La IA transforma la prevención del fraude en el sector financiero

Los desafíos del fraude en el ámbito financiero

Históricamente, el sector financiero ha sido uno de los principales objetivos de los grupos de fraude, dado el alto valor y la importancia de las transacciones financieras. Aunque las instituciones financieras han implementado diversas medidas para combatir el fraude, los desafíos de detectar y prevenir la actividad fraudulenta continúan evolucionando y volviéndose más complejos.

Uno de los mayores desafíos para detectar el fraude es el gran volumen y complejidad de las transacciones financieras. Con millones de transacciones cada día, puede ser sumamente difícil identificar la actividad fraudulenta de las operaciones legítimas. Además, los estafadores se vuelven cada vez más sofisticados en sus estrategias, con el uso de nuevas tecnologías y técnicas de ingeniería social para evitar ser detectados.

Por si fuera poco, las instituciones financieras también deben enfocarse en equilibrar las medidas de seguridad con la experiencia del cliente. Aunque las medidas de seguridad más estrictas ayudan a prevenir el fraude, también pueden crear alta fricción para los usuarios y afectar su experiencia. Por ello, encontrar el equilibrio perfecto entre seguridad y comodidad, además de informar a los clientes acerca de los riesgos de fraude y estafa a los que están expuestos, es parte fundamental de una estrategia de riesgos exitosa.

La IA y la mitigación del fraude financiero

Ya que el gran volúmen de transacciones y la sofisticación de los esquemas de fraude que pueden pasar desapercibidos para el ojo humano son un problema en la detección del fraude, la inteligencia artificial puede ofrecer una solución viable.

Los sistemas de detección del fraude basados en la IA están diseñados para identificar y marcar actividad sospechosa en tiempo real. Por ejemplo, el software de prevención del fraude bancario puede detectar rápidamente patrones y anomalías que puedan apuntar a un comportamiento fraudulento, y alertar a la institución financiera para que los analistas tomen decisiones mejor informadas respecto a un usuario potencialmente sospechoso.

Algunas de las capacidades más destacables de los sistemas de inteligencia artificial para la detección del fraude financiero incluyen:

• Monitoreo de transacciones. Los sistemas modernos de prevención de fraude utilizan algoritmos de aprendizaje automático que analizan las transacciones en tiempo real. Estas soluciones son capaces de analizar grandes volúmenes de datos, tales como el historial de transacciones, el comportamiento de los usuarios y los detalles de la geolocalización y el dispositivo del usuario para detectar patrones y anomalías que puedan indicar un comportamiento fraudulento. Por ejemplo, PayPal utiliza sistemas basados en IA para monitorear todas las transacciones que toman lugar dentro de su plataforma, algo imposible de realizar incluso para el equipo de expertos en fraude más completo, dada la enorme cantidad de transacciones que se procesan cada minuto en todo el mundo.
• Verificación de identidad. Durante muchos años han existido servicios de verificación de identidad y revisión de documentos en los que cada documento es analizado manualmente por un empleado de estos proveedores que se conecta en tiempo real con el usuario. Aunque este método tiende a ser bastante seguro y confiable, también es de alta fricción para muchos usuarios que lo consideran invasivo y poco práctico. Los sistemas de verificación de identidad más novedosos hacen uso de algoritmos de aprendizaje automático para analizar distintos elementos como datos biométricos, identificaciones emitidas por el gobierno y reconocimiento de voz para verificar con precisión a los usuarios.
  Como cualquier sistema, esta tecnología tiene vulnerabilidades que pueden ser explotadas por estafadores experimentados. Sin embargo, una de las principales virtudes del machine learning es su capacidad para adaptarse conforme el sistema se alimenta de más datos. Por ello, la precisión y efectividad de estos sistemas para la verificación de identidad mejora con cada transacción o documento analizado.
• Cumplimiento de las normativas antilavado de dinero (AML). Otro caso de uso importante para los sistemas de machine learning es el cumplimiento de las normativas en torno al lavado de dinero y financiación al terrorismo. Al poder analizar millones de transacciones en tiempo real, los sistemas pueden identificar comportamientos anormales típicos en los intentos de este tipo de crímenes. Por ejemplo, un usuario que incrementa súbitamente el volumen y frecuencia de sus transacciones puede apuntar a un estafador con la urgencia de trasladar y limpiar fondos ilícitamente obtenidos. Está claro que este tipo de comportamientos no son indicadores absolutos de que el usuario en cuestión es un estafador, pero ciertamente son un elemento más a tener en cuenta por parte del equipo de riesgos de una organización.

Conclusión: una herramienta para tomar mejores decisiones

Dejarle todo el trabajo de la detección del fraude a un sistema automatizado tiene sus bemoles. Una configuración estricta de las reglas mediante las que operan los sistemas de prevención del fraude puede conducir a un aumento significativo en los falsos positivos, mientras que reglas muy laxas pueden dejar abierta las líneas de defensa de un negocio ante estafadores habilidosos.

A final de cuentas, las herramientas de aprendizaje automático e inteligencia artificial tienen como objetivo principal ofrecer tantos datos como sea posible acerca de transacciones, comportamientos y perfiles de usuario para que, así, los especialistas en prevención del fraude puedan tomar decisiones más informadas y seguir mejorando sus estrategias de riesgo.

Sobre la autora: Eva Csiszer-Kozar es ejecutiva de cuentas senior en SEON. Nació en Hungría, es amante de las culturas hispanohablantes, lo que la llevó a hacer una maestría en Administracion de Negocios y Márketing en la Universidad de Oviedo (España). Tras varios años trabajando en TI y desarrollo de software, se unió a SEON en el 2020.