La detección de fraude en tiempo real está evolucionando rápidamente, ya que los pagos instantáneos prácticamente no ofrecen margen de recuperación. Una novedad importante se produjo el 2 de septiembre de 2026, cuando Visa anunció un servicio A2A Protect mejorado que combina la tecnología de Visa y Featurespace en una puntuación de fraude unificada para pagos entre cuentas. La cuestión no es que un solo producto resuelva el fraude. El cambio más amplio radica en que las instituciones financieras están combinando cada vez más la IA a nivel de transacción con señales de comportamiento e inteligencia de red antes de que el dinero salga de una cuenta.
Esto es importante porque ahora un pago puede transferirse del remitente al destinatario en segundos. Un banco no puede esperar a que un proceso por lotes nocturno decida si una transferencia es sospechosa. El sistema antifraude debe recopilar señales, evaluar el riesgo, aplicar políticas y elegir una acción dentro del plazo de autorización o pago, al tiempo que aprueba rápidamente las transacciones legítimas.
El anuncio de Visa de septiembre de 2026 está disponible en su comunicado A2A Protect . Es un ejemplo de una tendencia más amplia en el sector hacia la toma de decisiones en tiempo real basada en la red, en lugar de depender únicamente de reglas estáticas dentro de una sola institución.
La detección de fraude mediante IA consiste en el uso de modelos estadísticos y de aprendizaje automático para determinar si una actividad es legítima o sospechosa. En el ámbito de los pagos, el modelo rara vez funciona de forma aislada. Normalmente, forma parte de un sistema de decisión más amplio que también incluye reglas deterministas, controles de autenticación, límites de velocidad, sanciones o comprobaciones de cumplimiento, e investigación humana.
En el caso de una compra con tarjeta, la institución puede estar decidiendo si aprobarla, rechazarla o solicitar una autenticación más estricta. Para una transferencia instantánea entre cuentas, puede estar decidiendo si autorizar el pago, pausarlo cuando el sistema de pago y la legislación lo permitan, solicitar una confirmación adicional del cliente o derivar el caso a un equipo de prevención de fraude.
La descripción general actual de Visa sobre la detección de fraude mediante IA describe sistemas en tiempo real que analizan datos de transacciones y comportamiento, en lugar de basarse únicamente en reglas estáticas o listas negras. Esta arquitectura básica se mantiene sólida incluso a medida que cambian los modelos y proveedores específicos.
Los programas tradicionales de prevención del fraude disponían de más tiempo para revisar, en algunos flujos de pago, la actividad inusual a posteriori. Los pagos instantáneos reducen ese plazo. El servicio FedNow de la Reserva Federal, por ejemplo, permite a las instituciones participantes enviar y recibir pagos las 24 horas del día, y los destinatarios acceden a los fondos de inmediato.
En junio de 2025, la Reserva Federal de Servicios Financieros (FRFS) incorporó una función de umbral de actividad de cuenta a FedNow. Las instituciones participantes pueden definir umbrales de valor en dólares y velocidad de transacción por segmento de cliente. Esto ilustra de forma útil la defensa moderna contra el fraude: la IA constituye una capa, mientras que los controles sencillos, como los límites de importe y frecuencia, siguen siendo valiosos por su rapidez, transparencia y facilidad de combinación con las puntuaciones del modelo. Consulte el anuncio de la Reserva Federal de Servicios Financieros .
El sistema comienza con el pago en sí: importe, comercio o destinatario, hora, canal, tipo de pago, moneda e identificadores de cuenta. Una compra de comestibles de 12 dólares y una transferencia de 12 000 dólares a un nuevo destinatario no deberían seguir el mismo proceso de decisión simplemente porque ambas sean pagos.
El pago se compara con el comportamiento reciente de la cuenta. Entre los indicadores útiles se incluyen el historial de inicio de sesión, la identidad del dispositivo, la dirección IP o las características de la red, la coherencia de la geolocalización, el tiempo transcurrido desde los últimos cambios de contraseña o datos de contacto, la antigüedad de la cuenta, la frecuencia de las transacciones, los destinatarios anteriores y los importes de pago habituales.
Estas características ayudan a distinguir lo "inusual" de lo "fraudulento". Un cliente que compra un billete de avión desde otro país puede parecer inusual si se analiza de forma aislada, pero normal si el sistema también detecta una reserva de viaje reciente, un dispositivo conocido y una relación de larga data con el titular de la tarjeta.
Algunos fraudes son más fáciles de detectar en una red que dentro de una sola cuenta. Las cuentas intermediarias, las estafas coordinadas, las identidades sintéticas y las estructuras de lavado de dinero pueden involucrar a muchos remitentes y destinatarios distribuidos en distintas instituciones.
El Proyecto Hertha del Banco de Pagos Internacionales (BPI), publicado en junio de 2025, exploró el análisis de transacciones basado en IA para sistemas de pago minorista en tiempo real. En experimentos con un conjunto de datos sintéticos de 1,8 millones de cuentas y 308 millones de transacciones, la incorporación de análisis del sistema de pago ayudó a bancos y proveedores de pago simulados a identificar un 12 % más de cuentas ilícitas, con una mejora del 26 % en la detección de comportamientos previamente desconocidos. Estos fueron resultados experimentales con datos sintéticos, no garantías de rendimiento para bancos en producción. El valor del proyecto reside en la lección de diseño: los patrones de red pueden revelar relaciones que un banco individual no puede ver en su propio libro mayor. Consulte el informe del Proyecto Hertha del BPI .
Los modelos convierten las características en una probabilidad, una puntuación o una categoría de riesgo. Las instituciones pueden utilizar varios modelos a la vez; por ejemplo, uno para el robo de cuentas, otro para el fraude con tarjeta no presente, otro para el riesgo de estafa y un modelo de red para relaciones sospechosas con los destinatarios.
La puntuación del modelo no es automáticamente la decisión final. Un banco puede combinarla con reglas como «dispositivo nuevo, beneficiario nuevo y importe inusualmente alto» o con umbrales de segmentación de clientes. El objetivo es equilibrar las pérdidas por fraude con el coste de bloquear a los clientes legítimos.
Los resultados típicos incluyen aprobar, rechazar, solicitar autenticación reforzada, pedir confirmación, demorar (cuando esté permitido) o remitir para revisión. La autenticación reforzada implica solicitar pruebas más sólidas solo cuando el riesgo es elevado; por ejemplo, una confirmación adicional dentro de la aplicación u otro factor de autenticación.
El motor de decisiones debe ser lo suficientemente rápido como para integrarse en el flujo de pago. Las plataformas de autorización de tarjetas suelen tomar decisiones de riesgo en milisegundos, mientras que los sistemas de pago instantáneo generalmente solo tardan segundos desde el inicio hasta la liquidación.
| Grupo de señales | Ejemplos | Lo que puede revelar |
|---|---|---|
| Transacción | Importe, moneda, comerciante o destinatario, tiempo, vía de pago | Tamaño, destino o tipo de transacción inusuales |
| Comportamiento | Rango de gasto normal, secuencia de inicio de sesión, historial del beneficiario, velocidad | Desviación del patrón establecido por el cliente |
| Dispositivo y red | Huella digital del dispositivo, reputación de IP, consistencia de la ubicación, señales del navegador o de la aplicación. | Suplantación de cuenta o contexto de acceso desconocido |
| Ciclo de vida de la cuenta | Antigüedad de la cuenta, restablecimiento reciente de contraseña, cambios en el perfil, beneficiario recién añadido | Riesgos relacionados con cambios recientes en las credenciales o la configuración de pago. |
| Relaciones de red | Dispositivos compartidos, destinatarios comunes, cadenas de transferencia, cuentas conectadas | Redes de mulas o estructuras de fraude coordinadas |
| Resultados confirmados | Devoluciones de cargo, informes de estafa, etiquetas de investigador, confirmaciones de clientes | Formación y retroalimentación para futuras decisiones. |
Es fácil describir las reglas como obsoletas y el aprendizaje automático como su reemplazo. En los sistemas de detección de fraude en producción, esta simplificación suele ser excesiva. Las reglas son excelentes para situaciones conocidas que requieren una acción determinista: países bloqueados, tipos de transacciones imposibles, requisitos regulatorios, eventos duplicados, límites de monto estrictos o controles de emergencia recientemente implementados.
La IA es más eficaz cuando la decisión depende de combinaciones de señales o comportamientos que no pueden expresarse con claridad mediante una breve lista de reglas. Por ello, las instituciones consolidadas emplean un enfoque por capas: reglas para políticas claras, aprendizaje automático para riesgos complejos, análisis de redes para relaciones y revisión humana para casos ambiguos o de gran impacto.
Un sistema antifraude que bloquea todo es técnicamente eficaz para detener el fraude, pero inutilizable como sistema de pago. Un falso positivo es una transacción legítima clasificada erróneamente como sospechosa. Un exceso de falsos positivos genera fricciones con los clientes, costes para los centros de atención telefónica, abandono de compras y pérdida de confianza.
Por eso, las instituciones hacen un seguimiento de algo más que la tasa bruta de detección de fraudes. Entre las medidas importantes se incluyen las pérdidas por fraude, la tasa de recuperación o detección, la precisión, la tasa de falsos positivos, la tasa de aprobación, la tasa de fricción con el cliente, el volumen de revisiones manuales, la latencia y el coste financiero de cada tipo de decisión.
El umbral óptimo depende del contexto. Una compra con tarjeta de 50 dólares puede requerir un nivel de tolerancia diferente al de una transferencia comercial de 250 000 dólares a una cuenta nueva. Por lo tanto, el control del fraude en tiempo real es un problema de optimización, no simplemente de clasificación.
Algunos fraudes son relativamente sencillos: un delincuente roba las credenciales e inicia un pago que el cliente no autorizó. Otro tipo, a menudo denominado fraude por pago autorizado (APP, por sus siglas en inglés) , ocurre cuando se manipula al cliente para que envíe el dinero personalmente.
Esto resulta más difícil para la IA, ya que el inicio de sesión, el dispositivo, la autenticación y la confirmación final pueden ser legítimos. En cambio, las señales de sospecha pueden aparecer en la red del destinatario, la descripción de la transacción, una relación inusual con el beneficiario, la velocidad del pago o un patrón de estafa más general.
Esta es una de las razones por las que la inteligencia a nivel de red está ganando protagonismo. El lanzamiento de TRACE por parte de Mastercard en 2025 en la red de pagos en tiempo real de Filipinas y sus herramientas de detección de fraude A2A en el Reino Unido son ejemplos de proveedores que intentan identificar riesgos en múltiples instituciones en lugar de tratar los datos de cada banco como una isla aislada.
La deriva del modelo se produce cuando la relación estadística entre las variables de entrada y los resultados del fraude cambia con el tiempo. El comportamiento del consumidor cambia, se lanzan nuevos productos, varían los patrones estacionales y los delincuentes ponen a prueba deliberadamente los controles para encontrar puntos débiles.
Las instituciones responden con monitoreo, recapacitación, pruebas de validación, ajuste de umbrales, actualizaciones de reglas y retroalimentación de casos de fraude confirmados. Las etiquetas adecuadas son especialmente importantes. El Proyecto Hertha destacó los datos de capacitación etiquetados, los ciclos de retroalimentación sólidos y los algoritmos explicables como factores clave para la efectividad.
Los sistemas en tiempo real también necesitan medidas de seguridad contra etiquetas manipuladas o de baja calidad. Si los clientes impugnan incorrectamente transacciones legítimas o los investigadores clasifican los casos de forma inconsistente, el modelo puede aprender un patrón erróneo.
Las decisiones relacionadas con el fraude afectan el acceso al dinero, la experiencia del cliente y las obligaciones regulatorias. Las instituciones necesitan explicaciones suficientes para comprender por qué un modelo se comporta de manera diferente, investigar errores y justificar cambios en los umbrales o las políticas.
La explicabilidad no exige que todos los modelos sean simples. Lo que sí requiere son resultados operativos útiles: qué señales impulsaron el riesgo, qué reglas se activaron, cómo cambió la puntuación con el tiempo y si una decisión fue coherente con la política aprobada.
En el caso de eventos de alto riesgo o ambiguos, los investigadores siguen siendo fundamentales. La revisión humana puede incorporar contexto que el modelo no contempla, identificar narrativas emergentes de estafa y crear mejores etiquetas para la próxima actualización del modelo.
En abril de 2026, la OCC, la Reserva Federal y la FDIC publicaron una guía interinstitucional revisada sobre la gestión del riesgo de los modelos, haciendo hincapié en un enfoque basado en el riesgo. La guía aborda el desarrollo y uso de modelos, su validación y supervisión, la gobernanza y los controles, así como los modelos de terceros. También indica que la IA generativa y la IA con agentes no se incluyen en el alcance de dicha guía, dado que son tecnologías novedosas y en constante evolución.
Para los equipos de prevención de fraude, la conclusión práctica es que un modelo de alto rendimiento no es suficiente. Las instituciones necesitan una clara responsabilidad, documentación del uso previsto, pruebas, monitoreo, control de cambios, gobernanza de datos y una supervisión adecuada de los modelos de los proveedores. Consulte la guía revisada de la OCC sobre riesgos de modelos de 2026 .
El marco voluntario de gestión de riesgos de IA del NIST proporciona una estructura intersectorial más amplia centrada en Gobernar, Mapear, Medir y Gestionar. No se trata de una regulación bancaria, pero resulta útil para organizar cuestiones relativas a la fiabilidad, la transparencia, la privacidad, la seguridad y la rendición de cuentas.
La IA generativa puede ayudar a los investigadores a resumir casos, extraer información de notas, redactar informes de investigación o buscar en grandes bases de datos de políticas y casos. Esto no significa que un modelo de lenguaje complejo deba ser el único mecanismo de autorización para determinar si un pago es legítimo.
La evaluación del fraude en tiempo real suele basarse en modelos estadísticos estructurados optimizados para la clasificación de baja latencia, la detección de anomalías, el análisis de gráficos y puntuaciones de riesgo calibradas. Los sistemas generativos pueden mejorar el flujo de trabajo, especialmente tras una alerta, pero las instituciones financieras siguen necesitando controles deterministas y un comportamiento del modelo medible en la ruta de la transacción.
La mayoría de los sistemas de detección de fraude basados en IA son invisibles. Un pago normal se aprueba sin pasos adicionales. Un pago ligeramente inusual puede activar una confirmación dentro de la aplicación. Una transacción de alto riesgo puede ser rechazada o remitida para revisión. El objetivo es aplicar medidas de seguridad selectivas: añadir seguridad solo cuando el riesgo lo justifique.
Para los clientes, esto significa que el sistema antifraude más avanzado puede resultar menos intrusivo que uno antiguo, ya que puede distinguir con mayor precisión el comportamiento normal de la actividad sospechosa. Para las instituciones, el reto consiste en mantener esa experiencia mientras responden a los nuevos patrones de fraude con la rapidez necesaria para gestionar los pagos.
La actualización Visa A2A Protect de septiembre de 2026, los controles de riesgo configurables de FedNow y el Proyecto Hertha del BIS apuntan en la misma dirección: la defensa contra el fraude está evolucionando desde reglas de transacción aisladas hacia inteligencia en tiempo real por capas. Los sistemas más robustos combinan el comportamiento individual, el contexto de la cuenta, los datos del dispositivo, las relaciones de red, las reglas y la experiencia humana.
La IA mejora la capacidad de clasificar el riesgo rápidamente, pero no elimina las compensaciones. Las instituciones financieras aún deben decidir cuánta fricción es aceptable, cómo se validan los modelos, qué datos se pueden utilizar legal y éticamente, cómo se gestionan los sistemas de terceros y qué sucede cuando el modelo es incierto.
Ese es el significado práctico de la detección de fraude mediante IA en las finanzas en tiempo real: no se trata de un único algoritmo que "conozca" el fraude, sino de un sistema de decisiones diseñado que convierte continuamente la evidencia en constante evolución en acciones proporcionales antes de que una transacción se convierta en una pérdida irrecuperable.
Compara las mejores opciones de grado en logística, cadena de suministro, sistemas aéreos no tripulados (UAS) y operaciones con drones para 2026, con recomendaciones prácticas según tus objetivos profesionales y una lista de verificación para elegir un programa.
Compare autonomous systems, robotics, and control programs at MIT, CMU, Michigan, Penn, Oxford, ETH Zurich, KTH, and Aalto, with practical selection criteria.
A practical FinTech cybersecurity guide to protecting financial data from account takeover, API abuse, ransomware, third-party risk, and modern fraud.
Grid-scale batteries are becoming a core flexibility tool for renewables. See where they excel, where they fall short, and what 2026 data shows.
CRISPR es ahora un medicamento aprobado. Descubra qué está comprobado, qué depende de la enfermedad y la forma de administración, y qué aspectos aún se desconocen sobre la edición de la base y la edición primaria.
See how continuous processing, platform technologies, PAT, digital twins, and modular manufacturing are accelerating reliable therapeutic production.
Explore how Industry 4.0 smart automation combines AI, digital twins, IIoT, edge control, and standards to improve efficiency without removing essential human oversight.
La IA integrada transforma los modelos fundamentales, pasando de las palabras a la acción física. Descubre por qué la robótica, los sistemas de automatización virtual, la simulación y la seguridad la convierten en la próxima frontera tecnológica.
Descubre cómo los bancos y los proveedores de servicios de pago utilizan la IA, las señales de comportamiento, el análisis de redes, las reglas y la revisión humana para detener el fraude en tiempo real sin bloquear a los buenos clientes.
Cómo generan ingresos los proyectos de captura de carbono, dónde se ubican los costos de ingeniería y cómo las políticas de 2026, los centros de almacenamiento, los créditos fiscales y los contratos afectan la viabilidad financiera.
