Los equipos de lucha contra los delitos financieros están al límite.
No porque el fraude sea algo nuevo ni porque el blanqueo de dinero se haya vuelto de repente más difícil de detectar, sino porque la magnitud de la delincuencia financiera está ahora fundamentalmente desalineada con la forma en que la mayoría de las instituciones están dotadas de personal y operan.
Una típica empresa de servicios financieros tiene un porcentaje enorme de su plantilla dedicada a flujos de trabajo intensivos en investigación: operaciones de fraude, monitoreo de transacciones, revisión de sanciones, cumplimiento en la incorporación de clientes, disputas y atención al cliente.
El fraude no solo está aumentando, sino que se acelera más rápido de lo que cualquier equipo humano puede responder.
Los estafadores están usando IA. Los deepfakes son cada vez más baratos y convincentes. Los ciclos de ataque se están acortando.
Y, sin embargo, en la mayoría de las instituciones, la realidad del día a día se ve igual: colas de alertas dominadas por falsos positivos, clientes bloqueados sin una razón clara y empresas legítimas atrapadas en un limbo de revisión.
Hace apenas dos años, la única palanca que los bancos y las fintech podían accionar para abordar este problema era asignar aún más personal.
Pero estamos en 2026, y el sector está haciendo lo que siempre hace cuando el trabajo manual deja de ser escalable: recurrir a la automatización. Solo que esta vez, realmente cuenta con los medios para hacerlo gracias a la IA Agéntica.
En concreto, sistemas de IA que puedan recopilar pruebas, interpretar el contexto, producir conclusiones listas para la investigación y, en algunos casos, incluso actuar de forma autónoma.
Y, sin embargo, a pesar de todo el entusiasmo, la mayoría de los primeros despliegues de agentes de IA en la lucha contra los delitos financieros fracasan.
No porque los modelos sean débiles, sino porque la forma en que se implementan es incorrecta.
¿Cómo es eso?
En entornos regulados, un agente que genera narrativas seguras de sí mismas sin controles no reduce el riesgo, sino que crea uno nuevo.
Y, sorprendentemente, a los equipos de riesgo no les gusta el riesgo.
Estos equipos pronto se dan cuenta de que terminan dedicando su tiempo a validar, corregir y supervisar de cerca a los agentes de IA.
No son más eficientes. No están dedicando su tiempo a tareas más importantes. La frustración aumenta y el proyecto se estanca o, en el peor de los casos, queda completamente relegado.
¿Pero si lo implementas correctamente?
Cuando realizamos pruebas A/B en la propia plataforma de incorporación de Sardine, descubrimos que los flujos respaldados por agentes de IA no solo reducían la carga de trabajo. También mostraron un tiempo hasta la generación de ingresos un 49% más rápido. Eso es un impacto cuantificable en el crecimiento del negocio, no solo un ahorro en eficiencia.
Por qué los equipos de lucha contra el crimen financiero fracasan con la IA Agéntica
Después de crear e implementar agentes de IA en flujos de trabajo reales de fraude y AML, hemos visto que aparecen una y otra vez tres modos de fallo previsibles.
Si estás considerando utilizar agentes de IA para fraude, AML o monitoreo de transacciones, comprender estos modos de fallo es la diferencia entre construir un multiplicador de fuerza y crear una responsabilidad.
Los 3 modos de fallo de los agentes de IA
Modo de fallo n.º 1: El investigador alucinante
El error más común que cometen los equipos es implementar agentes de IA con demasiado contexto y demasiadas capacidades.
La lógica es comprensible: “Tenemos muchos datos. Alimentemos al modelo con todo. Ya lo resolverá.””
En la práctica, este es el camino más rápido hacia la alucinación.
El problema no es que los modelos modernos sean incapaces. El problema es que las investigaciones de delitos financieros son fundamentalmente adversariales y basadas en pruebas, y las indicaciones amplias y abiertas aumentan la probabilidad de que el modelo rellene los vacíos con suposiciones.
Si le pides a un agente que «revise todo el perfil de este cliente y determine si es sospechoso», le estás dando una tarea demasiado vaga, demasiado amplia y demasiado interpretativa.
Y el modelo hará lo que mejor saben hacer los modelos: generará una narrativa plausible.
Incluso si esa narrativa es incorrecta.
Esto empeora por el hecho de que las alucinaciones en fraude y AML suelen ser sutiles. El agente podría inferir incorrectamente una categoría de negocio, asumir una relación entre dos contrapartes o afirmar que una transacción es inusual cuando en realidad es completamente normal para ese sector.
Por eso la IA agéntica en la lucha contra los delitos financieros debe basarse en un principio que resulta casi contraintuitivo: menos contexto suele producir conclusiones más fiables.
En otras palabras, evita desplegar un “súper agente” que lo sepa todo. En su lugar, implementa un conjunto de agentes especializados, cada uno experto en hacer una sola cosa extremadamente bien.
Esta es una de las razones por las que Sardine se centra en desarrollar lo que llamamos “agentes atómicos”, es decir, agentes de IA diseñados en torno a primitivas de investigación específicas. Por ejemplo:
- Un agente de análisis de datos que puede interpretar datos transaccionales
- Un agente OSINT que puede realizar investigaciones externas y resumir los hallazgos
- Un agente KYB que puede validar la identidad empresarial y las relaciones de propiedad
- Un agente de análisis de grafos que puede interpretar redes de entidades e identificadores compartidos
La filosofía de diseño fundamental es que los agentes no sustituyen a las personas, sino que reemplazan una habilidad específica. Dado que las investigaciones de fraude actuales requieren una variedad de habilidades, cada paso del proceso exige un agente de IA dedicado.
Este enfoque reduce drásticamente el riesgo de alucinaciones porque cada agente opera dentro de un límite de decisión más reducido. En lugar de “adivinar” qué es importante, se le pide recuperar, interpretar y resumir datos específicos en un contexto específico.
Así es como se construyen sistemas que no solo son inteligentes, sino también fiables.
Modo de fallo n.º 2: el agente excesivamente suspicaz
El segundo modo de fallo es más operativo que técnico. Incluso cuando los agentes de IA no alucinan, a menudo presentan otro defecto: son demasiado rápidos en asumir que algo es nefasto.
Esto no se debe a que los modelos sean “paranoicos”. La detección de fraude es, por naturaleza, impulsada por patrones, y los modelos se entrenan para reconocer señales. Pero en los delitos financieros, el reconocimiento de señales sin un contexto adecuado produce un resultado predecible: la sobre-escalación.
El agente ve un pago de alto valor a una contraparte extranjera y lo marca.
El agente ve múltiples entidades conectadas a través de direcciones compartidas y supone que es una red fantasma.
El agente observa flujos circulares y sugiere una estructura en capas.
Para un revisor humano, el resultado suena inteligente. Utiliza el vocabulario adecuado y “suena” como un investigador experimentado. Pero a menudo pasa por alto la realidad más importante de las operaciones de delitos financieros: la mayoría de las alertas son falsos positivos.
Aquí es donde muchas implementaciones de IA crean accidentalmente un nuevo cuello de botella al aumentar la carga de trabajo en lugar de reducirla. Porque ahora sus analistas no solo están revisando las alertas, también están revisando el razonamiento del agente, que a menudo es excesivamente sospechoso.
Este modo de fallo se manifiesta con mayor claridad en la supervisión de transacciones, donde un gran porcentaje del comportamiento señalado no es delictivo en absoluto.
Un buen ejemplo es el autoenriquecimiento.
La autonegociación es uno de los patrones más comunes que generan alertas, especialmente en empresas con alto volumen de operaciones. Puede parecer un movimiento circular sospechoso, pero en realidad suele ser simplemente dinero que se mueve entre cuentas relacionadas, filiales o entidades internas.
Para un agente de IA entrenado en «señales de fraude», estos pueden parecer anomalías sospechosas. Para un investigador real, son operaciones comerciales normales.
¿Por qué sucede esto?
Tendemos a pensar que entrenar a la IA con grandes conjuntos de datos puede enseñarle todo lo que necesita saber. Pero en realidad, la verdadera experiencia en el dominio son los conocimientos que tenemos sobre esos datos. Y estos conocimientos, por defecto, están fuera del conjunto de datos.
Trastear con el conjunto de datos o con los prompts solo te lleva hasta cierto punto. Para incorporar experiencia de dominio real necesitamos diseñar agentes que estén explícitamente entrenados y limitados para hacer las preguntas adecuadas:
- ¿Tiene sentido esta categoría de contraparte para este negocio?
- ¿Esta transacción es de auto negociación o con un tercero?
- ¿Están las entidades conectadas a través de la propiedad, identificadores compartidos o estructura operativa?
- ¿Es este patrón coherente con los flujos normales del sector?
Cuando los agentes se ven obligados a razonar dentro de estos marcos, es mucho menos probable que «salten a la conclusión de fraude» como respuesta predeterminada.
Modo de fallo n.º 3: El agente de caja negra
Incluso si tu agente de IA evita las alucinaciones y la excesiva suspicacia, aún puede fallar de la manera más importante:
Puede producir conclusiones que no son defendibles.
En los delitos financieros, la precisión no es suficiente. Si un agente señala a una empresa como sospechosa, el equipo de cumplimiento aún tiene que responder:
- ¿Qué pruebas utilizó el agente?
- ¿En qué fuentes de datos se basó?
- ¿Se puede reproducir la decisión?
- ¿Aceptaría un auditor este razonamiento?
- ¿Lo aceptaría un regulador?
Aquí es donde muchas herramientas de IA fallan.
Generan una narrativa, pero no muestran la cadena de evidencias. Citan información externa de forma vaga y sin fuentes claras. Ofrecen una recomendación sin documentar el porqué.
Pero en entornos regulados, la IA no puede ser una caja negra. Tiene que ser una máquina de evidencias. Un buen agente de IA debería comportarse menos como un chatbot y más como un investigador estructurado:
- Debe extraer datos de forma determinista (por ejemplo, a partir de consultas definidas)
- Debe resumir los hallazgos en formatos coherentes
- Debe explicar por qué una contraparte es relevante
- Debe resaltar la incertidumbre en lugar de ocultarla
Esto cambia nuestra definición de lo que significa la “IA de caja negra”. Ya no se trata de si entiendo la decisión o el razonamiento de un modelo.
Cuando los agentes operan dentro de flujos de trabajo de investigación, como colas de alertas, gestión de casos o escalamiento a analistas, necesitan producir resultados que las personas puedan aprobar, defender y auditar.
Por eso, una de las capacidades más importantes de un agente no es el razonamiento, sino la documentación.
Cómo implementar agentes de IA para optimizar el ROI
Si la alucinación, la excesiva suspicacia y las salidas de caja negra son los modos de fallo previsibles, entonces la solución no es un ajuste incremental, sino estructural.
No solucionas estos problemas pidiéndole al modelo que “tenga más cuidado”. Los solucionas rediseñando cómo se descompone, ejecuta y documenta el trabajo de investigación. Esa es la base sobre la que construimos Sardine’s AI Agent Garden, un conjunto de agentes atómicos, cada uno sustituyendo una habilidad específica de investigación, no a un investigador completo.
Nuestro objetivo no es crear una única “mente antifraude” omnisciente que pueda hacerlo todo. En su lugar, estamos creando un sistema que se comporte como un equipo de investigación experimentado: especialistas que hacen su parte del trabajo, dejan un rastro claro y pasan la tarea al siguiente paso.
Veamos algunos ejemplos.
El agente analista de datos: «¿Qué pasó?»
La mayoría de las investigaciones comienzan con el mismo problema: los datos en bruto son ilegibles a la velocidad humana. La supervisión de transacciones es el ejemplo más claro.
Estás mirando cientos o miles de transferencias e intentando responder preguntas que son fáciles de formular pero dolorosas de contestar: ¿Quiénes son las principales contrapartes? ¿Cuál es la distribución del riesgo? ¿Cuál es el flujo de salida frente al de entrada? ¿El comportamiento “raro” es un patrón o un caso aislado?
El Agente de Análisis de Datos está diseñado para hacer ese primer análisis de forma rápida. Produce una vista estructurada de la actividad, incluyendo sesiones y transacciones en la ventana de tiempo reciente, contrapartes clasificadas, elementos de alto valor y alto riesgo destacados primero, y contexto como direccionalidad y tiempos.
En nuestra configuración de Monitoreo de Transacciones, eso comienza con una recuperación determinista, es decir, extraer un conjunto definido de transacciones dentro de un intervalo de tiempo determinado para que el agente no improvise sobre lo que analiza.
Aquí es donde aparece el valor más práctico: cuando el agente comprime la consulta y el análisis de datos en un solo informe que una persona puede revisar rápidamente y saber de inmediato dónde mirar a continuación.
El agente OSINT: «¿Cuál es el contexto?»
Una vez que puedes ver lo que ocurrió, el siguiente cuello de botella es la interpretación. La mayoría de los equipos de cumplimiento no carecen de datos, carecen de contexto. Un nombre de contraparte por sí solo rara vez te dice si una transacción tiene sentido. Y en la monitorización de transacciones, que “tenga sentido” lo es todo.
El Agente OSINT está diseñado para la tarea más simple pero que más tiempo consume en las investigaciones: convertir una cadena de entidad en una categoría de negocio comprensible y en una verificación de credibilidad. ¿Es este un negocio real? ¿A qué se dedican? ¿Están verosímilmente vinculados con la línea de negocio del cliente? ¿Presentan indicios que apunten a desajustes, comportamiento de empresa pantalla o incluso una fabricación total?
Es fundamental entender que esto no se hace para todas las contrapartes. Se hace para las que realmente importan: las contrapartes de mayor riesgo y mayor valor que se identificaron antes. Así es como evitas que la OSINT se convierta en un pozo sin fondo (y un sumidero de tokens) y la transformas en un paso de investigación repetible.
Un buen ejemplo es cuando un investigador humano está analizando un grafo de conexiones empresariales y ve una entidad de alto riesgo vinculada a una dirección en Ginebra. Sobre el papel, la dirección parece “legítima”, pero con la misma facilidad podría ser una oficina virtual, un apartado de correos o un centro de servicios compartidos utilizado por decenas de empresas sin relación entre sí.
En lugar de obligar a un analista a investigar manualmente la dirección en múltiples fuentes, el Agente OSINT se ejecuta directamente desde el nodo de la dirección en el grafo y produce un resumen estructurado de lo que realmente representa esa ubicación.
En este caso, el agente encuentra abundante información que sitúa la dirección como un exclusivo edificio de oficinas ubicado en una prestigiosa zona de Ginebra. Pero también pone de relieve el hecho de que probablemente se esté utilizando como un centro de apartados postales que podría albergar actividades ilícitas.
Ese último punto es fundamental. En la lucha contra los delitos financieros, los investigadores no solo necesitan más datos, sino que también deben saber qué datos son engañosos.
El Agente Analista de Grafos: “¿Qué está conectado que no debería estarlo?”
Si el Agente de OSINT te dice qué es una dirección, entonces el Agente Analista de Grafos te dice quién más la está usando.
En el ejemplo anterior, una vez que el Agente OSINT aclaró el contexto de la dirección en Ginebra y destacó la posibilidad de un uso compartido y de inconsistencias en los datos, la siguiente pregunta lógica no fue “¿es esta una dirección prestigiosa?”. Fue:¿cuántas otras empresas están realmente vinculadas a ella?
Ahí es donde entra en acción el Agente Analista de Grafos.
En lugar de obligar a un investigador a analizar manualmente todas las entidades relacionadas una por una, el agente ejecuta una búsqueda completa en el Connections Graph de la empresa y muestra todas las entidades vinculadas a través de identificadores compartidos.
En el caso mostrado, el gráfico reveló de inmediato múltiples empresas conectadas a través de direcciones compartidas, incluida una dirección que se compartía entre un gran grupo de entidades.
Lo que importa aquí no es la visualización en sí, sino el patrón.
En la captura de pantalla, puedes ver un nodo de dirección central con numerosos nodos de negocios alrededor vinculados a él. Ese tipo de agrupación puede significar cosas muy diferentes según el contexto. Podría indicar un edificio comercial legítimo con múltiples inquilinos, un proveedor de oficinas compartidas o una dirección virtual utilizada por decenas de entidades no relacionadas.
El Agente Analista de Grafos no se basa en la intuición. Resume la estructura de la red, como cuántos nodos hay, cuántos enlaces, qué identificadores se comparten con mayor frecuencia y dónde se encuentran los clústeres más densos, y luego traduce esa estructura en una evaluación explícita del riesgo. Eso permite que un investigador vea rápidamente no solo qué concluyó el agente, sino también por qué llegó a esa conclusión.
Esta interacción es intencional. El Agente de Grafos identifica patrones estructurales como direcciones compartidas, nodos recurrentes y conglomerados, mientras que el Agente OSINT ayuda a contextualizar esos nodos de alta relevancia. Juntos, convierten lo que normalmente serían decenas de búsquedas manuales en una visión coherente y unificada de cómo una empresa se inserta en su red más amplia.
Esa es la diferencia entre una interfaz llamativa y una herramienta de investigación práctica.
El agente de KYB: «¿Están realmente relacionadas estas empresas?»
Una cantidad sorprendente de fatiga por alertas se debe a una simple limitación: la mayoría de los sistemas de monitoreo no entienden las estructuras corporativas.
Cuando un grupo opera con filiales, vehículos de financiación interna, entidades de tesorería, directores compartidos o nombres relacionados con la marca, el sistema trata esas transacciones como si fueran riesgo de terceros.
Nuestro Agente KYB está diseñado para responder a una pregunta que los investigadores se hacen constantemente y con gran dificultad: ¿estas dos empresas están realmente conectadas? Saber la respuesta a esta pregunta puede cambiar por completo todo el proceso de investigación.
Por ejemplo, un analista examina una transacción transfronteriza entre entidades húngaras y españolas. El agente KYB revela de inmediato que ambas son filiales de la misma empresa matriz. No solo eso, sino que una de ellas actúa como la función de tesorería del grupo, lo que proporciona una explicación perfectamente legítima para la transacción.
Encadenamiento y agentes de IA híbridos
Si te quedas en agentes individuales, terminas con un cinturón de herramientas de IA. Útil, pero no transformador. El verdadero poder surge de cómo desplegamos estos agentes como flujos de trabajo holísticos:
- El agente de Análisis de Datos genera la lista corta.
- El agente OSINT enriquece la lista con datos externos.
- El agente de Análisis de Grafos añade riesgo de red.
- El agente KYB confirma las relaciones.
- El resultado final se convierte en una narración que puede pegarse en un expediente.
Para lograrlo, hemos diseñado nuestros agentes de IA para que se implementen en torno a dos principios centrales.
El primero es el encadenamiento: poder vincular distintos agentes para que trabajen de forma secuencial dentro de la misma investigación de un caso.Es importante por tres razones.
En primer lugar, mantiene cada paso acotado y comprobable. Cuando algo sale mal, puedes localizar la falla.
En segundo lugar, evita que el agente saque conclusiones precipitadas, porque el sistema está literalmente diseñado para reunir evidencia antes de llegar a una conclusión.
Y en tercer lugar, genera documentación como subproducto, que es el único tipo de resultado de la IA que sobrevive en una realidad regulada.
El segundo principio es que cada agente de IA puede desplegarse en dos modos diferentes: copiloto o totalmente autónomo.
Cada empresa tiene distintos niveles de comodidad respecto a qué actividades está dispuesta a dejar que la IA resuelva por sí sola y en cuáles prefiere que haya una persona involucrada. Resolver verificaciones de identidad (IDV) “verdes” de alta confianza es una cosa, pero una investigación compleja de monitoreo de transacciones puede ser otra muy distinta.
Por eso también hicimos AI Garden utilizable en varios modos: API para integrarlo en la gestión de casos existente, disparadores de colas de alertas para que el agente adecuado se ejecute en el momento oportuno y un chat independiente para investigaciones ad hoc.
Pero la filosofía sigue siendo la misma independientemente de la superficie: los agentes deben comportarse como especialistas y el sistema debe funcionar como una cadena de investigación.
La verdadera promesa de la IA agéntica en la lucha contra los delitos financieros
La IA agéntica no es solo una nueva categoría de herramientas.
Es el comienzo de un nuevo modelo operativo.
Un mundo donde el trabajo de investigación ya no está limitado por la velocidad de análisis humano, donde las pruebas se recopilan automáticamente. Los falsos positivos no consumen equipos enteros y los clientes no quedan bloqueados porque las colas de revisión están saturadas.
Pero ese futuro no ocurre automáticamente. Sucede cuando los agentes se implementan de forma cuidadosa, con límites claros, modularidad y un profundo respeto por las realidades de la toma de decisiones regulada.