Ed Machina: decisiones con IApara la educación
Convierte los datos que la institución ya tiene en acciones concretas para que más estudiantes sigan estudiando, paguen a tiempo y encuentren su siguiente paso.
Es una plataforma de inteligencia artificial para universidades, institutos y colegios. Nació dentro de un grupo educativo con más de 25 años de trayectoria, a cargo de la Universidad Siglo 21 (Argentina), y tiene sedes en Nueva York y Córdoba. Cortexia Digital trabaja de forma directa con Ed Machina y acompaña a la institución durante todo el proceso.
países en tres continentes
universidades y 350+ campus
estudiantes impactados
ingresos recuperados junto a sus clientes
Cifras publicadas por Ed Machina.
Lee, predice y propone; la persona decide
Lee sus datos
Se conecta a los sistemas que ya usa: notas, aula virtual, cobranzas, admisión y planillas.
Predice qué puede pasar
Calcula quién corre riesgo de abandonar, de no pagar o de no matricularse, y explica por qué.
Propone qué hacer
Sugiere el mensaje, el canal y el momento para actuar. Su equipo revisa y aprueba.
Control humano en el ciclo
La inteligencia artificial prepara y la persona decide: el equipo revisa, edita, aprueba o descarta cada propuesta, y cada decisión queda registrada con su motivo. Aprobar no envía mensajes ni ejecuta cobros a ciegas.
Muchos estudiantes se van y nadie lo ve a tiempo
Muchas instituciones actúan cuando el estudiante ya dejó de entrar al aula virtual, ya formalizó su retiro o ya acumuló cuotas sin pagar. Los datos viven en sistemas que no conversan entre sí y cada área ve solo su parte.
Razones del estudiante
- Vacíos del colegio que bloquean cursos clave.
- Ingresos del hogar inestables; cuesta pagar a tiempo.
- Ansiedad, aislamiento y poco vínculo con la institución.
- Cuesta organizarse y estudiar en entornos digitales.
- Carrera elegida por terceros o con poca información.
Fallas de la institución
- Correos iguales para todos, cada vez menos leídos.
- Mismo trato para presenciales, híbridos y a distancia.
- Programas rígidos, sin salidas intermedias atractivas.
- La tutoría llega cuando el estudiante ya se fue.
- Cada área ve solo su parte de los datos del estudiante.
Un motor de inteligencia artificial en cuatro capas
Estructura
Data AlignerJunta los datos del sistema académico, el aula virtual, el CRM, el ERP y las planillas en una ficha única y confiable por estudiante, y mide la calidad de cada fuente.
Predice
AI Predictive SuiteCalcula cada día el riesgo de cada estudiante (abandonar, reprobar o no pagar) y muestra las variables que lo explican.
Recomienda
Agentes ATHENA y ATLASConvierten la predicción en una acción concreta: qué hacer, con qué mensaje, por qué canal y en qué momento.
Ejecuta y mide
Intervention HubEnvía solo lo que el equipo aprobó, registra cada respuesta y devuelve el resultado al modelo para mejorar la siguiente recomendación.
Se adapta a la institución
Funciona con planillas de Excel o archivos CSV y también se integra con arquitecturas en la nube (Azure, Data Lake, Databricks) y tableros en Power BI o Tableau. No requiere un equipo propio de ciencia de datos.
Cinco soluciones para cada momento del estudiante
Todas trabajan sobre la misma ficha única de datos.
Conversión de interesados
Lead Scoring
Puntúa a cada interesado según su probabilidad real de matricularse, ordena a quién llamar primero y recomienda la carrera más afín.
Retención
Risk Detector y Retention Partner
Detecta el riesgo de reprobar un curso antes de la nota final y predice el abandono a 30, 60 y 90 días a partir de señales de desconexión digital.
Ingresos
Payment Predictor y Smart Pricing
Anticipa la mora antes del vencimiento, separa la deuda de la intención de abandonar y calcula la beca o el descuento justo.
Siguiente paso formativo
Cross / Up-Selling
Recomienda el programa más afín cerca de la graduación y ofrece una alternativa corta a quien no puede seguir en su carrera.
Planificación académica
Academic Planning (APO)
Proyecta cuántos estudiantes se inscribirán y simula secciones, docentes, aulas y presupuesto con datos reales de la institución.
Resultados que reporta la marca
reducción del abandono
aumento de ingresos
reducción de la mora
mejora del EBITDA
Retorno de la inversión
ROI de 1x a 3x dentro del primer ciclo académico, con recupero de la inversión entre 6 y 8 meses.
Menos trabajo manual
Ed Machina absorbe el 70% de las horas manuales de un equipo de tutoría o retención (cruzar planillas, revisar reportes, priorizar casos y preparar contactos). El equipo conserva las horas que importan: revisar, decidir e intervenir.
Resultados de implementaciones seleccionadas que reporta Ed Machina; el impacto varía según la institución, su población y el caso de uso, y se valida con datos propios durante el piloto.
Tres instituciones, tres problemas distintos
Universidad Siglo 21
Argentina · 75,000+ estudiantes, 80% virtualEl retoMuchos ingresaban y muchos se iban, con 35% de abandono en primer ingreso.
ResultadoDeserción general -9.9 puntos; abandono en primer ingreso de 35% a 24%; retención general de 75% a 84%; conversión de interesados de 7% a 17%.
Universidad privada
México · presencial, pensión altaEl retoLa deserción era baja (8% a 10%), pero casi el 40% de quienes se iban tenía beca.
ResultadoIntervención personalizada sobre la cohorte becada, mejor retorno del programa de becas y menos pérdida de estudiantes de alto potencial.
UTEC
Perú · ingeniería y tecnología, presencialEl retoUn abandono con causas económicas, vocacionales y de bienestar, con Finanzas, Dirección Académica y Psicología trabajando por separado.
ResultadoEd Machina conectó Canvas, el estado de pagos y las evaluaciones de bienestar; ante cada señal, deriva el caso al área correcta: plan de pagos, talleres con directores de carrera o acompañamiento entre pares.
Un piloto de seis semanas con datos reales
Para empezar, sugerimos una facultad con datos de dos ciclos y medir un ciclo académico completo frente a la línea base.
Alineación, diagnóstico e integración
Definimos el objetivo, conectamos las fuentes de datos (sistema académico, aula virtual, CRM, ERP y planillas) y medimos su calidad inicial.
Criterio de salida: objetivo acordado, fuentes conectadas y línea base de calidad medida.
Configuración de modelos y validación
Calibramos los modelos con la información histórica de la institución y revisamos con el equipo las señales prioritarias.
Criterio de salida: modelos calibrados y señales validadas por el equipo.
Activación, resultados y escalamiento
El equipo trabaja una muestra de casos priorizados, medimos el impacto real y acordamos cómo escalar.
Criterio de salida: casos revisados, impacto medido y plan de escalamiento acordado.
Si no se cumple, no se avanza
Cada fase se aprueba con evidencia.
El piloto se descuenta de la licencia
Lo invertido en las seis semanas se aplica como descuento en la tarifa anual.
Soporte completo
Soporte técnico en español o portugués y acceso a todos los módulos durante la prueba.
Cómo lo acompaña Cortexia Digital
Trato directo con Ed Machina
Trabajamos directamente con el equipo de la marca y somos su interlocutor durante todo el proceso.
Diagnóstico y hoja de ruta
Evaluamos la madurez digital de la institución, elegimos con ustedes el primer caso de uso y definimos el piloto.
Gobernanza de la IA y datos personales
Alineamos el proyecto con la Ley 31814 (uso de la inteligencia artificial) y la Ley 29733 (protección de datos personales).
Gestión del cambio y capacitación
Preparamos a tutores, coordinadores y directivos para usar la plataforma y confiar en sus recomendaciones.
Acompañamiento durante el piloto
Facilitamos las sesiones con Ed Machina y hacemos seguimiento a los criterios de salida y a los acuerdos de cada fase.
Plan de escalamiento
Al cierre del piloto, ayudamos a decidir cómo extender la plataforma a más carreras, sedes o soluciones.
Sus datos ya tienen la respuesta
Conversemos para elegir el primer caso de uso de su institución y definir juntos el piloto de seis semanas.
Cifras y resultados del material oficial de Ed Machina y de las implementaciones que la marca reporta. Cortexia Digital, empresa de Diego Granda — Consultor, trabaja de forma directa con Ed Machina.