Cada pocos años, la industria del fraude descubre una nueva tecnología que supuestamente lo cambiará todo para siempre.
Aparecen proveedores, los paneles de las conferencias se animan y LinkedIn se llena de predicciones seguras sobre el futuro de la detección de fraude. Si has trabajado en este ámbito el tiempo suficiente, el patrón se vuelve fácil de reconocer. Lo vimos cuando los motores de reglas prometían una prevención de fraude escalable para el comercio electrónico. Lo volvimos a ver cuando llegó el aprendizaje automático, supuestamente dejando obsoletas las reglas basadas en expertos. Incluso hubo un breve período en el que se suponía que la cadena de bloques haría del fraude una imposibilidad matemática.
Hoy, el foco se ha desplazado hacia LLMs y agentes de IA. Aunque la conversación se repite, estas afirmaciones se han vuelto más dramáticas. Las narrativas actuales sugieren que los especialistas en fraude desaparecerán, junto con las reglas y los modelos de ML que construyeron. Algunos sostienen que la IA simplemente “se encargará de todo”.
Eso nunca pasa.
La prevención del fraude ha incorporado muchas tecnologías en las últimas dos décadas. Cada una añadió nuevas capacidades y mejoró la forma en que operamos a gran escala, pero ninguna reemplazó por completo las herramientas que la precedieron.
Las reglas no desaparecieron cuando el aprendizaje automático se volvió predominante en los sistemas de detección de fraude. Las reglas tampoco eliminaron a los equipos de revisión manual, incluso en las fintechs altamente automatizadas. Del mismo modo, es poco probable que los LLM reemplacen a ninguno de los dos en un futuro previsible.
La realidad del profesional
La razón es sencilla cuando te alejas del ciclo de expectativas exageradas: la prevención del fraude no es un único problema que pueda resolverse con un solo algoritmo. Es un conjunto de desafíos operativos que requieren distintas herramientas, distintos procesos y diferentes tipos de experiencia.
Una vez que lo ves de esa manera, los debates sobre tecnología empiezan a sonar como futurismo vago en lugar de conocimiento basado en la experiencia real de los profesionales. Piensa en un carpintero que construye muebles en un taller. No se pregunta si un martillo va a reemplazar a una sierra o si un taladro elimina la necesidad de un cuchillo de marcar. Cada herramienta cumple una función distinta, y es la combinación de herramientas lo que hace posible el oficio.
La aparición de los LLM no invalida de repente estas capacidades. En cambio, introduce un nuevo tipo de herramienta que mejora la forma en que se utilizan las herramientas existentes. Pero, para entender por qué, primero debemos revisar cómo funcionaban realmente los sistemas modernos de fraude antes de la llegada de la IA.
Una estrategia moderna y por capas de defensa contra el fraude
Cuando la gente habla de defensas contra el fraude en capas, a menudo se refiere a supervisar a los usuarios a lo largo de todo su ciclo de vida. Se puede evaluar a un usuario durante el registro, nuevamente durante la actividad en la cuenta y más tarde durante los pagos o retiros. Este tipo de enfoque por capas se centra en el lugar donde se produce la detección dentro del recorrido del usuario. Expliqué cómo decidimos dónde GenAI realmente se gana su lugar en esta pila en un análisis anterior sobre GenAI en los servicios financieros.
Pero hay otro tipo de estratificación que importa igual de mucho: superponer distintos enfoques de detección alrededor del mismo evento. Esta es la arquitectura a la que finalmente convergen la mayoría de los programas de fraude más maduros. Un sistema típico de defensa contra el fraude contiene tres capas centrales que resuelven problemas operativos distintos:
La primera capa son modelos de aprendizaje automático. Estos analizan grandes conjuntos de señales de comportamiento y transaccionales para producir puntuaciones de riesgo estadísticas. Esta capa proporciona la escala necesaria para evaluar millones de transacciones al día, algo que ningún equipo humano podría gestionar de forma segura a volúmenes globales.
La segunda capa son reglas basadas en la experiencia de expertos. Estas reglas codifican patrones de fraude descubiertos por analistas, lo que permite a los equipos reaccionar rápidamente ante nuevos ataques. Cuando se aplican correctamente, las reglas aportan la precisión necesaria para dirigirse a patrones específicos que los modelos podrían pasar por alto o para los que aún no han sido entrenados.
La tercera capa es la revisión manual. Los investigadores humanos analizan los casos complejos o ambiguos que los sistemas automatizados no pueden resolver de forma fiable. Esta capa aporta el juicio necesario, incorporando contexto externo y conocimiento operativo que los algoritmos simplemente no tienen.
Cuando estas capas trabajan juntas, resuelven distintas partes del problema de detección de fraude. Los modelos segmentan a la población en bandas de riesgo. Las reglas se encargan de patrones específicos y casos límite conocidos. Los investigadores gestionan los eventos restantes, donde la precisión es más importante que la velocidad.
La mayoría de los programas de fraude maduros acaban adoptando esta arquitectura en capas porque equilibra la automatización, la precisión y el costo operativo.
Pero una vez que esa estructura está en su lugar, surge una pregunta diferente: ¿cómo encaja realmente la IA en este sistema? ¿Estamos viendo el surgimiento de una cuarta capa?
No exactamente.
Los procesos manuales detrás de los sistemas de fraude
Comparar los LLMs y la IA Agéntica con los enfoques de detección existentes revela rápidamente su “superpoder”. Los agentes destacan a la hora de resolver problemas que tienen muchas condiciones y casos límite. Hasta ahora, estos problemas eran difíciles de automatizar con reglas o modelos de aprendizaje automático, por lo que se delegaban en personas, que son el recurso más caro y limitado de nuestras defensas en capas.
Los LLM han demostrado ser eficientes para automatizar este tipo de tareas. Pero, ¿cuáles son esas tareas?
Cuando la gente piensa en el trabajo manual en la prevención del fraude, normalmente piensa en las investigaciones de casos. Se imaginan a los analistas revisando cuentas sospechosas, comprobando la documentación de respaldo y tomando decisiones finales sobre eventos de riesgo. Este es el proceso manual más visible en la mayoría de los equipos de fraude, pero las investigaciones son solo la mitad de la historia.
Detrás de cada sistema automatizado de detección de fraude existe otro conjunto de procesos manuales mucho menos visibles. Estos procesos giran en torno a la investigación, el desarrollo y el mantenimiento de defensas automatizadas.
Las reglas no se escriben solas. Los modelos de aprendizaje automático no se entrenan por sí mismos. Los analistas y científicos de datos necesitan investigar los patrones de fraude, crear la lógica de detección, probar su rendimiento, desplegarlos en producción y supervisar su eficacia a lo largo del tiempo. Este proceso de investigación y desarrollo es extremadamente intensivo en mano de obra. Los analistas de fraude pasan incontables horas explorando conjuntos de datos, identificando patrones, redactando reglas, evaluando el rendimiento de los modelos e investigando anomalías en los sistemas de producción.
Esto funciona mejor como un desglose de tareas horizontal o vertical — piensa en "un día en la vida de un analista de fraude". Es más concreto y fácil de relacionar para un lector profesional. Es ideal si el objetivo es mostrar qué tareas está descargando realmente la IA de los humanos.
En otras palabras, el trabajo manual en la prevención del fraude existe en dos formas:
- Investigaciones a nivel de caso: los analistas revisan eventos individuales para determinar si representan fraude.
- I+D para sistemas automatizados: los equipos diseñan y mantienen las reglas y los modelos que impulsan la detección a gran escala.
Expliqué ejemplos concretos de cómo la IA asume esta carga de investigación en cinco casos de uso de IA que los equipos de fraude deberían estar utilizando ahora.
Una vez que reconoces estos dos procesos manuales, el papel de la IA, y específicamente de la IA Agéntica, se vuelve mucho más claro. Pero ¿significa eso que la IA va a reemplazar a los propios equipos de fraude?
Por qué los humanos siguen siendo importantes
Con estas nuevas capacidades, es natural preguntarse si la IA Agéntica reemplazaría a los especialistas en fraude en lugar de las tecnologías que utilizan. En la práctica, hay varias razones por las que este resultado sigue siendo poco probable.
Uno de los desafíos tiene que ver con la reproducibilidad y la consistencia. Los modelos de aprendizaje automático y los motores de reglas producen resultados deterministas cuando reciben las mismas entradas. Los LLM, en cambio, pueden generar respuestas ligeramente diferentes ante indicaciones idénticas. Esta variabilidad dificulta utilizarlos como único motor de decisión en entornos de alto riesgo.
Otro desafío tiene que ver con la confianza y la responsabilidad. Los sistemas de detección de fraude suelen operar en industrias reguladas como la banca y los pagos. Las organizaciones deben ser capaces de explicar por qué se tomaron decisiones específicas y asegurarse de que sus sistemas de detección cumplan con los requisitos normativos.
Por ese motivo, la supervisión humana sobre la IA Agéntica sigue siendo esencial, especialmente para superar el riesgo de alucinaciones y los desafíos de reproducibilidad. Esto también significa que los sistemas agénticos deben diseñarse desde cero para garantizar operaciones transparentes.
No basta con que un agente escupa un resultado; se le exige que muestre todas las fuentes que utilizó, los pasos de análisis de datos que siguió y que reconozca cualquier dato contradictorio o faltante. Sin todo esto, los sistemas agénticos siguen siendo una caja negra casi tanto como los modelos de ML.
Por último, el fraude en sí mismo es un problema de naturaleza adversarial. Los estafadores experimentan constantemente con nuevas técnicas diseñadas para explotar las debilidades de los sistemas de detección. Los analistas con experiencia suelen reconocer patrones de comportamiento sutiles que los sistemas automatizados pueden pasar por alto. Estas percepciones humanas siguen siendo un componente fundamental para una prevención eficaz del fraude.
El papel de la IA, por lo tanto, no es reemplazar a los profesionales del fraude, sino amplificar sus capacidades en todos los niveles.
IA agéntica y revisión manual: el copiloto del investigador
La revisión manual siempre ha sido un cuello de botella en las operaciones de prevención del fraude. Las investigaciones consumen mucho tiempo y requieren conocimientos especializados provenientes de un panorama fragmentado de fuentes internas y externas.
Un investigador típico puede pasar veinte minutos buscando en bases de datos públicas, inspeccionando sitios web de comercios y cotejando historiales de transacciones antes incluso de empezar a tomar una decisión. Gran parte de este trabajo consiste en recopilar y sintetizar información en lugar de aplicar criterio. Precisamente aquí es donde los LLM ofrecen una ayuda significativa.
Los agentes de IA pueden recopilar automáticamente datos relevantes de los sistemas internos y de fuentes OSINT. Pueden resumir historiales de transacciones, resaltar patrones sospechosos y compilar información contextual. Esto permite a los analistas iniciar una investigación con un conjunto de datos mucho más completo ya preparado.
Considera una investigación de incorporación de un comerciante como ejemplo: un agente de IA podría analizar el sitio web del comerciante, identificar inconsistencias en las descripciones de productos y comprobar si la dirección comercial aparece en otras solicitudes sospechosas.
En lugar de dedicar veinte minutos a recopilar datos, el analista puede centrarse en interpretar los resultados y tomar la decisión final. Aunque la IA agéntica no elimina la necesidad de investigadores humanos, sí ayuda a reducir la carga de trabajo. Los agentes de IA pueden resolver automáticamente casos comunes y repetitivos que coinciden con patrones de fraude conocidos.
Para las investigaciones complejas restantes, la IA Agéntica mejora la forma en que trabajan los analistas. En lugar de dedicar tiempo a reunir el conjunto de datos de un caso, los investigadores ahora pueden centrarse en interpretarlo y aplicar su criterio.
IA agéntica y reglas: Escalar la lógica experta
Las reglas basadas en expertos siguen siendo una de las herramientas más eficaces en la prevención del fraude. Cuando se diseñan correctamente, capturan patrones de fraude muy específicos con una precisión excepcional y son más fáciles de modificar que los modelos de aprendizaje automático.
Sin embargo, mantener estas reglas requiere un esfuerzo continuo. Los patrones de fraude evolucionan rápidamente y las reglas se degradan con el tiempo a medida que los atacantes adaptan su comportamiento. Los analistas deben dedicar una cantidad considerable de tiempo:
- Supervisar el rendimiento
- Identificación de patrones emergentes
- Ajustar la lógica existente para mantener la precisión
Este proceso implica un trabajo analítico considerable. Los analistas deben explorar grandes conjuntos de datos para identificar patrones que se correlacionen fuertemente con el fraude. Necesitan probar posibles condiciones de reglas, evaluar las tasas de falsos positivos y determinar si una regla seguirá siendo efectiva a medida que los estafadores se adapten. Recorro ese proceso iterativo de principio a fin en cómo lanzar reglas antifraude de forma segura.
Los LLM aceleran estos esfuerzos al actuar como asistentes de análisis exploratorio de datos. Los analistas pueden proporcionar conjuntos de datos a un modelo para descubrir correlaciones que podrían justificar una nueva regla, identificando patrones que de otro modo habrían requerido horas de análisis manual.
Del mismo modo, los LLM pueden ayudar a analizar el rendimiento de las reglas existentes. Si la tasa de falsos positivos de una regla empieza a aumentar, un sistema de IA puede analizar el conjunto de datos subyacente y sugerir modificaciones específicas que podrían restaurar su precisión. Luego, los analistas revisan esas sugerencias y deciden si tienen sentido desde el punto de vista operativo.
Pero esto no significa que los LLM se conviertan de repente en expertos analistas de fraude. Los profesionales humanos siguen comprendiendo no solo el contexto detrás de los patrones de fraude, sino también el contexto empresarial en el que operan. Parte de su labor consiste en mantener el delicado equilibrio entre la seguridad del sistema y el crecimiento del negocio. Otra parte es evaluar cuándo los conjuntos de datos sesgados pueden conducir a conclusiones erróneas.
Sin embargo, al acelerar el proceso de investigación y análisis, los LLM pueden aumentar significativamente la productividad de un pequeño equipo de fraude. En lugar de pasar horas explorando manualmente conjuntos de datos, los analistas ahora pueden centrarse en evaluar las ideas más prometedoras.
IA agentiva y aprendizaje automático: el multiplicador de fuerza para I+D
Los modelos de aprendizaje automático se han convertido en la columna vertebral de los sistemas modernos de detección de fraude. Ofrecen una evaluación escalable en grandes conjuntos de datos y pueden captar relaciones complejas entre múltiples señales de comportamiento.
Esto significa que construir modelos de fraude eficaces está lejos de ser trivial. El desarrollo requiere:
- Ingeniería de características
- Etiquetado de datos
- Experimentación de algoritmos
- Supervisión continua del rendimiento
…todo lo cual exige una cantidad considerable de tiempo y conocimientos especializados.
La IA ayuda a acelerar estos ciclos de desarrollo. Por ejemplo, los LLMs ayudan con la ingeniería de características al identificar patrones significativos en datos textuales o no estructurados que los modelos tradicionales podrían pasar por alto. También permiten a los científicos de datos explorar nuevas estrategias de segmentación o identificar subpoblaciones específicas donde el rendimiento de un modelo ha comenzado a degradarse.
Otra aplicación fundamental es la explicabilidad de los modelos. Dado que los modelos de aprendizaje automático suelen funcionar como cajas negras, los analistas a menudo tienen dificultades para entender por qué una transacción específica recibió una puntuación de riesgo alta. Los LLM ayudan a traducir estos resultados complejos en explicaciones comprensibles para las personas, lo que facilita que los analistas investiguen y validen eventos sospechosos.
Esta transparencia mejora tanto el análisis interno como la comunicación externa. Los equipos de atención al cliente pueden explicar mejor las decisiones a los usuarios que fueron rechazados por error, mientras que los analistas de fraude pueden identificar y corregir con mayor facilidad las debilidades en el rendimiento del modelo. Los equipos de producto, a su vez, obtienen una comprensión más clara de cómo los controles antifraude afectan la experiencia del cliente.
Una vez más, el papel de los LLM no es reemplazar el modelo en sí. En cambio, mejora los procesos relacionados con el desarrollo, el mantenimiento y la interpretación del modelo.
La futura pila de fraude
La aparición de la IA Agéntica no marca el fin de las reglas, el aprendizaje automático ni las investigaciones manuales. En cambio, representa la siguiente etapa en la evolución de los sistemas de prevención del fraude.
Las reglas seguirán proporcionando lógica específica para patrones de fraude concretos. Los modelos de aprendizaje automático seguirán ofreciendo evaluaciones de riesgo escalables en grandes volúmenes de datos. Los investigadores humanos seguirán ocupándose de los casos complejos que requieren razonamiento contextual y criterio. Estos pilares no van a desaparecer.
Sin embargo, la IA ahora está empezando a atravesar verticalmente todas estas capas, mejorando el funcionamiento de cada una.
A medida que ayuda a los analistas durante las investigaciones y acelera la investigación detrás de las reglas y los modelos, la IA agéntica ya está transformando la forma en que operan los equipos. Los departamentos de fraude están empezando to lograr una mayor productividad con menos recursos, lo que permite a los especialistas dejar de lado la síntesis manual de datos y centrarse en resolver los problemas más desafiantes y adversariales.
La futura pila antifraude no consiste en elegir entre tecnologías o personas, sino en combinar eficazmente ambas. En este sistema, la IA actúa menos como una nueva capa y más como un multiplicador de fuerza que atraviesa toda la pila.