedarse con parte de tu día: ordenar lo pendiente y pedirte el OK antes de actuar. El Kit «tu mano derecha con IA» trae un video de 11 minutos y una ficha para dejar al tuyo trabajando. CAR está cerrada por ahora; al anotarte, te avisamos cuando abra.
👥 Quiero el Kit →Sobre esa base se construyen workflows: consultar un modelo de decisión, puntuar con un modelo propio, ramificar según el resultado, llamar webhooks, abrir casos y volver a decidir más tarde. Cuando la decisión es «revisar», entra el trabajo humano: colas y casos para que un analista resuelva, y esas resoluciones se convierten en etiquetas que alimentan el siguiente ciclo de entrenamiento. Es un detalle importante, porque cierra el bucle entre operación y modelo sin exportar datos a otra herramienta.
¿Qué hace un agente de IA dentro de una plataforma antifraude?
Kairos expone un servidor MCP para que Claude Code, Cursor, Codex o cualquier agente compatible lean las decisiones y construyan workflows, con cada acción registrada bajo la clave del agente. El ciclo que propone la documentación tiene cuatro pasos: el agente define qué decidir y qué campos puntuar; diseña variantes de experimento (modelo de decisión solo, regresión logística sobre los datos propios, árboles con gradient boosting, una combinación de ambos); Kairos entrena cada variante con los datos etiquetados más antiguos, elige con los siguientes y prueba con los más recientes, reportando ROC-AUC, PR-AUC, la ganancia sobre una línea base con su intervalo de confianza al 95% y precisión y recall en los umbrales definidos; finalmente el agente explica su elección y publica la variante ganadora como nueva versión del workflow.
El ejemplo que usa la propia documentación es ilustrativo, no un caso de cliente: ante la frase «nuestros contracargos subieron, encuentra un mejor modelo para shopify_order y publícalo si gana», el agente diseña seis variantes y publica la que combina los números del pedido con las respuestas del modelo de decisión, con ROC-AUC 0,949 en validación y 0,930 en test. Tómalo como la mecánica que describe el README, no como un resultado auditado.
Grayson y los modelos tradicionales: ¿por qué conviene combinarlos?
El centro de la propuesta es Grayson, el modelo de decisión de Finic. Se le hacen preguntas en lenguaje natural —»¿la dirección de envío parece un reenviador?», «¿este correo es desechable?»— y responde con probabilidades calibradas. Su ventaja declarada son los escenarios donde el machine learning clásico se queda corto: funciona desde el día uno con pocas etiquetas y lee datos no estructurados como descripciones, correos, nombres, direcciones, notas y títulos de artículos. Y como cada respuesta corresponde a una pregunta que escribió el equipo, cada decisión puede explicarse.
Los modelos tradicionales aportan lo contrario: aprenden los resultados propios con precisión, a partir de los números de la empresa, y según el README no cuestan nada por decisión. Kairos permite mezclar ambos mundos: las respuestas de Grayson se convierten en features junto a los campos propios dentro de una regresión logística o de árboles con gradient boosting compatibles con XGBoost, entrenados en la propia plataforma. Los experimentos dicen qué combinación gana sobre los datos reales.
¿Qué tan abierto es Kairos en la práctica?
El código está bajo Apache 2.0 y el despliegue propio es real: se necesitan Node.js 22 y pnpm 10, el servidor levanta su propio Postgres sin base de datos que configurar, y para equipos existe docker compose up --build. La API queda en el puerto 8787 y la consola en el 5273. Hay SDK para TypeScript (@finic-ai/kairos) y Python (finic-kairos), CLI, API HTTP y documentación de autoalojamiento.
Ahora la letra pequeña que conviene leer antes de enamorarse: el autoalojamiento exige una API key de Grayson obtenida en el portal de Finic. Es decir, el motor de decisión y la capa de workflows son abiertos, pero el modelo de decisión que da la ventaja en el arranque en frío es un servicio de la empresa. Esa es la dependencia de proveedor que hay que sopesar frente a Sardine, Sift, Riskified o SEON. El README tampoco publica precios ni condiciones comerciales de Grayson, así que el costo por decisión no se puede calcular con la información disponible.
Un dato de madurez que ayuda a calibrar expectativas: al momento de esta nota el repositorio mostraba 12 estrellas y 0 forks. Es un proyecto joven, no un estándar consolidado. La búsqueda de cobertura periodística adicional no devolvió resultados verificables sobre esta herramienta, así que este análisis se apoya en el repositorio y su documentación oficial.
¿Qué significa esto para tu startup?
La decisión de fondo no es «open source sí o no», sino cuánto de tu lógica antifraude quieres que viva fuera de un proveedor cerrado. Con Kairos puedes quedarte con el motor de decisión, los workflows y el historial de señales en tu propia infraestructura, y mantener el modelo como servicio externo. Para un equipo pequeño con presión de contracargos, esa separación permite cambiar de modelo sin reescribir la integración.
Acciones concretas que puedes ejecutar esta semana:
- Empieza por una sola acción, no por todo el checkout. Elige el punto de mayor dolor —retiros, pedidos de Shopify o altas— y define con el CLI una acción como
withdrawalcon su pregunta de retención. El SDK permite enviar el evento y obtener la decisión en pocas líneas. - Escribe las preguntas antes de tocar los modelos. Las preguntas en lenguaje natural que le haces a Grayson son las que después explican cada bloqueo. Redacta entre cinco y diez que un analista de tu equipo entendería sin contexto, y úsalas como contrato de explicabilidad.
- Importa tu historial para no arrancar a ciegas. El CLI permite cargar eventos desde CSV con marca de tiempo y entidad. Sin etiquetas históricas no hay experimento posible, y sin experimento no hay forma de saber si el modelo mejora o solo cambia.
- Acota los permisos del agente. Si conectas Claude Code o Cursor por MCP, activa solo los grupos de herramientas que necesites y revisa el registro de acciones por clave. Un agente que puede publicar versiones de workflow merece el mismo celo que un deploy automático.
Conclusión
Kairos no compite por tener el modelo más grande, sino por hacer que el ciclo completo —decisión, señales, casos, etiquetas, experimento, nueva versión— sea inspeccionable y portable. Esa es una propuesta atractiva para fintechs y marketplaces hispanohablantes que necesitan trazabilidad ante reguladores y no quieren atarse a una caja negra. El precio de esa libertad es asumir más operación propia y aceptar que el componente que resuelve el arranque en frío sigue siendo de un tercero. Vale la pena probarlo en un sandbox con una acción acotada antes de comprometer una migración.
Fuentes
- finic-ai/kairos – GitHub (fuente original)
Leíste lo que hace la IA. ¿Y en tu negocio?
Un agente de IA puede quedarse con parte de tu día: ordenar lo pendiente y pedirte el OK antes de actuar. El Kit «tu mano derecha con IA» trae un video de 11 minutos y una ficha para dejar al tuyo trabajando. CAR está cerrada por ahora; al anotarte, te avisamos cuando abra.
👥 Quiero el Kit →
