Los equipos de fraude están siendo presionados desde ambos lados.
Los volúmenes de ataques se mantienen obstinadamente altos mientras que la complejidad no deja de aumentar. Y aun así, a pesar de esta presión implacable, los profesionales de fraude de todo el mundo se preparan para presupuestos más reducidos, menos contrataciones y una creciente exigencia de hacer más con menos.
Este es el panorama que se desprende del Informe Global de Pagos y Fraude en el Comercio Electrónico 2026 de la MRC, en su 27.ª edición, copatrocinado por Visa Acceptance Solutions, CyberSource y Verifi, y realizado por la firma de investigación de mercados B2B International.
A finales de 2025 se encuestó a más de 1.200 comercios de comercio electrónico en 37 países. Es una de las panorámicas anuales más completas del panorama de las operaciones contra el fraude y, si aún no la has leído, deberías hacerlo.
Naturalmente, casi toda mi atención se centró en una sección específica: “Estrategias y desafíos en la gestión del fraude”. Su resumen tiene dos partes que, leídas juntas, cuentan una historia que el propio informe nunca termina del todo.
Esa historia trata sobre la IA agéntica, aunque no en la forma en que la industria suele presentarla.
El presupuesto ha hablado
Empecemos por la cifra que me dejó helado.
En 2024, el 10% de los comercios señaló la reducción de los costos operativos como su máxima prioridad en la gestión del fraude. Pero en 2026, solo dos años después, esa cifra casi se ha triplicado hasta el 29%.
Por primera vez en la historia de investigación de la MRC, las tres prioridades fundamentales han convergido: la reducción del fraude y las devoluciones de cargo, la mejora de la experiencia del cliente y la minimización de los costos operativos ahora ocupan el primer lugar como máxima prioridad, con proporciones aproximadamente iguales de comercios.
Este es un cambio enorme. La minimización de costos fue durante años una prioridad muy lejana en tercer lugar.
Entonces, ¿qué cambió?
La respuesta sencilla es la macroeconomía. A comienzos de 2026 la economía no ha tenido un año especialmente brillante. Pero yo cuestionaría ese enfoque. Nada en el entorno actual es dramáticamente peor que en 2023 o 2024.
La interpretación más honesta es que algo estructural ha cambiado. Los consejos y los equipos ejecutivos han visto cómo la IA agente ha transformado la atención al cliente en los últimos dos años al reducir significativamente la plantilla mientras mantenía el nivel de producción. Ahora la expectativa es generalizada: si la IA puede hacer eso en atención al cliente, también puede hacerlo en las operaciones de fraude. Esa expectativa ya está incorporada en las decisiones de contratación que se están tomando en este momento.
Los datos lo confirman: el 52% de los comercios espera que el gasto en personal y talento para la gestión del fraude se mantenga estable o disminuya en los próximos dos años. Casi tantos (44%) dicen lo mismo sobre su gasto en herramientas y tecnologías.
En conjunto, estos datos dibujan un panorama contundente: los profesionales de la gestión del fraude se ven obligados a hacer frente a una amenaza creciente con recursos cada vez más limitados.
Y es poco probable que esto se revierta en el futuro.
No vamos a volver a los niveles de personal de operaciones contra el fraude de 2022 o 2023.
La cuestión no es si los equipos de fraude seguirán siendo pequeños. Es ¿cómo se espera que hagan su trabajo?
La respuesta obvia es adoptar IA agéntica para ocupar esos puestos vacantes y permitir que equipos más pequeños hagan más.
¿Es también la conclusión del informe? No directamente, pero tampoco deja al lector con otras opciones o conclusiones. Y, después de todo, en el entorno actual, la IA agéntica es la respuesta predeterminada para todo.
El verdadero problema es el de los datos
Ahora viene la parte del informe que me parece más interesante:
Si bien la presión de costos es el obstáculo inmediato, la mayor frustración de los líderes de fraude en realidad no es el dinero. Y es aquí donde la historia de la IA agéntica se vuelve más matizada y, diría yo, más convincente.
Cuando se les presentaron 15 desafíos diferentes de gestión del fraude, los comercios en 2025 señalaron los problemas de datos y tecnología como cuatro de los seis principales. En total, el 80% afirma que está lidiando con al menos un desafío relacionado con datos y tecnología.
Desglosando la información, los cuatro principales desafíos señalados por los comercios son:
- Uso eficaz de los datos para gestionar el fraude - 31%
- Precisión de la IA/ML en la prevención del fraude - 31%
- Disponibilidad y acceso a los datos - 29%
- Identificación y respuesta a nuevos tipos de fraude - 29%
Parecen cuatro problemas distintos, pero en realidad son el mismo asunto visto desde diferentes ángulos.
Fíjate en el principal desafío: usar los datos de forma eficaz. No en acceder a ellos (eso es el tercero en la lista), sino en usarlos. Hay una gran diferencia.
La mayoría de los equipos de fraude cuentan con herramientas que recopilan datos. Muy pocos tienen la infraestructura analítica y el talento necesarios para convertir esos datos en decisiones en tiempo real, pistas de investigación o actualizaciones de reglas a una velocidad realmente significativa.
Los datos existen, pero falta la capacidad de actuar sobre ellos.
El desafío de la precisión en el aprendizaje automático cuenta una historia similar. Los modelos de aprendizaje automático para la prevención del fraude no han mejorado sustancialmente en la última década, y se podría decir que incluso han llegado a un punto de estancamiento. Así que, cuando los equipos desean una mejor precisión, yo mismo sigo siendo escéptico de que eso llegue realmente a materializarse.
Pero la pregunta más interesante es por qué los equipos lo valoran tan alto, dado que es probable que ellos tampoco tengan grandes esperanzas.
En mi opinión, la explicación es sencilla: porque resuelve exactamente el mismo problema del que acabamos de hablar. Si tus modelos resuelven el fraude automáticamente por ti, no necesitas analizar los datos para hacerlo tú mismo.
Así que lo que realmente necesitan no es un modelo mejor, sino mejores señales de entrada y procesos de I+D más inteligentes para identificar lo que le falta al modelo y generar reglas que cubran esas carencias.
“Identificar y responder a nuevos tipos de fraude” es solo un síntoma de los dos primeros problemas. Si tu canal de datos está fragmentado y tu equipo ya está al límite, mantenerse por delante de los patrones emergentes es casi imposible.
Para cuando un analista humano identifica un nuevo ataque, formula una hipótesis, redacta una regla, la somete a revisión y la pone en producción, el ataque ya se ha escalado.
Esta es la conexión que el informe sugiere pero nunca establece explícitamente: la IA agéntica es una única respuesta coherente a estos cuatro desafíos. Pero solo si se utiliza correctamente.
La tentación es usar IA agéntica para automatizar lo que ya estás haciendo, igual que con las operaciones antifraude.
Ese es un primer paso razonable. Ahorra tiempo y reduce la carga manual. Pero no es ahí donde reside el verdadero valor.
El verdadero valor está en las capacidades «totalmente nuevas»: cosas que tu equipo no está haciendo hoy porque le faltan las personas, las habilidades o la capacidad para hacerlas en absoluto.
Aquí tienes un ejemplo concreto de cómo se ve lo “net new” en la prevención del fraude:
1. Un agente de IA detecta una anomalía en los patrones de transacción.
2. Un segundo agente revisa esa anomalía como lo haría una persona, etiqueta cada caso sospechoso y caracteriza la forma del ataque.
3. Un tercer agente redacta una regla para bloquearlo y la prepara para su revisión antes del despliegue.
Todo esto ocurre sin un analista de fraude, sin un ticket en la lista de pendientes y sin un ciclo de sprint.
Pero ese flujo de trabajo no existe hoy en muchos equipos de fraude, incluso con personas haciendo el trabajo.
Ponerlo en marcha requiere una combinación de habilidades analíticas, experiencia en el ámbito del fraude y rapidez operativa que los equipos humanos no pueden mantener de forma realista, especialmente en un entorno que exige menores costos y menos personal.
La IA agéntica no solo hace ese flujo de trabajo más rápido. Lo hace posible.
Bajo la superficie, esto es exactamente lo que describen los cuatro desafíos de MRC.
Los equipos no pueden usar sus datos de manera efectiva porque hacerlo requiere habilidades y capacidad que no tienen. La precisión del ML se ha estancado, así que la próxima mejora no vendrá del modelo, sino de mejores procesos de I+D.
Identificar nuevos tipos de fraude requiere análisis casi en tiempo real a gran escala, no equipos tan sobrecargados que apenas pueden gestionar las operaciones básicas.
¿La respuesta unificada a todas estas preocupaciones? Una IA agente desplegada en una plataforma con acceso a los datos adecuados.
Para qué están diseñados los agentes de Sardine
Hemos tratado casos de uso específicos con más detalle en este blog, así que no voy a repetir todo aquí. Pero hay un punto que vale la pena destacar directamente en el contexto de lo que revela el informe de la MRC.
El desafío de una plataforma antifraude no es solo la automatización de flujos de trabajo, también es el acceso a los datos. Un agente solo es tan útil como la información de la que puede disponer.
Un agente que puede señalar una anomalía pero no puede contrastarla con señales de fraude a nivel de red, el comportamiento del dispositivo y los patrones históricos de transacciones está limitado en lo que realmente puede concluir.
Lo que diferencia a los agentes de Sardine es que operan dentro de la plataforma. Tienen acceso nativo a todo el conjunto de datos: inteligencia de dispositivos, detección precisa de IP, señales de comportamiento, datos de grafos de red y señales de fraude entre comercios.
Un agente que se ejecuta sobre un wrapper genérico de LLM tiene que importar datos, normalizarlos y trabajar dentro de cualquier contexto que le hayas proporcionado manualmente.
Un agente que se ejecuta dentro de la plataforma de Sardine ya sabe qué ocurrió, por qué ocurrió y cómo se vieron los eventos análogos en toda la red.
Esto es directamente relevante para los desafíos que el informe pone de manifiesto. “Utilizar los datos de forma eficaz” no se resuelve simplemente conectando un agente a tu almacén de datos.
Se resuelve con agentes que entienden el contexto del fraude y tienen acceso a los propios datos de fraude enriquecidos, ya sea la huella digital del dispositivo, el comportamiento de enmascaramiento de IP o los patrones de velocidad.
Pero también quiero ser directo sobre los límites aquí.
La IA agéntica no va a arreglar una infraestructura de fraude defectuosa. Si tus datos están fragmentados, tus herramientas están desconectadas entre varios proveedores y tu equipo no ha establecido procedimientos operativos estándar claros para las investigaciones, los agentes simplemente heredarán esos problemas. Basura que entra, basura que sale se aplica aquí tanto como en cualquier otro lugar.
Los datos de la MRC muestran que el 43% de los comercios están dando prioridad a la orquestación del fraude durante el próximo año. Eso no es una coincidencia.
La orquestación es el requisito previo. La automatización sin orquestación solo acelera el caos.
También hay modos de fallo reales que debemos nombrar. Hemos escrito sobre los tres más comunes en el mismo artículo del blog mencionado arriba: conclusiones alucinadas, escaladas excesivamente suspicaces y resultados que no pueden defenderse ante los equipos de cumplimiento u operaciones.
Estos son riesgos reales. La manera de mitigarlos es utilizar agentes dedicados para tareas específicas y acotadas, en lugar de agentes de propósito general que intenten llevar a cabo investigaciones de extremo a extremo.
La IA agéntica recompensa a los equipos que han hecho el trabajo fundamental de establecer datos limpios, sistemas coherentes y procesos claros. Para los equipos que no lo han hecho, es probable que haga aflorar esos problemas más rápido de lo que los resuelve.
La conclusión
El informe de 2026 del MRC es una instantánea de un sector en un punto de inflexión.
Los presupuestos son más ajustados, los equipos son más pequeños y el fraude es más complejo que nunca.
Y aunque la IA agéntica es la fuente de gran parte de la presión sobre los equipos para reducir costos, probablemente también sea la única solución viable.
Pero aquí está el punto: los equipos que lo usen para automatizar sus flujos de trabajo actuales solo verán mejoras incrementales. Vale la pena hacerlo, no me malinterpretes, pero no es el techo.
Los equipos que utilizan la IA para desarrollar capacidades que nunca antes habían tenido, como la I+D automatizada contra el fraude y la identificación de patrones en tiempo real, son los que realmente cambiarán la ecuación.
Así que la verdadera pregunta no es si tu equipo debería adoptar IA agéntica, sino qué vas a construir con ella que antes no podías construir.