Esta publicación da inicio a nuestra serie de Operaciones contra el Fraude 2026, en la que exploramos las prácticas que ayudan a los equipos de fraude a operar con mayor precisión, confianza y rapidez. En las próximas semanas, desglosaré los flujos de trabajo, los controles y las herramientas que distinguen a los programas de fraude reactivos de los equipos que realmente están preparados para 2026 y más allá.
El ciclo de entusiasmo en torno a la IA está en pleno auge, y empresas de todos los tamaños se apresuran a encontrar formas de aprovechar esta nueva tecnología para potenciar al máximo su negocio.
Estoy seguro de que has visto infinidad de publicaciones en LinkedIn y paneles en conferencias sobre todas las formas en que los equipos de riesgo deberían estar usando la IA. Sin embargo, por alguna razón, casi todos los casos de uso se centran en copilotos para investigaciones, gestión de alertas y explicabilidad de modelos de aprendizaje automático.
No me malinterpretes. Estos son casos de uso muy sólidos (todos los cuales Sardine admite). Pero si ahí es donde se detiene tu imaginación, apenas estás empezando a arañar la superficie de lo que la prevención de fraude impulsada por IA puede hacer por tu equipo de fraude.
Si eres un líder de riesgos con visión de futuro, aquí tienes cinco casos de uso prácticos de IA para equipos de fraude que van mucho más allá de lo básico.
Uso de etiquetado con IA para transacciones rechazadas
Uno de los desafíos más complejos en las operaciones contra el fraude es etiquetar correctamente las transacciones rechazadas.
Por un lado, es difícil identificar con precisión los falsos positivos y optimizar tu sistema para evitarlos en el futuro. Por otro lado, también es complicado etiquetar correctamente los intentos de fraude reales (los verdaderos positivos) que lograste detener, mientras mides tu desempeño con precisión.
Este es un desafío de larga data en el mundo de la prevención del fraude y, aunque existen distintos métodos para aproximar estas etiquetas, nunca terminan de funcionar del todo.
Evaluación de los enfoques habituales para etiquetar eventos rechazados | ||||
Método | Precisión | Escalabilidad | Cobertura | Eficacia |
Datos de contracargos (retroalimentación retrasada) | Alto | Alto | Transacciones aprobadas | A |
Revisiones manuales (por investigadores) | Alto | Bajo | Controles puntuales/muestras, más ventanas de tiempo seleccionadas | B |
Reclamaciones de clientes (etiquetas retrasadas) | Medio | Medio | Solo incidentes reportados | C |
Vínculos sólidos con casos de fraude conocidos | Alto | Alto | Transacciones aprobadas y rechazadas | A |
Este es un caso de uso ideal para que los LLM asuman el control, ya que pueden mantener niveles de precisión similares a los de los investigadores humanos, pero a escala. Incluso si no confías en que un copiloto LLM tome decisiones autónomas sin intervención humana, este caso de uso es diferente. Porque solo estás etiquetando eventos que de todos modos serán bloqueados, solo utilizas el resultado para supervisar y reentrenar tu sistema. Estas tareas también son más “tolerantes” a los errores, ya que dependen más de la “visión global” que de etiquetas individuales, y no desencadenan ninguna acción de cara al cliente.
Con una población etiquetada como “fraude rechazado”, ahora puedes saber si tu nuevo modelo candidato sigue bloqueando los mismos niveles de fraude. También puedes investigar reglas o cambios en la experiencia de usuario que reduzcan el impacto en los clientes legítimos.
Uso de la IA como motor de recomendación de reglas
Cada equipo se enfrenta a desafíos distintos a la hora de redactar reglas contra el fraude que sean precisas y resistentes. Algunos equipos no pueden seguir el ritmo de supervisar cientos de reglas y asegurarse de que estén optimizadas cuando su rendimiento baja. Otros tienen dificultades para escribir reglas precisas que no saturen el sistema con falsos positivos. Y algunos ni siquiera saben por dónde empezar.
Independientemente de la escala y el nivel de habilidad de tu equipo, es muy probable que la IA pueda reducir la fricción que estás experimentando. Aunque las reglas se ejecutan automáticamente en producción, la propia redacción de reglas implica muchos procesos manuales, como investigación, optimización, validación, monitoreo y actualización de la lógica. Todos estos pueden agilizarse, si no reemplazarse por completo, con agentes de IA. Por ejemplo, en el video a continuación puedes ver cómo la detección de anomalías de Sardine está alimentando a un agente de IA que recomienda reglas basadas en patrones sospechosos emergentes.
Los humanos pueden y probablemente deberían seguir permaneciendo en el circuito. Al fin y al cabo, estos procesos diseñan soluciones que toman decisiones automatizadas que afectan a tus clientes.Toda salida generada por modelos de lenguaje (LLM) debe ser observada y validada.
Pero las habilidades y los recursos necesarios para comprobar de forma razonable el rendimiento de una nueva regla son solo una fracción de lo que se necesita para investigarla y redactarla desde cero. Las reglas, en particular, requieren una combinación poco común de alfabetización en datos y experiencia en el dominio, y las organizaciones a las que les falta una de estas capacidades a menudo tienen dificultades para redactar reglas. Los LLM ofrecen ambas cosas, y a bajo costo.
Uso de la IA para optimizar las puntuaciones de ML
Cualquier equipo que trabaje con modelos de Machine Learning sabe que no es una solución “plug-and-play”. Para utilizarla de forma eficaz, es necesario analizar la curva ROC del rendimiento de la puntuación y elegir cuidadosamente el umbral para tus acciones: a partir de qué puntuación querrás bloquear un evento, marcarlo para una investigación más exhaustiva o enviarlo a un flujo de autenticación.
Elegir correctamente estos puntos de corte puede ser una tarea de análisis de datos muy exigente, para la que no todos los equipos están preparados y que no todos los proveedores incluyen como parte de su servicio de incorporación. Pero incluso eso solo rasca la superficie.
La mayoría de las puntuaciones de ML, especialmente en negocios complejos que abarcan distintas regiones, productos y métodos de pago, requieren aún más cuidado para evitar tasas altas de falsos positivos. Es probable que cada segmento de población a lo largo de estas dimensiones necesite un umbral de corte diferente.
En las figuras a continuación, puedes ver que, al superponer solo dos dimensiones, regiones y productos, ahora necesitamos investigar nueve puntos de corte diferentes solo para la acción de Bloqueo.
La razón por la que necesitamos hacer eso, y por la que los propios modelos no están calibrados automáticamente para hacerlo, es que cada uno de estos segmentos tiene un contexto diferente. Diferente calidad y disponibilidad de datos, distinta presión de fraude, distintos patrones de fraude y diferentes tipos de estafadores.
Pero los modelos se entrenan con toda la población, no con estos segmentos individuales. Ahí es donde entra en juego tu equipo de fraude para tomar estas decisiones de ajuste fino.
Incluso a los equipos más competentes les resulta muy difícil dedicar tanto esfuerzo al análisis de datos, por lo que los modelos a menudo funcionan por debajo de su verdadero potencial. Sin embargo, los LLM pueden respaldar este caso de uso de la misma manera en que apoyan las recomendaciones de reglas. Esto no solo ahorra tiempo y recursos, sino que para 9 de cada 10 equipos permitiría alcanzar nuevos niveles de rendimiento.
Uso de la IA para evitar sesgos en la selección de proveedores
La selección de proveedores siempre es una decisión delicada, especialmente en la gestión de riesgos, donde las diferencias entre los distintos actores suelen quedar difuminadas por un marketing ambiguo. Es un mundo complejo que lo es aún más con el auge de amenazas sofisticadas y de nuevos proveedores que afirman poder resolverlas.Ni siquiera un experto del sector con muchos años de experiencia y un profundo conocimiento de sus actores conocería todas las opciones.
Pero no se trata solo de identificar a todos los proveedores relevantes. También se trata de preseleccionar a aquellos que realmente son pertinentes para las necesidades únicas de tu empresa. Al fin y al cabo, cada proveedor se especializa en distintos mercados, sectores, casos de uso y tamaños de clientes, incluso cuando venden lo mismo que los demás.
Los equipos a menudo trazan las opciones y descartan a los proveedores irrelevantes en favor de lo que parece una solución fácil. Tal vez alguno de los directivos conozca a alguien que ofrece una solución antifraude, quizá compartan miembros del consejo, o puede que simplemente elijan al proveedor que usa su competidor. Solo quieren terminar con esto y pasar a la siguiente tarea.
Los LLMs, y en particular los agentes de IA, son una solución natural para esto. Un agente de IA puede entrevistarte, sintetizar tus necesidades en una lista de verificación clara, investigar proveedores relevantes y crear una lista corta detallada en cuestión de horas, si no menos.
La cuestión no es el tiempo que se ahorra, sino la confianza de que tu decisión se basa en una investigación de mercado adecuada, menos propensa a estar sesgada por una familiaridad (a menudo aleatoria). Y menos sesgo significa mejores resultados a largo plazo.
Uso de IA para el análisis de causa raíz de incidentes
Uno de los aspectos más agotadores de la prevención del fraude es gestionar constantemente las alertas, solicitudes e incidentes. Los cambios en el rendimiento pueden ocurrir a diario y están influenciados por una amplia variedad de factores internos y externos, como lanzamientos de código, lanzamientos de productos, estacionalidad, patrones de fraude nuevos o cambiantes e incluso campañas de marketing. Además, hay múltiples métricas que vigilar, desde las pérdidas y las tasas de fraude hasta las tasas de aprobación y conversión.
Dado que los tipos de incidentes que un equipo de riesgos debe evaluar son muy variados, es difícil prever qué escenarios pueden llegar a presentarse y, a su vez, codificar una respuesta automatizada. Esto significa que, a medida que los incidentes ocurren a diario, el equipo de riesgos se ve obligado a gestionarlos en su mayoría de forma manual, desde la revisión de paneles durante la reunión matutina, pasando por el análisis de la causa raíz, hasta llegar a una resolución oportuna. Y mientras el equipo se moviliza para resolver un problema, sus objetivos para esa semana quedan trastocados.
Cuando consideras las muchas posibles causas raíz, el proceso se vuelve aún más difícil. Averiguar si la nueva versión del modelo se está comportando mal requerirá que mires en un lugar, mientras que determinar si no se trata simplemente de un problema de estacionalidad implica mirar en otro.A menos que tengas una suposición muy precisa desde el principio, es posible que tengas que pasar por más de cinco ejercicios de análisis distintos antes de descubrir quién es el culpable.Una vez más, estos desafíos son más marcados en equipos que carecen de experiencia o de alfabetización en datos.
La IA agéntica puede cerrar esta brecha porque no depende de un conjunto predefinido de escenarios que deba supervisar.
Flujo de trabajo de causa raíz: antes y después | |
Análisis manual de incidentes hoy | Análisis de causa raíz asistido por IA |
Revisar los paneles durante la reunión matutina | Detecta anomalías automáticamente en todas las métricas |
Formula y prueba una hipótesis a la vez | Propón simultáneamente varias hipótesis clasificadas |
Cambiar entre reglas, modelos, registros e informes de tráfico | Reúne señales relevantes en una única vista de investigación |
Depender en gran medida de la intuición del analista y de su experiencia previa | Prioriza las hipótesis en función de los cambios observados en los datos |
El tiempo de resolución varía según el analista y el incidente | Reduce el tiempo de resolución acotando el espacio de búsqueda más rápidamente |
Un marco para saber cuándo usar la IA
La inteligencia artificial apenas está empezando a causar impacto en la gestión de riesgos, y hay muchos casos de uso por explorar. Las cinco ideas compartidas arriba son solo ejemplos pensados para estimular tu imaginación. Esperamos que te hayan hecho reflexionar.
Pero, ¿qué pasa si te enfrentas a otros desafíos en tu trabajo diario? ¿Cuáles de ellos encajan bien con los LLM? ¿Cómo te aseguras de que no existan ya soluciones probadas antes de empezar a experimentar?
Si este es el caso, ten en cuenta algunas características de los problemas en los que la GenAI puede ser de utilidad:
- Trabajar con datos no estructurados
- Escenarios de decisión que están demasiado fragmentados para automatizarse
- Requisitos de análisis de datos que superan la configuración actual de tu equipo
Si un problema cumple al menos dos de los puntos anteriores, es probable que los LLM sean útiles para ofrecer una solución con muy pocos recursos.
Mantente atento al próximo blog de nuestra serie Fraud Ops 2026: Cómo lanzar reglas de fraude de forma segura.