En la parte 3 de nuestra serie sobre el auge de las Operaciones de Fraude Agénticas, analizamos el efecto de segundo orden para el que la mayoría de los equipos no se está preparando: por qué el Análisis de Fraude no se reduce cuando adoptas IA agéntica, sino que necesita crecer. Ponte al día con la parte 1 aquí o la parte 2 aquí.
Cada líder de fraude con el que hablo está bajo la misma presión en este momento: usar la IA para reducir costos. Y al reducir costos, me refiero a recortar personal. Pero en las operaciones de fraude, el impulso hacia la automatización plantea una pregunta peligrosa: ¿qué ocurre cuando los equipos reducen precisamente la capacidad de analítica de fraude que se necesita para gobernar los sistemas automatizados?
La mayoría de los equipos ya han empezado a trazar cómo será la transición: más automatización, menos especialistas en fraude y menores costos operativos. Pero aunque esta dirección es la correcta, también hay muchos matices en cómo llevar a cabo esta transformación, cómo debería verse tu sistema al final y cómo debería funcionar la gobernanza de la analítica de fraude cuando la IA agentiva empiece a hacer recomendaciones a gran escala.
En concreto, hay un efecto de segundo orden para el que casi nadie se está preparando: una de las funciones de tu equipo no se reduce con la adopción de la IA. Al contrario, en realidad necesita crecer, porque la automatización de la detección de fraude crea nuevos requisitos de supervisión para los que la mayoría de los equipos hoy no tienen personal. Y si no lo tienes en cuenta, acabarás con un equipo más pequeño que no está preparado para gobernar todos los sistemas automatizados que gestiona.
Esa función es Analítica de Fraude, y sin ella tu sistema se rompería antes de lo que imaginas. En un entorno de fraude con agentes, la analítica se convierte en la capa de control que detecta desviaciones, supervisa las decisiones automatizadas y evita fallos silenciosos en la canalización de fraude.
Operaciones de fraude | Analítica de fraude | |
Trabajo principal de hoy | Revisión de alertas, resoluciones | Normas, supervisión, informes |
Qué automatiza la IA | Montaje de casos, búsquedas | Redacción de reglas, ajuste de umbrales |
Nuevas responsabilidades | Revisar casos asistidos por IA | Gobierna todos los flujos de trabajo automatizados |
Dirección de personal | ↓ Se reduce | ↑ Crece |
Las cuatro funciones de fraude: dónde encaja el análisis de fraude en el equipo moderno de fraude
La mayoría de los equipos de fraude se componen de cuatro funciones:
Operaciones de fraude se encarga de la investigación: revisar alertas, tomar decisiones y gestionar contracargos.
Análisis de Fraude es responsable de las reglas y la monitorización: redactar la lógica de detección, hacer seguimiento del rendimiento y analizar los patrones de ataque.
Estrategia de Fraude establece el apetito de riesgo y las políticas de tratamiento de la población.
Ciencia de Datos desarrolla y mantiene modelos de aprendizaje automático.
Pero no todas las organizaciones de fraude cuentan con las cuatro funciones, ya que el mínimo indispensable hoy en día es solo Operaciones de Fraude. Es decir, puedes gestionar una función de fraude (de forma ineficiente, pero funcional) únicamente con investigadores que revisen las alertas.
Al mismo tiempo, el área de Análisis de Fraude existe en la mayoría de los equipos medianos y grandes, aunque a menudo es informal o está sobredimensionada. Esto crea una verdadera brecha de supervisión en la automatización del fraude cuando estos equipos empiezan a usar agentes de IA para etiquetar casos, sugerir reglas, agrupar alertas o recomendar tratamientos de riesgo a nivel de población. La Estrategia de Fraude y la Ciencia de Datos suelen aparecer solo en los equipos más maduros y sofisticados.
Esto debería servir como una señal de advertencia: si necesitas habilidades analíticas para gobernar sistemas de fraude impulsados por agentes, la mayoría de los equipos están por detrás de donde deberían estar. El rol tradicional del analista de fraude ya era importante, pero en un modelo operativo habilitado por IA se vuelve central para la estabilidad del sistema de fraude con IA.
Pero ¿por qué creo que necesitaremos una función de Analítica de Fraude más grande en la era de la IA agentiva? En una palabra, gobernanza.
Dos tipos de gobernanza del fraude en sistemas de IA agéntica
No toda la IA agéntica genera el mismo tipo de trabajo, y entender la diferencia es lo que explica por qué ciertas funciones de tu equipo crecen mientras que otras se reducen.
Cuando los equipos de fraude implementan por primera vez IA agéntica, normalmente comienzan con asistencia en la investigación: el agente reúne el caso y propone una resolución, el investigador la revisa y la aprueba. Ese flujo de trabajo no es tan diferente de gestionar a un analista junior. El agente hace el trabajo de base y el investigador usa su criterio para validar. Tu equipo ya sabe cómo hacer eso.
Pero las canalizaciones totalmente automatizadas son diferentes.
El etiquetado automático, la agrupación de casos, las recomendaciones de reglas y el reentrenamiento de modelos no cuentan con una persona revisando cada resultado. Se ejecutan de forma continua, operan a gran escala y, cuando fallan, lo hacen silenciosamente.
Un agente de etiquetado que empieza a clasificar mal no levanta la mano. Sigue etiquetando hasta que alguien lo revise. Una regla basada en una correlación casual parece correcta en la prueba retrospectiva. Un algoritmo de agrupación de casos que agrupa incorrectamente las alertas debido a un problema de calidad de datos sigue ejecutándose, y cada decisión basada en esos grupos hereda el error.
Estos sistemas fallan en silencio, fallan a gran escala y fallan rápidamente. A diferencia de un investigador humano que nota cuando algo no encaja, una canalización automatizada no siente nada.
La gobernanza que necesitan no es solo juicio contextual. Es el mismo tipo de monitoreo analítico que los equipos de fraude ya aplican a sus sistemas de detección: KPIs, alertas, revisión sistemática del rendimiento, monitoreo automatizado de los flujos de trabajo y análisis de causa raíz cuando algo se desvía.
¿Te suena familiar? Observar el rendimiento del sistema a través de los datos, detectar problemas, entender qué los causa y solucionarlos: eso es trabajo de Analítica de Fraude.
Qué ocurre con los trabajos de analítica de fraude a medida que los equipos adoptan la IA agéntica
La división de la gobernanza se traduce directamente en el número de personas. La suposición obvia cuando empiezas a implementar IA agéntica es que el equipo de fraude se reduce. Para una función, eso es correcto. Para otra, es exactamente lo contrario.
Los investigadores son quienes se benefician más directamente de lo que automatizan los agentes. La parte de su jornada que consumía más tiempo —extraer detalles de transacciones, hacer búsquedas de IP, revisar el historial de dispositivos, cotejar cuentas— es precisamente lo que gestionan los agentes. Una investigación que antes tomaba 30 minutos ahora lleva cinco.
Una vez que empiezas a construir casos a nivel de red en lugar de revisar las alertas individualmente, una sola decisión puede abarcar lo que antes requería que un equipo trabajara durante horas en alertas individuales.
Las ganancias de eficiencia son evidentes porque las tareas que antes se realizaban manualmente ahora están automatizadas. Naturalmente, la función necesita menos personal.
Pero el análisis de fraude, en cambio, va en la dirección opuesta.
En este momento, el equipo observa los datos, elabora informes, redacta reglas cuando surgen nuevos ataques y ajusta los umbrales de puntuación cuando es necesario. Pero cuando los agentes asuman esas tareas, todas las canalizaciones automatizadas que acabamos de describir pasarán a ser su responsabilidad.
Podrías pensar: «¿no automatizaría los procesos manuales que usan los analistas de fraude para hacer su trabajo?» y tendrías razón al pensarlo. Pero debes recordar que, aunque parte de su trabajo ahora está automatizado, toda la nueva automatización que implementaste —tanto en analítica como en operaciones— también pasará a estar bajo su responsabilidad.
En lugar de redactar reglas, el equipo revisa si las reglas que los agentes proponen son realmente sólidas o solo estadísticamente válidas debido a un patrón coincidental.
En lugar de fijar umbrales de población una vez al año, alguien tiene que evaluar un flujo continuo de recomendaciones de los agentes sobre cómo deben canalizarse los distintos grupos de usuarios a través de diferentes controles de riesgo. Ese trabajo requiere una gobernanza más sólida de los análisis de fraude, no menos.
Ninguna de esas responsabilidades aparece en ningún organigrama hoy en día, pero todas recaen en el área de Análisis de Fraude.
El error que la mayoría de los equipos cometerá con la automatización de la detección de fraude
Espero que el argumento que he expuesto sobre por qué en realidad necesitarías aún más analistas cuando empieces a automatizar haya sido convincente hasta ahora. Pero la triste realidad es que la mayoría de los equipos no cuentan con un equipo de analítica plenamente desarrollado y, por lo tanto, probablemente sean ciegos a las repercusiones.
Si hoy no gestionas los flujos de trabajo automatizados existentes, o si el equipo de ingeniería lo hace por ti, es muy probable que tengas un punto ciego ahí.
Cuando equipos de este tipo actúan bajo presión de costos, el argumento para hacer recortes se escribe solo. El equipo de Análisis de Fraude es pequeño, no tiene la cantidad de personal necesaria para convertirse en un objetivo presupuestario visible, y absolutamente nadie está defendiendo que crezca cuando el mandato es recortar.
Así que el sistema de investigación agente entra en producción: se están armando casos, se están generando etiquetas y se están proponiendo reglas. Pero el equipo de Analítica sigue dimensionado para revisiones de reglas trimestrales. El flujo de etiquetado no tiene umbrales de tasa de error. La gobernanza de detección está ocurriendo una vez al mes cuando debería estar ocurriendo semanalmente. Nadie está detectando la deriva en los sistemas automatizados que, a velocidad humana, se habría detectado en una reunión semanal.
El sistema de fraude está más automatizado, pero tu ciclo de reacción no es más rápido. Aún peor, tu sistema es menos estable y menos seguro que antes. Esta es la brecha central en la supervisión de la automatización del fraude: la automatización escala, pero la gobernanza no.
Esta es la versión más común de “adoptamos IA pero en realidad nada cambió”, salvo que en esta versión las cosas en realidad empeoraron. Porque es fácil olvidar que rediseñar tu sistema también implica rediseñar tu equipo, y no solo recortarlo.
El nuevo «mínimo indispensable» para la gobernanza de la analítica de fraude
La capacidad de Análisis de Fraude que requiere el modelo agéntico no supone un costo adicional, sino una reasignación. Los ahorros derivados de reducir las Operaciones de Fraude deberían financiar el crecimiento del área de Análisis de Fraude.
Puede que la cifra objetivo del presupuesto sea más alta de lo previsto al principio, pero es imprescindible construir la función de la que depende en mayor medida el nuevo sistema.
En 2030 deberíamos esperar que los equipos de fraude tengan una nueva composición de habilidades «mínimas indispensables». Las capacidades de investigación seguirán siendo parte de ellas, pero no lo serán todo. Además, los equipos tendrán que incluir una sólida función analítica para operar a sus trabajadores agénticos, supervisar los flujos de trabajo automatizados, evaluar las recomendaciones y mantener la estabilidad del sistema antifraude con IA.
Piensa en los analistas de fraude como tus nuevos líderes de equipo de IA. Ese es el enfoque correcto.
Obtén una visión completa de la analítica de fraude y la gobernanza de la IA agéntica
La presión de costos sobre los equipos de fraude no va a desaparecer y es probable que en los próximos 12 meses veamos que esos recortes se apliquen a los equipos de Operaciones de Fraude en todo el mundo.
La cuestión es si los equipos mantendrán e incluso harán crecer el área de Análisis de Fraude al mismo tiempo, y si entienden por qué ese segundo paso es el que hace sostenible el primero.
Lo que acabas de leer es el argumento de por qué este reequilibrio es importante. Si quieres profundizar un nivel más, o tener una visión más completa, querrás consultar el whitepaper del que se ha extraído esta publicación.
Explica en detalle por qué pasar a un modelo agentic es una realidad a la que todos los equipos de fraude deben despertar, cómo debería ser un sistema de este tipo, la dotación de personal y la combinación de habilidades que realmente necesita el nuevo sistema, el modelo de gobernanza que mantiene el aprendizaje continuo seguro a escala y los patrones de implementación a dieciocho meses: qué funciona, dónde los equipos lo rompen y cómo defender la secuencia dentro de tu organización.
¿Qué es el análisis de fraude?
El análisis de fraude es la función que supervisa los datos de fraude, las reglas de detección, el rendimiento del sistema, los patrones de ataque, los falsos positivos y las señales de riesgo operativo. En un entorno de fraude habilitado por IA, el análisis de fraude también ayuda a gobernar los flujos de trabajo automatizados, validar las recomendaciones de los agentes e identificar cuándo los sistemas antifraude se desvían o fallan de forma silenciosa.
¿Por qué el análisis de fraude es más importante con la IA agéntica?
El análisis de fraude cobra mayor importancia con la IA agéntica porque los sistemas automatizados pueden tomar decisiones, generar etiquetas, sugerir reglas y agrupar casos a gran escala. Sin supervisión analítica, estos flujos de trabajo pueden fallar silenciosamente, amplificar errores y crear riesgos antes de que el equipo de fraude vea todo el impacto.
¿Qué es la gobernanza de la analítica de fraude?
La gobernanza de la analítica de fraude es el proceso de supervisar, validar y mejorar los sistemas automatizados de detección de fraude mediante indicadores clave de rendimiento (KPIs), alertas, revisiones de desempeño, análisis de causa raíz y detección de desviaciones. Ofrece a los equipos de fraude una forma estructurada de supervisar las decisiones impulsadas por IA en lugar de asumir que la automatización funciona correctamente.
¿Cómo cambia la automatización de la detección de fraude el rol del analista de fraude?
La automatización de la detección de fraude transforma el rol del analista de fraude: deja de revisar manualmente cada patrón o redactar cada regla para pasar a supervisar los resultados automatizados. Los analistas siguen necesitando comprender el comportamiento del fraude, pero su trabajo se centra cada vez más en revisar las recomendaciones de los agentes, monitorear la salud del flujo de trabajo, validar las etiquetas y asegurarse de que la automatización respalde las decisiones de riesgo adecuadas.
¿Qué son los fallos silenciosos en el flujo de fraude?
Las fallas silenciosas en los procesos de detección de fraude ocurren cuando un sistema automatizado de fraude se rompe, se desvía o hace malas recomendaciones sin alertar de inmediato al equipo. Algunos ejemplos incluyen un agente de etiquetado que clasifica mal los casos, una recomendación de regla basada en un patrón coincidental o un sistema de clustering que agrupa las alertas de forma incorrecta debido a un problema de calidad de datos.
¿Por qué deberían los equipos de fraude evitar recortar el análisis de fraude?
Los equipos de fraude deben evitar recortar el área de analítica de fraude, porque la automatización aumenta la necesidad de supervisión, no la reduce. Si los equipos reducen las Operaciones de Fraude pero no aumentan su capacidad de análisis, pueden terminar con menos investigadores pero más flujos automatizados sin control, ciclos de reacción más lentos y sistemas antifraude menos estables.
¿Cuál es la relación entre la gobernanza del fraude y la gobernanza de la IA agéntica?
La gobernanza del fraude define cómo un equipo gestiona el riesgo de fraude, el rendimiento, los controles y la rendición de cuentas. La gobernanza de la IA agéntica aplica esos mismos principios a los flujos de trabajo impulsados por IA, garantizando que los agentes, las recomendaciones automatizadas, las etiquetas, las reglas y los procesos de reentrenamiento se supervisen y controlen de forma segura.
¿Cómo pueden los equipos de fraude reducir los falsos positivos mediante mejores análisis?
Los equipos de fraude pueden reducir los falsos positivos utilizando analítica de fraude para supervisar el rendimiento de las reglas, revisar los patrones de aprobaciones y rechazos, analizar los segmentos de clientes, hacer seguimiento de los resultados posteriores e identificar dónde se está bloqueando innecesariamente a usuarios legítimos. Un análisis sólido ayuda a los equipos a reducir la fricción sin debilitar los controles contra el fraude.
