La detección de fraude en los servicios financieros siempre ha sido un problema de coincidencia de patrones. Durante décadas, los umbrales estáticos y las listas de bloqueo funcionaron hasta que los delincuentes los descifraron. La inteligencia artificial (IA) cambia el enfoque. En lugar de comparar las transacciones con patrones incorrectos conocidos, los sistemas modernos crean una línea de base de comportamiento para cada cuenta y marcan todo lo que no encaja. Esto tiene implicaciones sobre cómo se detecta el fraude, con qué frecuencia se bloquean las transacciones legítimas y cuánta infraestructura subyacente necesitan crear las empresas por sí mismas.

A continuación, repasaremos cómo funciona la IA para la detección de fraude, dónde se aplica a lo largo del flujo de pago y las consideraciones de seguridad y cumplimiento de la normativa que conlleva la implementación de modelos de machine learning (ML) en un sector regulado.

Aspectos destacados

• La detección de fraude con IA funciona modelando el comportamiento normal y marcando anomalías, en lugar de comparar las transacciones con reglas fijas.

• Los rechazos falsos son tan costosos como el fraude mismo para muchas empresas. Los modelos de comportamiento los reducen al agregar contexto a las decisiones que los sistemas basados en reglas tratan como binarias.

• La implementación de IA en la detección de fraude introduce obligaciones de explicabilidad y sesgo que los motores de reglas no tienen. Los sistemas de producción necesitan tanto soluciones técnicas como procesos de auditoría continuos para cumplir con la normativa.

¿Por qué está cambiando la detección de fraude en los servicios financieros?

La detección de fraude se basó en reglas durante años. Si una transacción coincidía con un patrón predefinido, ocurría con demasiada frecuencia, superaba un cierto valor o procedía de una ubicación marcada, se bloqueaba para su revisión. El problema con eso era que los delincuentes aprendían esas reglas y construían alrededor de ellas. Mantenían las transacciones justo por debajo de los límites del umbral, fragmentaban las transferencias a través de cuentas mula y creaban identidades sintéticas que no activaban ninguna regla existente. En otras palabras, una vez que los atacantes entendían el sistema, aprendían a operar justo fuera de él.

Al mismo tiempo, los pagos digitales se han disparado. Los nuevos canales de pago, las billeteras digitales y el comercio transfronterizo han aumentado drásticamente el volumen de transacciones y las oportunidades de fraude. Las pérdidas globales por fraude con tarjetas superaron los USD 33.8 mil millones en 2023. La superficie de ataque creció mucho más rápido de lo que los sistemas basados en reglas podían mantener. En un sistema basado en reglas, cada nuevo patrón de fraude requiere otra regla, y cada nueva regla requiere actualizar el sistema manualmente. Esa rigidez crea un problema de mantenimiento continuo.

El machine learning (ML) cambia la ecuación. Los modelos de ML entrenados con datos transaccionales y de comportamiento pueden detectar anomalías sutiles o actividades que no coinciden con el comportamiento típico de un cliente o con patrones de red más amplios. Lo más importante es que pueden marcar actividades sospechosas incluso cuando no coinciden con una firma de fraude conocida.

¿Cómo funciona la IA para la detección de fraude en las finanzas?

Los sistemas basados en reglas preguntan si una transacción coincide con un patrón incorrecto conocido. Los sistemas de IA preguntan si una transacción se ajusta a lo que esperarías de esta cuenta, en este momento, dado todo lo que se sabe sobre cómo se comporta este cliente.

Aquí te mostramos cómo la IA admite la detección de fraude.

Modelado de comportamiento

En lugar de depender de umbrales fijos, los sistemas de IA crean perfiles de referencia de actividad normal para cada cuenta. Aprenden patrones como las categorías de comerciantes habituales, los tamaños de transacción típicos, los dispositivos familiares o las ubicaciones. Una transacción que parece normal de forma aislada podría marcarse si se desvía de la línea de base de comportamiento.

Adaptación constante

El fraude cambia rápidamente y las reglas estáticas a menudo tienen dificultades para seguir el ritmo. Los modelos de ML, por el contrario, se vuelven a entrenar con datos nuevos. Aprenden tanto del fraude confirmado como de los casos omitidos anteriormente, lo que permite que los sistemas de detección se adapten a medida que cambian los patrones de fraude.

Visibilidad a nivel de red

Los grandes proveedores de pagos tienen una ventaja porque pueden entrenar modelos en grandes conjuntos de datos. Stripe Radar, por ejemplo, analiza cientos de señales por transacción (p. ej., datos de la tarjeta, huella del dispositivo, historial de compras, patrones de comportamiento) y produce una puntuación de riesgo en milisegundos. Dado que Radar aprende de los pagos de millones de empresas globales cada año, puede asignar puntuaciones de riesgo a cada pago y bloquear automáticamente los pagos de alto riesgo.

Decisiones en tiempo real

La detección de fraude debe ocurrir dentro de la ventana de autorización de la tarjeta, por lo general solo unos pocos milisegundos. Los sistemas de IA pueden evaluar cientos de señales en ese tiempo y producir una puntuación de riesgo al instante, lo que permite a la empresa aprobar la transacción, bloquearla o activar una autenticación adicional sin ralentizar el flujo de pago.

¿Qué técnicas de IA impulsan la detección de fraude en las finanzas?

Los sistemas de detección de fraude rara vez se basan en una sola técnica de IA. En su lugar, combinan múltiples enfoques, cada uno diseñado para detectar diferentes tipos de fraude.

Estas técnicas hacen el trabajo para impulsar la detección de fraude.

Aprendizaje supervisado

Los modelos supervisados se entrenan con datos históricos de transacciones que se han etiquetado como fraudulentos o legítimos. Estos modelos aprenden patrones que distinguen a los dos. Los métodos de potenciación del gradiente como XGBoost funcionan particularmente bien en datos de transacciones estructurados y proporcionan puntuaciones de importancia de la funcionalidad interpretables. Su limitación es que detectan principalmente patrones de fraude similares a los que ya se han visto en los datos de entrenamiento.

Aprendizaje no supervisado

Las técnicas no supervisadas ayudan a detectar fraudes no vistos anteriormente. Los algoritmos de agrupamiento y los codificadores automáticos identifican transacciones que no se ajustan a los patrones establecidos y revelan anomalías incluso cuando todavía no existe una etiqueta de fraude. Esto los hace útiles para identificar estrategias de ataque emergentes de manera temprana.

Análisis de gráficos

El fraude a menudo ocurre en redes, en lugar de en eventos aislados. Las identidades sintéticas podrían compartir direcciones o dispositivos, y las cuentas coordinadas podrían interactuar con las mismas empresas antes de volverse morosas. Los modelos basados en gráficos, incluidas las redes neuronales de gráficos, analizan los vínculos entre entidades para descubrir esas estructuras ocultas.

Biometría del comportamiento

Algunos sistemas también analizan cómo interactúan los usuarios con sus dispositivos. El ritmo de escritura, los patrones de deslizamiento y los comportamientos de manejo de dispositivos crean una firma de comportamiento que es difícil de reemplazar para un atacante, incluso con credenciales robadas.

Modelos de lenguaje grande

Los modelos de lenguaje grande (LLM) están comenzando a aparecer en las operaciones de fraude, principalmente para analizar datos no estructurados como tickets de soporte al cliente, explicaciones de disputas o comunicaciones que contienen señales que los modelos tradicionales no pueden procesar fácilmente.

Cómo se aplica la detección de fraude con IA a los pagos, las transacciones y la gestión de riesgos

Los sistemas de IA perfeccionan continuamente su comprensión de lo que es normal y, a continuación, usan ese contexto para fundamentar las decisiones sobre el comportamiento de pago del cliente. A continuación te mostramos dónde se implementa la detección de fraude con IA en diferentes tipos de actividades financieras.

Autorización de transacciones en tiempo real

Las redes de tarjeta y los proveedores de pagos tienen milisegundos para decidir si aprueban una transacción. Los modelos deben equilibrar velocidad y precisión. Stripe Radar ejecuta su análisis de señales completo dentro de la ventana de autorización y arroja una puntuación de riesgo que puede activar la autenticación 3D Secure (3DS), bloquear una transacción por completo o permitirla, según las reglas que haya configurado la empresa.

Monitoreo posterior a la transacción

Algunos tipos de fraude solo se hacen visibles en múltiples transacciones. Aquí es donde suelen surgir la detección de apropiación de cuentas, el fraude de primera parte y los patrones de múltiples transacciones. Los bancos y los proveedores de pagos ejecutan análisis por lotes para detectar apropiaciones o fraudes de pagos autorizados basados en el envío (APP). Estos son escenarios que podrían parecer legítimos a nivel de transacción individual, pero revelan un comportamiento sospechoso con el tiempo.

Onboarding y verificación de identidad

La IA también se usa en etapas más tempranas del ciclo de vida del cliente. Los sistemas de verificación de documentos analizan los documentos de identidad, ejecutan comprobaciones de vida durante la verificación de identidad y cruzan las señales del dispositivo y del comportamiento para detectar identidades sintéticas antes de que se abran las cuentas.

Gestión de riesgos de la cartera

La IA nutre la toma de decisiones crediticias, las comprobaciones de velocidad en las carteras de cuentas y los cálculos de exposición en tiempo real. Una empresa en la evaluación de riesgos de condiciones de pago a 30 días netos podría usar modelos de machine learning para evaluar si el comportamiento de pago de un cliente nuevo se parece al de las cuentas que posteriormente entraron en mora.

¿Cómo afecta la detección de fraude con IA en las finanzas a la experiencia del cliente?

Cada control de fraude tiene el potencial de interrumpir a un cliente legítimo. Detener a los actores malintencionados sin ralentizar a los buenos es uno de los mayores desafíos en los pagos. Los sistemas más antiguos basados en reglas eran propensos a los falsos positivos: a los clientes que viajaban al extranjero, compraban en una nueva empresa o realizaban una compra inusualmente grande a menudo se les rechazaban las transacciones.

Los modelos de IA pueden evaluar el contexto de una transacción en lugar de solo sus características. Una compra de artículos para actividades al aire libre por €600 en Portugal por parte de un cliente estadounidense podría parecer sospechosa para los sistemas de reglas estáticas, pero un modelo de comportamiento que sabe que el cliente viaja con frecuencia y compra en tiendas de artículos para actividades al aire libre podría aprobarla con confianza. En lugar de aplicar el mismo paso de verificación a cada transacción, los sistemas modernos de fraude lo aplican solo cuando la puntuación de riesgo lo justifica. Stripe Radar puede activar 3DS de forma selectiva y solicitar autenticación adicional para transacciones que superan un cierto umbral de riesgo. Esto deja las transacciones de bajo riesgo sin interrupciones.

Pero los sistemas de IA no son infalibles. Los modelos entrenados con datos históricos podrían pasar por alto inicialmente nuevas estrategias de ataque hasta que haya suficientes ejemplos disponibles para retener. Teniendo esto en cuenta, los analistas de fraude humanos y los flujos de trabajo de revisión manual siguen siendo clave para investigar casos extremos y patrones de fraude emergentes.

¿Qué significa la detección de fraude impulsada por IA para la seguridad y el cumplimiento de la normativa en las finanzas?

La implementación de IA en la detección de fraude introduce un conjunto diferente de consideraciones de cumplimiento de la normativa. Es importante considerar lo siguiente antes de la implementación.

Explicabilidad

Las instituciones financieras deben poder explicar por qué se bloqueó o marcó una transacción. Muchos sistemas de producción abordan esto con métodos de interpretabilidad como SHapley Additive exPlanations (SHAP), que desglosan el resultado de un modelo en la contribución de las funcionalidades individuales. Incluso si el modelo subyacente es complejo, los investigadores aún pueden ver las señales que influyeron en la decisión.

Riesgo de sesgo

Los modelos de ML aprenden de datos históricos, incluidos los sesgos presentes en esos datos. Si ciertas geografías, tipos de empresas o datos demográficos de clientes se marcaron de manera desproporcionada en el pasado, los modelos podrían reproducir esos patrones. Las auditorías periódicas de las tasas de falsos positivos y falsos negativos en diferentes grupos son una protección para la calidad del modelo.

Presión adversaria

Los actores fraudulentos sondean los sistemas de detección. Si un actor fraudulento identifica funcionalidades con un gran peso en un modelo, podría intentar diseñar transacciones que parezcan de bajo riesgo. Las defensas incluyen conjuntos de modelos, ofuscación de funcionalidades y supervisión de cambios inusuales en los datos de entrada que indican intentos de sondeo o evasión.

División de responsabilidades

Cualquier empresa que use Stripe descubrirá que gran parte de esta infraestructura se encuentra debajo de la superficie. Stripe se encarga del mantenimiento de los modelos, el reentrenamiento y la seguridad de la propia infraestructura de detección. Las empresas controlan la capa de configuración, ya sea al establecer reglas personalizadas de Radar, ajustar los umbrales de riesgo o decidir cuándo activar una autenticación adicional.

La creación y el mantenimiento de modelos consumen muchos recursos, por lo que muchas empresas confían en herramientas como Stripe Radar que cuentan con sistemas de detección de fraude establecidos.

Cómo puede ayudar Stripe Radar

Stripe Radar utiliza modelos de IA para detectar y prevenir fraudes. Estos modelos, entrenados con datos de la red global de Stripe, se actualizan continuamente en función de las últimas tendencias de fraude, lo cual mantiene a tu empresa protegida a medida que evoluciona.

Stripe también ofrece Radar para Equipos de Fraude, que permite a los usuarios agregar reglas personalizadas que abordan escenarios de fraude específicos de sus empresas y acceder a información avanzada sobre fraude.

Radar permite que tu empresa logre lo siguiente:

• Prevenir las pérdidas por fraude: Stripe procesa más de USD 1.9 billones en pagos al año. Esta escala permite de manera única que Radar ayude a detectar y prevenir el fraude, lo que te permite ahorrar dinero.

• Aumentar los ingresos: los modelos de IA de Radar se entrenan con datos reales de disputas, información de clientes, datos de navegación y más. Esto permite que Radar identifique transacciones de riesgo y reduzca falsos positivos, lo que aumenta tus ingresos.

• Ahorrar tiempo: Radar se integra en Stripe y no necesita líneas de código para su configuración. También puedes controlar el rendimiento del fraude, escribir reglas y mucho más en una sola plataforma, lo que aumenta la eficiencia.

Obtén más información sobre Stripe Radar o empieza a utilizarlo hoy.