El fraude es un costo silencioso. No aparece en una factura, pero se come margen todos los meses: contracargos, cuentas falsas, identidades robadas, siniestros inflados. En fintech y seguros, donde el dinero se mueve rápido y a distancia, el problema es más grande de lo que la mayoría reconoce en voz alta.
Durante años, la defensa fue un conjunto de reglas fijas: bloquear operaciones arriba de cierto monto, frenar tarjetas que compran en dos países el mismo día. Sirven, pero tienen un techo. Acá explicamos por qué, y cómo la inteligencia artificial cambia el juego.
Por qué las reglas fijas se quedan cortas
Una regla del tipo "si el monto supera X, frenar" tiene dos problemas que se notan enseguida.
El primero: el fraude se adapta. El que estafa prueba, ve qué pasa el límite y ajusta. Una regla escrita en enero queda vieja en marzo. Mantener cientos de reglas al día es una tarea que no termina nunca.
El segundo, más caro de lo que parece: los falsos positivos. Cada regla demasiado estricta frena operaciones legítimas. El cliente que quería comprar y no pudo se va con bronca, y a veces no vuelve. Hay un costo real en cada transacción buena que bloqueás de más.
Las reglas miran cada operación de a una y en blanco y negro. El fraude real vive en los grises y en los patrones.
Cómo la IA detecta el fraude
En lugar de seguir reglas escritas a mano, un modelo de machine learning aprende de lo que ya pasó. Le mostrás miles de operaciones, marcadas como legítimas o fraudulentas, y aprende a distinguir unas de otras. Después puntúa cada operación nueva con una probabilidad de fraude, en milisegundos, mientras la transacción sucede.
Hay tres enfoques que conviene conocer:
- Modelos supervisados. Aprenden del histórico etiquetado. Son muy precisos con tipos de fraude que ya se vieron antes.
- Detección de anomalías. No necesitan ejemplos de fraude: aprenden cómo es el comportamiento normal y levantan la mano cuando algo se sale de lo habitual. Sirven para atrapar lo que nunca pasó.
- Análisis de grafos. En lugar de mirar operaciones sueltas, miran las relaciones: cuentas que comparten un dispositivo, un teléfono o una dirección. Ahí se cae el fraude organizado, que una a una parece inofensivo.
Lo potente es combinarlos. Los supervisados cubren lo conocido, las anomalías cubren lo nuevo, y los grafos descubren las redes.
Qué señales mira un modelo
Un buen sistema no mira solo el monto. Cruza decenas de señales para armar el contexto de cada operación:
- Comportamiento. ¿Esta persona suele operar así, a esta hora, por estos montos?
- Dispositivo. ¿Es el celular de siempre o uno nuevo? ¿Hay muchas cuentas usando el mismo aparato?
- Geolocalización. ¿La ubicación tiene sentido con la actividad reciente?
- Velocidad. Muchos intentos en pocos segundos suele ser una máquina probando, no una persona.
- Red de relaciones. ¿Esta cuenta está conectada con otras ya marcadas como fraudulentas?
Ninguna de estas señales alcanza sola. El modelo aprende cómo se combinan, y ahí está la diferencia con una regla suelta.
El equilibrio que nadie te cuenta: fricción contra pérdida
Esta es la parte que separa a un sistema bien hecho de uno que molesta. Todo detector de fraude vive en una tensión: si lo apretás mucho, frenás operaciones buenas y espantás clientes (falsos positivos). Si lo aflojás, dejás pasar fraude (falsos negativos).
No existe el punto perfecto. Existe el punto que tiene sentido para tu negocio, y depende de cuánto te cuesta cada fraude que pasa contra cuánto te cuesta cada cliente que frenás de más. Calibrar ese umbral es la mitad del trabajo, y se ajusta con el tiempo según lo que muestran los datos.
La caja negra no es una opción
En servicios financieros no alcanza con que el modelo acierte: tenés que poder explicar por qué frenó una operación. Lo pide el regulador, lo pide el cliente que reclama, y lo pedís vos cuando algo sale mal y hay que entender qué pasó.
Por eso un sistema serio guarda el rastro de cada decisión y permite revisarla. La explicabilidad no es un lujo; es parte del diseño desde el día uno. Un modelo que acierta pero que nadie puede auditar es un problema esperando a suceder.
Cómo se implementa en la práctica
Un proyecto de detección de fraude no arranca por el algoritmo. Arranca por los datos.
- Datos. Reunir el histórico de operaciones y, sobre todo, saber cuáles fueron fraude. Sin ese etiquetado, el modelo no tiene de qué aprender.
- Integración. Conectar el modelo al flujo de transacciones para que puntúe en tiempo real, sin frenar la operación legítima.
- Monitoreo. Medir cuánto fraude atrapa y cuántos falsos positivos genera, todas las semanas.
- Reentrenamiento. Como el fraude muta, el modelo se actualiza con los casos nuevos. Un sistema que no se reentrena envejece igual que las reglas fijas.
Por qué hablamos de esto con conocimiento de causa
Esto no lo aprendimos en un curso. Antes de Axven, el equipo construyó sistemas de machine learning para detección de fraude en el mundo fintech. Modelar comportamiento, calibrar umbrales, pelear contra los falsos positivos y explicar cada decisión: lo hicimos con datos reales y plata real en juego.
Esa experiencia es la que traemos a la mesa cuando una fintech o una aseguradora nos consulta. No vendemos una herramienta enlatada; entendemos el problema desde adentro.
El próximo paso
Si el fraude te está costando margen y sentís que las reglas fijas ya no dan abasto, el primer paso es entender tu caso puntual: qué tipo de fraude te golpea, qué datos tenés y dónde está el mayor agujero.
En un diagnóstico lo miramos con vos y te decimos, con criterio, qué se puede hacer y qué rinde primero. Sin humo.