Tecnología
03 de diciembre de 2025
Detección de fraudes: cómo la IA redefinió la seguridad financiera
Los estafadores se adaptan rápidamente, lo que exige una evolución continua en los sistemas de protección
El fraude financiero sigue siendo uno de los mayores desafíos de la economía digital. Solo en 2022, las pérdidas superaron los 1.200 millones de euros en el Reino Unido y los 8.800 millones de dólares en Estados Unidos (Khalid et al., 2024). Este entorno altamente dinámico exige que las instituciones financieras dejen de actuar de forma reactiva y adopten enfoques predictivos cada vez más sofisticados.
La digitalización trajo eficiencia, pero también amplió las oportunidades de fraude. Tecnologías como el Chip & PIN redujeron los fraudes presenciales, pero estimularon la migración de los intentos al entorno en línea, especialmente en las transacciones del tipo Tarjeta No Presente (CNP) (Edge & Sampaio, 2009). En este escenario, los defraudadores se adaptan rápidamente, lo que exige una evolución continua en los sistemas de detección.
Históricamente, la detección de fraudes dependía de reglas fijas, como “si ocurre X, bloquea”. Eran sistemas simples y predecibles, fácilmente eludidos. El primer gran giro ocurrió con el machine learning, que empezó a aprender patrones directamente de los datos, permitiendo identificar comportamientos fuera de lo común (Carcillo et al., 2021).
En esta etapa surgieron dos grupos de técnicas: (1) modelos supervisados, entrenados con transacciones etiquetadas como legítimas o fraudulentas, (2) y modelos no supervisados, capaces de detectar anomalías sin depender de etiquetas, útiles especialmente para fraudes inéditos.
Esta etapa también consolidó la importancia de la ingeniería de features. Variables de comportamiento como suma de gastos, frecuencia de transacciones, variaciones temporales y patrones por localidad ampliaron significativamente la capacidad de los modelos para capturar desviaciones sutiles (Seera et al., 2024).
Deep learning en acción
Con la popularización de las redes neuronales, surgió un nuevo salto tecnológico. Mientras que las primeras arquitecturas analizaban transacciones aisladas, modelos como las LSTMs pasaron a capturar el comportamiento secuencial del usuario, identificando patrones a lo largo del tiempo (Roseline et al., 2022; Jurgovsky et al., 2018).
Este tipo de análisis contextualiza la transacción. Una compra puede parecer legítima de forma aislada, pero desentonar del patrón reciente del cliente, y las LSTMs capturan exactamente eso.
Además del nivel transaccional, las redes neuronales también se han aplicado para identificar el riesgo de fraude a nivel organizacional, con modelos capaces de analizar factores internos y externos y alcanzar una precisión superior al 90% (Krambia-Kapardis et al., 2010).
Grafos y detección avanzada
La frontera actual de la detección de fraudes está dominada por las Redes Neuronales de Grafos (GNNs). A diferencia de los modelos que analizan solo usuarios individuales, las GNNs consideran todo el ecosistema como una red conectada. Clientes, dispositivos, direcciones IP, establecimientos y transacciones forman un grafo dinámico.
Este enfoque permite identificar anillos de fraude, conexiones sospechosas entre cuentas, patrones coordinados entre múltiples usuarios y uso recurrente de dispositivos fraudulentos. Los modelos basados en grafos han estado entregando resultados superiores en la detección de fraudes organizadas y sofisticadas (Chen et al., 2024; Zhu et al., 2021).
Desafíos
A pesar de los avances, implementar IA en producción trae desafíos concretos. El primero es el fuerte desbalanceamiento de los datos. Los fraudes representan solo el 0,172% al 0,36% de las transacciones en grandes bases (Carcillo et al., 2021; Dornadula & Geetha, 2019). Esto exige técnicas específicas, como remuestreo por sobremuestreo o submuestreo, para evitar que el modelo aprenda a clasificar todo como “legítimo”.
Otro punto crítico es medir el éxito. Métricas tradicionales, como la precisión, son ineficaces en este contexto. El sector financiero se apoya principalmente en el Recall, para evitar que se escapen fraudes, en la Precisión, para no bloquear clientes legítimos, en el F1-Score y en el AUC-PR, que son adecuados para bases desbalanceadas (Kim et al., 2019).
En la práctica, la detección involucra sistemas híbridos. Modelos automáticos realizan el scoring de las transaciones en tiempo real, mientras que un equipo humano analiza solo los casos más críticos. Además, ensembles que combinan múltiples modelos aumentan la estabilidad y precisión de los resultados (Khalid et al., 2024; Randhawa et al., 2018).
El Futuro de la prevención
Dos tendencias emergentes apuntan a la próxima generación de seguridad financiera.
| Gemelos digitales: una réplica virtual del comportamiento de cada cliente permite simular una transacción antes de autorizarla. Si el gemelo digital identifica una desviación significativa, la operación puede ser bloqueada de forma preventiva (Chatterjee et al., 2024). |
| Blockchain y aprendizaje federado: las instituciones financieras pueden entrenar modelos colaborativamente, pero sin compartir datos sensibles. La tecnología de blockchain proporciona un registro seguro y transparente, mientras que el aprendizaje federado permite entrenar modelos distribuidos, preservando la privacidad (Chatterjee et al., 2024). Esta combinación resuelve un cuello de botella histórico del sector: mejorar los modelos sin comprometer la confidencialidad. |
La detección de fraudes ha evolucionado desde simples sistemas basados en reglas a soluciones que integran IA avanzada, redes neuronales especializadas y estructuras de grafos. Aun así, el desafío permanece en constante mutación, y la eficacia de las instituciones dependerá de la capacidad de integrar nuevos enfoques, actualizar modelos continuamente y combinar automatización con análisis humano.
Al fin y al cabo, la seguridad no es un destino, sino un proceso continuo de adaptación. Y, en la carrera tecnológica contra el crimen financiero, vence quien evoluciona sin parar.
Quién publicó esta columna
José Erasmo Silva
