En la primera parte de nuestra serie sobre el auge de las Operaciones de Fraude Agénticas, exponemos por qué la pila de fraude que estás utilizando hoy se diseñó para un adversario que ya no existe y por qué la presión por recortar costos que sientes y el deterioro de tu sistema de fraude son en realidad el mismo problema disfrazado.
Conclusiones clave
- Cada capa de una pila antifraude se degrada en el momento en que se implementa: las reglas en cuestión de días, las listas de bloqueo a la misma velocidad y los modelos de ML en semanas y meses.
- La efectividad depende de lo reciente que fue el aprendizaje del sistema, no de lo sofisticado que era en su diseño. El KPI principal es el ciclo de reacción, el tiempo que transcurre desde detectar una brecha hasta desplegar una solución.
- La IA agéntica es la única forma de comprimir ese ciclo a velocidad de máquina, porque añade capacidades que ningún equipo humano tenía el ancho de banda para ofrecer: etiquetado en tiempo real, agrupación de alertas a nivel de anillo y reajuste continuo.
- El mandato de recorte de costos desde finanzas es el mecanismo de financiación para la reconstrucción. Úsalo de forma deliberada o asúmelo y terminarás siendo más pequeño y en peor situación.
Cada líder de fraude con el que he hablado este año ha recibido alguna versión del mismo memo de finanzas: recortar costos.
Ya has tenido esa discusión. Has explicado que el fraude no es un centro de costos típico, que los recortes que se están proponiendo costarán más en pérdidas de lo que ahorran en personal, que tu equipo ya está trabajando con muy pocos recursos. Nada de eso ha cambiado la respuesta. Los recortes se están haciendo en toda la empresa, y van a ocurrir en tu área tanto si te opones como si no.
Así que quiero plantear aquí un argumento diferente, uno que es más difícil de defender ante tu CFO pero más fácil de poner en práctica una vez que lo hayas interiorizado: aprovecha la presión.
Tu organización de fraude va a verse significativamente diferente dentro de dos años, tanto si decides reconstruirla activamente como si no. El sistema que estás utilizando hoy fue diseñado para un adversario que se movía a velocidad humana, y ese adversario está siendo reemplazado rápidamente.
El equipo que has construido alrededor de ese sistema va a verse sometido a presión independientemente de lo que haga finanzas este trimestre, porque lo que se está rompiendo es el sistema, no el presupuesto.
El mandato de recortar costos y el deterioro de tu stack de fraude son el mismo problema visto desde dos ángulos. Si tratas el mandato como la fuerza impulsora para la reconstrucción que ya deberías haber iniciado, los recortes financian la transformación.
Pero si lo ves como una lucha por defender el statu quo, pierdes la pelea, te recortan el personal y el sistema con el que te quedas sigue fallando, solo que más pequeño.
Ese es el cambio de enfoque con el que quiero que entres a tu próxima reunión de planificación. La pregunta no es «¿cómo reducimos los costos de operaciones contra el fraude?»; es «¿qué tan rápido aprende nuestro sistema?». Porque todo lo que importa —incluidos los costos, las pérdidas, los falsos positivos, las tasas de aprobación y cómo será tu equipo dentro de dos años— depende de ese único número.
Pero aquí está el punto: la respuesta a ambas preguntas también es la misma: "con la ayuda de una IA agéntica."
Cada componente de tu sistema de fraude se está deteriorando en este mismo momento
Mira cualquier stack de fraude y encontrarás la misma arquitectura: modelos de ML en la base calificando a la población general, reglas en el medio capturando lo que los modelos no detectan y revisión manual en la parte superior manejando la zona gris que queda. Es el pastel de tres capas: es familiar por una buena razón y, cuando se mantiene bien, funciona.
Pero aquí está lo que siempre se pasa por alto en cada diagrama de arquitectura que he visto: cada capa de ese pastel empieza a degradarse en el mismo momento en que entra en producción.
Las reglas se degradan más rápido. En cuanto publicas una, el adversario empieza a sondearla y el patrón que estaba diseñada para detectar cambia en cuestión de días. Las listas de bloqueo se deterioran del mismo modo, ya que una defensa estática, por definición, apunta a un objetivo en movimiento.
Los modelos de ML se degradan más lentamente, pero son mucho más caros de actualizar. Y la actualización de un modelo tiene un efecto secundario que la mayoría de los equipos subestima: cuando se lanza el nuevo modelo, la distribución de puntuaciones cambia y todas las reglas posteriores que se calibraron con la distribución anterior de repente necesitan volver a ajustarse. Cientos de reglas pueden romperse o comportarse de forma impredecible de la noche a la mañana, y por eso mismo la mayoría de los equipos retrasa la actualización todo lo que puede.
Los únicos componentes de tu sistema de fraude que se degradan lentamente son aquellos que funcionan con datos recientes, los investigadores humanos que analizan lo que tienen delante en este momento y, esta es la parte que la mayoría de los equipos aún no ha interiorizado del todo, la IA agente que hace exactamente lo mismo.
Todo lo demás en tu stack funciona a partir de una instantánea tomada hace semanas o meses.
Tu flujo de trabajo de detección de fraude es tan bueno como la última vez que aprendió
Aquí está el replanteamiento sobre el que se apoya el resto de esta publicación:
La eficacia de un sistema antifraude en cualquier momento dado es una función de lo recientemente que ha aprendido, no de lo sofisticado que era cuando se implementó.
La mayoría de los líderes evalúan los sistemas antifraude en un eje de sofisticación: mejores modelos, más características, reglas más inteligentes, umbrales más estrictos. Consideran la eficacia como si se determinara en el momento del diseño. Pero en realidad la eficacia se determina en el momento del uso, y la distancia entre esos dos momentos es la variable que controla el rendimiento.
Una regla sencilla implementada esta mañana superará a una sofisticada que se lanzó hace dos meses frente a un patrón de ataque que surgió la semana pasada. La conclusión es clara: para evitar el deterioro y garantizar un alto rendimiento, nuestros sistemas necesitan aprender con mayor frecuencia.
El ciclo de reacción es el KPI principal de tu flujo de trabajo de detección de fraude
Si solo pudiera medir una cosa de un equipo de fraude, sería el tiempo que tarda en detectar una brecha en el sistema y desplegar una solución. A esto lo llamo el ciclo de reacción, y consta de seis pasos divididos en dos fases.
La fase de aprendizaje abarca detectar la amenaza, delimitar su alcance y encontrar la causa raíz. La fase de acción abarca diseñar una solución, probarla y desplegarla. Todo lo que hacemos como equipos de fraude ocurre dentro de ese ciclo: la tecnología que utilizamos, los procesos que seguimos, las habilidades de nuestro equipo y las herramientas que nos ayudan.
¿Quieres reducir los falsos positivos? Comprime el ciclo. ¿Quieres reducir las devoluciones de cargo, aumentar las tasas de aprobación o disminuir tu acumulación de investigaciones? La respuesta es la misma.
No existe una forma de “mejorar los resultados contra el fraude” que no pase por este ciclo, porque cada uno de los demás indicadores que reportas —precisión, recall, FPR, tasa de pérdidas, conversión— es un efecto aguas abajo de un único número aguas arriba: la rapidez con la que cierras la brecha entre observar algo y actuar en consecuencia.
Pero si le preguntas a un líder de fraude cuál es ahora mismo su ciclo de reacción, obtendrás una larga pausa y luego una conjetura. Casi ningún equipo lo mide explícitamente; en su lugar, miden todo lo que depende de él. Y precisamente por eso es tan fácil pasar por alto el modo de fallo.
Los estafadores no se volvieron más inteligentes, solo alcanzaron velocidad de máquina
Ahora consideremos lo que está pasando del otro lado. Los estafadores no se volvieron más inteligentes en los últimos dos años, se volvieron más rápidos.
Lo que los equipos de inteligencia de amenazas empezaron a señalar en 2025, y lo que ahora he visto confirmado en múltiples clientes de Sardine, es una nueva categoría de comportamiento de ataque: adaptación en fracciones de segundo. Se activa una defensa y el ataque se transforma a su alrededor antes incluso de que la implementación haya terminado de desplegarse. Los agentes de IA de fraude al otro lado están leyendo las señales de rechazo en tiempo real, probando variaciones y ampliando todo lo que funciona.
Los equipos ya se han visto obligados a aplicar medidas drásticas, como suspender durante semanas todas las tarjetas de determinados emisores o bloquear una parte considerable del tráfico entrante, porque sus defensas no podían adaptarse con la suficiente rapidez.
Pero incluso dejando de lado los ataques polimórficos más sofisticados, el punto de referencia ha cambiado. Los estafadores están utilizando agentes de IA para las partes aburridas de su trabajo: analizar el rendimiento de las campañas, ajustar guiones, responder correos electrónicos de atención al cliente para mantener vivas las cuentas mula, y el tiempo que esos agentes ahorran ahora se está utilizando para superarte.
El sistema con el que actualmente opera cada equipo de fraude fue diseñado para un mundo en el que la brecha entre la adaptación de los atacantes y la reacción de los defensores era manejable.
Tu ciclo era lento, pero el de ellos también, porque el adversario era un humano que trabajaba con herramientas del tamaño de un humano a velocidad humana. Esa suposición ha muerto, y la brecha que antes era manejable ahora se está ampliando a una velocidad cada vez mayor.
La optimización no salvará el sistema actual
Cuando te enfrentas a este tipo de presión, el instinto es optimizar: reuniones más cortas, mejores paneles de control, más analistas, acuerdos de nivel de servicio más estrictos para la implementación de reglas, equipos de trabajo interfuncionales o actualizaciones de modelos que pasan de ser trimestrales a mensuales.
He visto a equipos volcar energía en todas esas cosas, y ninguna de ellas produce la velocidad que el momento exige. ¿Por qué? Porque están optimizando la capa equivocada.
Tu ciclo de reacción no es lento porque las personas que lo gestionan sean lentas. Es lento porque fue diseñado en torno a un aprendizaje a velocidad humana. Los modelos se actualizan en ciclos trimestrales, las reglas se revisan en reuniones semanales de seguimiento, los umbrales de segmentación se reconsideran, como mucho, una vez al año, y los comentarios de las investigaciones rara vez regresan a la capa de detección de forma estructurada. Y cuando lo hacen, llegan semanas después de los propios eventos.
En el mejor de los casos, puedes exprimir un 20% más de esos pasos. Pero ninguna cantidad de optimización incremental corrige el supuesto de diseño fundamental: operar a velocidad humana ya no es suficiente.
La solución al deterioro del flujo de trabajo contra el fraude ya está sobre la mesa
Quiero ser cuidadoso aquí, porque el sector está lleno de enfoques erróneos sobre este punto. No estoy diciendo que debas usar IA para automatizar las tareas que hoy realizan las personas. Este enfoque es demasiado simplista, carece de dirección y probablemente esté preparando a tu organización para el fracaso.
La afirmación real es más específica: el propio ciclo de aprendizaje debe funcionar a velocidad de máquina en lugar de a velocidad humana.
Esto requiere más que simplemente “reemplazar personal con IA”. Se trata de rediseñar el propio sistema y cómo funciona. Para ejecutar ciclos de reacción a velocidad de máquina necesitas una arquitectura diferente, que permita aprendizajes rápidos. La automatización por sí sola no te llevará hasta allí.
Entonces, ¿qué se rompe si te quedas solo en la automatización? Tu equipo se vuelve más rápido en el trabajo que ya estaba haciendo, pero el trabajo que realmente mueve tu tasa de fraude es trabajo que ningún humano estaba haciendo en primer lugar, y la automatización no puede crear trabajo que antes no existía.
Nadie en tu equipo está etiquetando transacciones nuevas en tiempo real, agrupando alertas de miles de cuentas para encontrar la red a la que pertenecen, ni reajustando continuamente los umbrales de segmentación a medida que cambian los distintos grupos de usuarios.
Estas no son tareas para automatizar, son capacidades que la mayoría de los equipos humanos nunca han tenido el ancho de banda para ofrecer. Haz que la revisión de casos sea tres veces más rápida y reducirás el costo de investigación, pero el ciclo de reacción no se mueve, porque lo que limita el ciclo nunca fue la velocidad a la que trabajaban los investigadores. El problema es que las etiquetas llegan con semanas de retraso, las reglas se escriben de forma reactiva y las actualizaciones de detección llegan mucho después de que el ataque haya avanzado.
Paradójicamente, la solución es la misma que comprimió el ciclo de adaptación del atacante de semanas a segundos. La IA agéntica ya está en ambos lados del tablero; la única pregunta es quién la despliega de forma más efectiva.
La IA agéntica puede agrupar alertas en casos a nivel de anillo, de modo que una sola decisión etiquete miles de eventos. Puede generar etiquetas de forma continua a partir de datos recientes, cerrando el ciclo de retroalimentación en cuestión de días. También puede proponer nuevas reglas y destacar candidatos para la actualización de modelos con pruebas retrospectivas ya adjuntas.
El ciclo de reacción se comprime porque el bucle se está cerrando en lugares donde antes estaba abierto, y ahora estás reaccionando a velocidad de máquina porque añadiste capacidades que tu equipo nunca tuvo.
Para ver un caso concreto de detección de anillos mediante IA agentiva, consulta cómo descubrimos una red de fraude con 150.000 cuentas en 11 minutos.
La oportunidad, no la tendencia
La presión que sientes por parte de finanzas no va a desaparecer. Ya he explicado por qué enfrentarte a ella de forma directa es el movimiento equivocado, pero quiero terminar hablando de lo que hace que este momento sea diferente de cualquier otro ciclo presupuestario por el que hayas pasado.
La reconstrucción y el recorte de costos no tienen por qué ser proyectos separados.
Si recortas un 30% en Operaciones de Fraude por sí solo, seguirás con el mismo ciclo roto pero con menos investigadores. Las alertas se acumulan, la tasa de fraude aumenta y, al cabo de doce meses, eres más pequeño y estás en peor situación.
Pero si primero reconstruyes el ciclo, esa misma reducción del 30% en personal aparece al otro lado como una consecuencia y no como el movimiento inicial. Finanzas ve la misma cifra, solo que ahora tienes un sistema que realmente funciona.
La mayoría de los líderes de fraude están a punto de pasar los próximos 18 meses o bien resistiendo la presión de costos o bien absorbiéndola de forma ineficaz. El tercer camino (cuando se utiliza deliberadamente como financiación para la reconstrucción que tu sistema de todos modos necesita) exige que entres a tu próxima reunión de liderazgo con un argumento distinto del que has estado presentando.
No «no recortes a mi equipo», sino «dame el mandato para reconstruirlo. Una reducción de personal sería una consecuencia».
Ese es el argumento que quiero que todo líder de fraude que lea esto esté preparado para presentar. El equipo de fraude que tienes hoy se va a quebrar bajo la presión de los próximos 18 meses de cualquier manera.
La única pregunta es si lo que lo reemplace será diseñado por ti o se formará por accidente.
Para una visión interdisciplinaria del mismo argumento sobre la velocidad de las máquinas aplicado al AML, consulta el agente de IA de Sardine para AML.
La reconstrucción completa del flujo de trabajo de detección de fraude
Lo que acabas de leer es una reformulación amplia de por qué la IA agéntica es el futuro de las operaciones contra el fraude y no solo un motivo de presión a la baja. Si quieres profundizar un nivel más o tener una visión más completa, consulta el whitepaper del que se ha extraído esta publicación.
Explica en detalle por qué pasarse a un enfoque agentic es una realidad a la que todos los equipos de fraude deben despertar, incluyendo:
Cómo debería ser un sistema de este tipo
- La plantilla y la combinación de habilidades que el nuevo sistema realmente necesita
- El modelo de gobernanza que mantiene el aprendizaje continuo seguro a gran escala
- Los patrones de implementación a 18 meses, qué funciona y dónde los equipos lo rompen
- Cómo defender la secuencia dentro de tu organización
Si eres la persona en tu empresa que va a financiar, planificar y defender este trabajo internamente, encontrarás allí muchas de las respuestas.
¿Qué es el ciclo de reacción ante el fraude?
El ciclo de reacción ante el fraude es el tiempo que tarda un equipo de fraude en detectar una brecha en el sistema y desplegar una solución para corregirla. Consta de seis pasos divididos en dos fases: una fase de aprendizaje (detectar, dimensionar, encontrar la causa raíz) y una fase de acción (diseñar, probar, desplegar). Todos los demás indicadores que reporta un equipo de fraude —falsos positivos, contracargos, tasas de aprobación, tasa de pérdidas— son consecuencias posteriores de la rapidez con la que se cierra ese ciclo.
¿Por qué la IA agéntica es diferente de las reglas y el aprendizaje automático para la detección de fraude?
Tanto las reglas como los modelos de ML empiezan a degradarse desde el momento en que se ponen en producción: las reglas en cuestión de días, los modelos a lo largo de semanas y meses. La IA agéntica funciona de forma continua con datos frescos: etiqueta nuevas transacciones, agrupa alertas en casos a nivel de anillo y destaca candidatos para refrescar modelos con backtests ya incorporados. La diferencia no es que la IA agéntica sea más inteligente, sino que el sistema aprende con mayor actualidad.
¿Qué es la deriva del modelo en la detección de fraude?
La deriva del modelo ocurre cuando un modelo de fraude de ML se entrena con una instantánea del comportamiento de los ataques y los atacantes cambian su forma de operar. El modelo sigue generando puntuaciones igual que en el momento del despliegue, pero la población que está evaluando ha cambiado y el rendimiento se degrada silenciosamente. Actualizar el modelo restablece la línea base, pero también desplaza la distribución de puntuaciones y obliga a volver a ajustar todas las reglas posteriores, por lo que la mayoría de los equipos pospone esa actualización.
¿Cuál es el patrón de implementación adecuado para la IA agéntica en las operaciones de fraude?
El modelo que funciona en producción son agentes especializados en tareas específicas, no un único agente de extremo a extremo que intenta llevar toda la investigación. Un agente para generar etiquetas con datos recientes, un agente de clustering que detecta redes, un agente de verificación de sanciones, un agente de redacción de la narrativa para el SAR. Cada uno tiene una entrada, una salida y una forma de evaluación bien definidas. El trabajo se potencia porque cada agente hace bien su parte, no porque un solo agente intente hacer todos los trabajos a la vez.
¿Cómo afecta la IA agéntica al tamaño y la combinación de habilidades del equipo de fraude?
El número de personas en el equipo suele reducirse, pero cambia más la composición que el tamaño. Aumenta el peso de detección e ingeniería de ML, los analistas de nivel 1 que resuelven casos se reducen rápidamente, los investigadores se concentran en un grupo más pequeño y senior que gestiona los casos escalados por los agentes, y aparece un nuevo rol dedicado a evaluar a los propios agentes. También ganan peso la gobernanza y el riesgo de modelos. La conversación de planificación a la que entra un líder de fraude debería describir esa nueva configuración del equipo, no solo la línea de costos.
