La inteligencia artificial permite a las entidades financieras analizar una transacción en milésimas de segundo y detectar posibles señales de fraude antes de autorizarla. Sin embargo, la velocidad ya no constituye el principal desafío tecnológico de la banca: el verdadero reto consiste en identificar las operaciones fraudulentas sin terminar bloqueando pagos legítimos de los clientes.
Así lo explica Arturo Peralta Martín-Palomino, profesor del Máster Universitario en Big Data y Data Science de la Universidad Internacional de Valencia (VIU), quien señala que durante una operación aparentemente sencilla, como pagar con el móvil o realizar una compra por Internet, diferentes sistemas de inteligencia artificial intercambian información, analizan patrones de comportamiento y estudian redes de transacciones de manera simultánea.
El margen disponible para detener una operación sospechosa es mínimo. Pero aplicar criterios demasiado estrictos puede generar un problema diferente: los falsos positivos, es decir, operaciones legítimas que el algoritmo interpreta erróneamente como fraudulentas.
Un cliente que viaja al extranjero, compra un billete de avión o realiza un pago muy diferente a los habituales puede alejarse de su patrón normal de comportamiento sin que exista ninguna actividad delictiva. Bloquear automáticamente estas operaciones puede traducirse en clientes insatisfechos y en un importante coste económico y reputacional para la entidad.
Detectar señales que una operación aislada no revela
Los modelos de inteligencia artificial utilizados contra el fraude no se limitan a clasificar directamente a una persona como potencial delincuente. Su funcionamiento pasa por construir patrones sobre el comportamiento habitual de clientes, cuentas y redes de transacciones y detectar posteriormente desviaciones que puedan resultar sospechosas.
Esta capacidad adquiere especial importancia frente a técnicas en las que los movimientos de dinero se fragmentan y distribuyen entre diferentes cuentas. Una transacción de pequeña cuantía puede no levantar ninguna sospecha si se analiza individualmente, pero adquiere un significado diferente cuando se relaciona con decenas o cientos de movimientos.
“Una operación individual, analizada de forma aislada, puede parecer completamente legítima. El problema aparece al observar el conjunto: pequeñas cantidades moviéndose entre múltiples cuentas que terminan concentrándose en un destino”, explica Peralta.
La IA permite reconstruir estas secuencias e identificar lo que el experto denomina “señales débiles”: patrones, anomalías y relaciones simultáneas difíciles de detectar manualmente y, especialmente, de analizar en tiempo real.
Esto no supone, sin embargo, eliminar la intervención humana. En un entorno especialmente regulado como el financiero, los sistemas automatizados funcionan como una primera capa capaz de priorizar los casos según su riesgo. La interpretación del contexto y la revisión de determinadas decisiones continúan necesitando supervisión humana.
Del bloqueo automático a las respuestas graduadas
Uno de los cambios en los sistemas modernos de prevención del fraude consiste precisamente en abandonar una respuesta estrictamente binaria basada únicamente en permitir o bloquear una operación.
En su lugar, los modelos pueden asignar diferentes niveles de riesgo a cada transacción y adaptar la respuesta. Una operación considerada de bajo riesgo puede continuar normalmente, mientras que una actividad que presente determinados indicadores puede activar medidas adicionales antes de recurrir directamente al bloqueo.
“Si el riesgo es medio, el sistema no bloquea la tarjeta; solicita una autenticación adicional, envía una notificación o exige una segunda comprobación”, señala el profesor.
Esta aproximación permite introducir fricción únicamente cuando el nivel de riesgo lo justifica. La efectividad de un modelo antifraude tampoco debería medirse exclusivamente a través de métricas técnicas como su precisión. También debe tenerse en cuenta el impacto económico de sus decisiones: cuánto cuesta permitir un fraude frente al perjuicio que supone impedir una operación legítima.
Del modelo de IA a un sistema bancario real
La complejidad aumenta cuando un modelo desarrollado en un entorno controlado debe integrarse en la infraestructura real de una entidad financiera.
Peralta resume esta dificultad señalando que el “último 10% del desarrollo suele consumir el 90% del esfuerzo”. Un sistema destinado a operar en banca debe ser mantenible, auditable y trazable, además de cumplir con los requisitos regulatorios y técnicos correspondientes.
Esto exige perfiles capaces de conectar diferentes disciplinas. Los especialistas en ingeniería y ciencia de datos necesitan comprender los objetivos y riesgos del negocio, mientras que los profesionales del ámbito financiero deben conocer las posibilidades y limitaciones de los algoritmos que intervienen en la toma de decisiones.
La gobernanza adquiere así una importancia similar a la propia capacidad predictiva del modelo. No basta con detectar correctamente una anomalía: las entidades necesitan poder conocer y controlar cómo funcionan sus sistemas y cómo afectan sus decisiones a los clientes.
