El punto de partida
La plataforma de TMNZ procesa transacciones de agrupación de impuestos que deben cumplir simultáneamente con la Ley del Impuesto sobre la Renta de 2007, la Ley de Administración Tributaria de 1994 y la Ley AML/CFT de 2009. A diferencia de la mayoría de las fintech, donde el cumplimiento es un añadido, el producto central de TMNZ es inseparable del marco regulatorio: cada transacción es auditable conforme a la legislación primaria y cada regla que gobierna la fijación de precios, la facturación y el emparejamiento de pagos debe poder rastrearse a su base legislativa. Cuando esas reglas vivían en código, en hojas de cálculo o en procesos no documentados, el resultado fue una escalabilidad limitada, un aumento del costo de atender y la incapacidad de evolucionar reglas con la confianza de que el rastro de auditoría se mantendría.
El equipo adopta un principio arquitectónico claro: mantener la lógica de las reglas de negocio desacoplada del código de la aplicación en la medida de lo posible, para que las reglas puedan crearse, auditarse y evolucionarse de forma independiente de los lanzamientos de funcionalidades.
Por qué TMNZ evaluó DecisionRules
TMNZ evaluó varios motores de reglas, tanto de código abierto como comerciales. La lista final tuvo que superar un estándar estricto en cuanto a soberanía de datos, integración con el stack de herramientas nativo de IA existente, accesibilidad entre equipos y seguridad. DecisionRules cumplió los criterios que el equipo priorizó:
- Despliegue autoalojado en la propia infraestructura Azure de TMNZ, importante para la soberanía de datos en un contexto de fintech regulada
- La creación visual de reglas está diseñada para mantener el mantenimiento de las reglas fuera del código de la aplicación
- Arquitectura impulsada por API, diseñada para integrarse de forma limpia con microservicios .NET y flujos de trabajo n8n
- Nodos de integración con base de datos, que permiten que los flujos de decisión consulten fuentes de datos durante la ejecución
- Asistente de IA, orientado a reducir el umbral para autores no técnicos
Cómo se configuró
DecisionRules se desplegó autoalojado en el entorno de Azure de TMNZ con SSO e integración con base de datos. El equipo lo conectó a microservicios .NET mediante llamadas a la API al solucionador de DecisionRules y lo integró en flujos de trabajo agénticos de n8n, incluyendo mediante MCP (Model Context Protocol), para que agentes de IA y flujos de automatización invocaran las mismas reglas centrales que la capa de aplicación. La intención era sencilla: una única fuente de verdad para la lógica de reglas, invocable desde cualquier lugar del stack, ya sea que el solicitante sea un microservicio, un flujo de automatización o un agente de IA.
La configuración se diseñó de modo que las tablas DMN pudieran crearse y actualizarse fuera del código de la aplicación, con los desarrolladores a cargo de las entradas de datos y de la integración por API. Los flujos de proceso se modelaron con formas de Decision Task que enlazaban con las tablas DMN subyacentes.
Las funciones recientemente añadidas en torno a la integración nativa con base de datos y las pruebas automatizadas han elevado la plataforma hasta el punto en que puede cumplir todos los controles clave como ISO27001.
Lo que se construyó
Dos áreas avanzaron más durante la construcción:
Lógica de facturación
Reglas para automatizar la determinación de la intención del cliente cuando TMNZ recibe un pago entrante, incluyendo la validación de la actividad del cliente, el emparejamiento de referencias de pago con facturas y el manejo de sobrepago, infrapago, pago completo, escalamiento y casos límite.
Lógica de precios
Reglas de precios y descuentos diseñadas para decisiones de precios consistentes y auditablemente verificables en toda la plataforma.
En ambos casos, el modelo fue el mismo: las reglas estaban en DecisionRules; los servicios .NET y los flujos de n8n las llamaban cuando era necesario, y las tablas de decisión subyacentes seguían siendo editables sin tener que pasar por lanzamientos de la aplicación.
Reflexiones de la construcción
La experiencia de TMNZ es una mirada útil a dónde encajan naturalmente las plataformas de decisiones y dónde se conectan con herramientas nativas de IA. Algunas observaciones del equipo:
La separación de la lógica de negocio del código entregó beneficios medibles: las reglas complejas de facturación y precios que antes tomaban días para definir y probar podían crearse en horas usando los flujos de decisión visuales de DecisionRules, y la misma regla podía reutilizarse en .NET y n8n sin duplicación.
La trazabilidad y la versionización que vienen con una plataforma de decisiones gestionada importaron más de lo que el equipo esperaba inicialmente, especialmente en un contexto donde cada transacción debe ser auditable conforme a la legislación. Autoalojar el motor de reglas en la infraestructura Azure propia de TMNZ también ofreció la ejecución de baja latencia necesaria para transacciones de servicios financieros en tiempo real, lo cual es una consideración importante para cualquier fintech que evalúe alternativas alojadas en la nube.
Integrar DecisionRules con flujos de trabajo agénticos y MCP se convirtió en un requisito central para el proceso de desarrollo: los agentes de IA no solo pueden ejecutar reglas de negocio, sino también introspectarlas y explicarlas. Al depurar una lógica de facturación compleja o incorporar nuevos integrantes del equipo, la capacidad de presentar definiciones de reglas a través de la misma interfaz usada por los flujos de automatización hace que las reglas de negocio sean significativamente más fáciles de construir, probar y razonar.
En una FinTech regulada como la nuestra, cada regla de negocio debe ser auditable. No puedes enterrar la lógica de precios dispersa por el código y esperar que el rastro de auditoría se mantenga firme. DecisionRules es una excelente forma de separar esa lógica de manera limpia, y el despliegue autoalojado en la infraestructura de Azure significa que es posible mantener un control total de la soberanía de datos y la latencia. Lo que nos sorprendió fue lo natural que se integró en nuestro stack de herramientas nativo de IA: una vez que conectamos DecisionRules a nuestros flujos de n8n, al agente harness y al servidor MCP, nuestro equipo pudo crear, depurar y explicar reglas de negocio complejas más rápido de lo que esperábamos. El equipo de DecisionRules fue genuinamente colaborativo durante todo el proceso, y las adiciones recientes para integraciones de base de datos, pruebas y ejecución a escala han diferenciado la plataforma de otras opciones que evaluamos.
Eric Troebner
CTO at Tax Management New Zealand
Erik Lehocky
Project Manager