--- title: Modelos fundacionales aplicados al fraude: cómo funciona la tecnología detrás de ChatGPT en la lucha contra el fraude source_page: https://www.sardine.ai/es/media/the-saturday-fraud-strategist/episodes/foundation-models-in-fraud canonical: https://www.sardine.ai/es/media/the-saturday-fraud-strategist/episodes/foundation-models-in-fraud format: text/markdown date: 2026-11-07T01:01:00.000Z description: ¿Son los modelos fundacionales para detectar fraude una realidad o una moda? En qué se diferencian de XGBoost, dónde mejoran la precisión y dónde la calidad de los datos y la latencia siguen marcando los límites… --- **Quick links:** [Human page](https://www.sardine.ai/es/media/the-saturday-fraud-strategist/episodes/foundation-models-in-fraud) · [Home](https://www.sardine.ai) · [Customers](https://www.sardine.ai/es/customers) · [Blog](https://www.sardine.ai/es/blog) · [Demo](https://www.sardine.ai/es/demo) --- # Modelos fundacionales aplicados al fraude: cómo funciona la tecnología detrás de ChatGPT en la lucha contra el fraude **Published:** 2026-11-07T01:01:00.000Z ¿Son los modelos fundacionales para detectar fraude una realidad o una moda? En qué se diferencian de XGBoost, dónde mejoran la precisión y dónde la calidad de los datos y la latencia siguen marcando los límites… Los modelos fundacionales aplicados a la lucha contra el fraude están en la agenda de todas las conferencias este año, y no dejo de oír la misma pregunta: ¿son una verdadera revolución o solo el próximo término de moda? Cuando aterricé en Las Vegas para asistir a Money20/20, quería preguntárselo a alguien que desarrolla soluciones con ellos a diario. Pedro Sanzovo trabaja en productos de identidad y prevención del fraude, y ha dedicado toda su carrera a este último ámbito. Comenzó en Palantir, fundó una empresa de prevención del fraude para comercios en Brasil y la vendió a Signifyd, donde lideró el desarrollo de productos basados en modelos de aprendizaje automático. Hace seis meses se incorporó a Plaid. Esta vez fuimos breves y prácticos. ¿Qué es un modelo fundacional y en qué se diferencia de los modelos que usamos la mayoría hoy en día? ¿En qué supera a XGBoost y dónde se topa con las mismas limitaciones? ¿Y qué haces con un embedding cuando tu equipo trabaja con reglas? Pedro dio buenas respuestas y compartió algunas cosas que creo que te interesará escuchar. Lo que escucharás en este episodio: Qué es un modelo fundacional y en qué se diferencian los modelos transformer de las reglas encadenadas y los modelos XGBoost que los equipos de prevención del fraude llevan años utilizando Por qué los modelos tradicionales dependen de características diseñadas manualmente y de etiquetas de calidad para el aprendizaje supervisado, y por qué esto supone un reto para las empresas más pequeñas Cómo los modelos fundacionales de datos financieros tratan las transacciones como una secuencia de eventos y predicen lo que viene a continuación A qué se refiere Pedro con la mejora de la precisión de hasta un 34 % que está observando y por qué la calidad de los datos sigue determinando el resultado Por qué las restricciones de latencia, como los 300 milisegundos para las transacciones con tarjeta, determinan qué modelo es adecuado en cada caso Cómo se compara la explicabilidad de los modelos fundacionales con la de XGBoost y por qué las expectativas son distintas en materia de crédito y fraude Por qué es difícil convertir los embeddings en reglas y cómo podrían ayudar los agentes de IA Deberías escuchar este episodio si: Diriges un equipo de ciencia de datos especializado en fraude o formas parte de él y estás decidiendo si explorar los modelos fundacionales Diriges un pequeño equipo de lucha contra el fraude y tienes dificultades con el etiquetado de datos y la ingeniería de características Quieres una explicación sencilla de en qué se diferencian los modelos fundacionales de XGBoost Necesitan sopesar las mejoras de precisión frente a la latencia y la explicabilidad Sienten curiosidad por saber cómo los embeddings y los agentes de IA podrían trabajar juntos para generar reglas de detección de fraude ### Notas del episodio y conclusiones clave De las reglas a XGBoost y a los transformadores Pedro explica la evolución de forma sencilla. Durante 10 o 15 años, la prevención del fraude se basó en reglas encadenadas; después, XGBoost permitió utilizar muchos más datos para tomar pequeñas decisiones con una latencia muy baja. Ese fue el enfoque más avanzado durante aproximadamente una década. Señalé que, desde una perspectiva algorítmica, esos modelos se parecen mucho a las reglas, y Pedro coincidió en que comparten sus inconvenientes. Desarrollarlos requiere mucho trabajo, necesitan científicos de datos que programen las variables y dependen de etiquetas claras para el aprendizaje supervisado. Si se etiqueta algo de forma incorrecta, los datos de mala calidad producen resultados de mala calidad, y eso resulta especialmente difícil para las empresas más pequeñas. La conclusión es que los modelos tradicionales funcionan, pero hacen recaer la carga de trabajo en las personas. Qué cambia con un modelo fundacional Los modelos transformer son la base de los LLM que todos usamos y funcionan tratando la información como una secuencia y prediciendo la siguiente salida más probable. Pedro se pregunta qué pasaría si hiciéramos lo mismo con los datos financieros. Plaid y otras empresas ya codifican la información financiera como una secuencia de eventos y crean embeddings que sustituyen a las características diseñadas manualmente. Los equipos dependen menos de la ingeniería de características y necesitan etiquetas menos precisas, aunque siguen haciendo falta algunas. Pedro observa una mejora de la precisión de hasta un 34 %, lo que coincide con lo que veo en el sector. Sin embargo, el problema de fondo persiste. Los datos de mala calidad producen malos resultados, e incluso algo tan sencillo como contar con marcas de tiempo precisas es más fácil de decir que de hacer. Estos modelos pueden procesar más datos, pero no disponemos de una cantidad ilimitada de datos limpios, y es posible que los equipos tengan que empezar a recopilar datos que nunca antes habían almacenado. La latencia, la precisión y la explicabilidad determinan dónde encaja cada modelo Le pregunté cómo encaja todo esto con el aprendizaje automático y los modelos de decisión más recientes. Pedro se fija en las variables objetivo y las restricciones. El objetivo suele ser la precisión y la exhaustividad, y la mayor restricción es la latencia. Para decidir sobre una transacción con tarjeta se dispone de unos 300 milisegundos o menos, mientras que los procesos de alta o los casos de abuso de promociones dejan mucho más margen. En su opinión, un buen equipo de ciencia e ingeniería de datos debe explorar las opciones, tener claro qué busca optimizar y dejar que los datos decidan. Si un modelo supera la precisión del actual con las mismas restricciones, gana. La explicabilidad es su otra preocupación. XGBoost nunca la resolvió del todo, pero es mucho más fácil trabajar con él que con un transformer. En el ámbito crediticio, la explicabilidad es un requisito normativo; en la detección del fraude, no. La respuesta adecuada depende del caso de uso. De embeddings a reglas con agentes de IA Añadí que los embeddings son un atajo para la ingeniería de características, pero no se pueden usar en reglas. Pedro pensó enseguida en los agentes. Su equipo está experimentando con proporcionar embeddings a los agentes y pedirles que vean si pueden convertir algunos de ellos en reglas y detectar lagunas. Sigue siendo necesaria una persona que decida si el trabajo es bueno. Las cosas no se están simplificando, y Pedro dice que se están volviendo más divertidas. Coincido en que tenemos más opciones y más juguetes con los que experimentar. Cada uno tiene ventajas e inconvenientes que los equipos deben entender antes de decidirse. ### Conclusión final Los modelos fundacionales son la herramienta más reciente para combatir el fraude. No sustituyen a los datos de calidad. Pedro aconseja tener claro qué se busca optimizar, respetar las limitaciones y dejar que los resultados decidan. Si estás eligiendo entre modelos tradicionales y modelos fundacionales, empieza por evaluar la calidad de los datos en los que se basan. Apenas estamos empezando a comprender cómo estos modelos transforman el trabajo, y creo que los mejores equipos los tratarán como una opción prometedora que hay que poner a prueba, no como una solución definitiva. Recursos y enlaces ¿No quieres dejar de hablar de mi tema favorito, y espero que también del tuyo? Suscríbete al boletín The Saturday Fraud Strategist. Conecta con Pedro Sanzovo | LinkedIn Director general y responsable de Fraude en Plaid Conecta con Chen Zamir | LinkedIn Presentador de The Saturday Fraud Strategist Ayuda a las empresas fintech a desarrollar defensas más inteligentes contra el fraude Coautor de «La guía de IA para combatir el fraude»