La inteligencia artificial está ampliando las capacidades de la banca para detectar operaciones fraudulentas mediante el análisis del comportamiento de los clientes y la evaluación del riesgo en tiempo real. En un contexto marcado por nuevas modalidades de fraude y por la evolución del marco regulatorio europeo de pagos, Eugenio Egido, Director Corporativo de Servicios Financieros de Entelgy, analiza cómo estas tecnologías pueden mejorar la prevención, reducir las falsas alarmas y reforzar la protección de los usuarios.
Por Eugenio Egido, Director Corporativo de Servicios Financieros de Entelgy
La industria financiera europea lleva años perfeccionando sus mecanismos de autenticación y control. La implantación de PSD2 y de la autenticación reforzada del cliente (Strong Customer Authentication, SCA) contribuyó a mejorar la seguridad de los pagos digitales. Sin embargo, la evolución de las técnicas utilizadas por los ciberdelincuentes ha puesto de manifiesto las limitaciones de unos sistemas diseñados principalmente para verificar la identidad de quien realiza una operación.
Una parte significativa de los fraudes más complejos aprovecha la manipulación de los usuarios. La suplantación de identidad, el fraude del CEO y las estafas mediante pagos autorizados (Authorised Push Payment Fraud, APP Fraud) permiten que los delincuentes consigan transferencias legítimamente autenticadas, pero realizadas bajo engaño.
Esta realidad está influyendo en la evolución regulatoria que representan PSD3 y el futuro Reglamento de Servicios de Pago (PSR). También plantea una dificultad tecnológica que considero especialmente relevante: identificar una operación fraudulenta cuando el cliente está utilizando correctamente sus credenciales y los mecanismos de autenticación de su banco.
La inteligencia artificial y los modelos avanzados de análisis del comportamiento ofrecen nuevas posibilidades para abordar este problema, aunque su eficacia dependerá de la capacidad de las entidades para integrarlos en sus sistemas y procesos de gestión del riesgo.
De la autenticación a la evaluación del comportamiento
Durante años, la prevención del fraude bancario se ha apoyado en mecanismos como las contraseñas, los códigos de un solo uso, la biometría y los dispositivos de confianza. Estas tecnologías permiten verificar la identidad del usuario y dificultan el acceso no autorizado a sus cuentas.
El problema aparece cuando una persona es manipulada para realizar voluntariamente una operación fraudulenta. En estos casos, la autenticación puede funcionar correctamente sin impedir que el dinero llegue a los delincuentes.
La evolución del marco europeo de pagos refuerza la importancia de incorporar medidas preventivas capaces de identificar situaciones de riesgo durante el proceso de pago. Para ello, las entidades necesitan disponer de información que permita interpretar las circunstancias de cada transacción y detectar comportamientos que se aparten de los patrones habituales.
Pensemos en un cliente que opera normalmente desde Madrid, utiliza el mismo dispositivo móvil y realiza transferencias por importes inferiores a 1.000 euros. Un día inicia una operación de 25.000 euros hacia un beneficiario desconocido desde un dispositivo diferente.
Ninguno de estos elementos demuestra por sí solo que exista un fraude. Sin embargo, su combinación puede justificar una evaluación adicional del riesgo, especialmente si aparecen otras señales asociadas a comportamientos fraudulentos.
La capacidad para relacionar estos datos y analizarlos en tiempo real constituye una de las principales aportaciones de la inteligencia artificial a la seguridad bancaria.
Inteligencia artificial para interpretar el contexto de las operaciones
Los sistemas tradicionales de prevención del fraude utilizan reglas que permiten generar alertas cuando se cumplen determinadas condiciones, como superar un importe establecido, detectar accesos desde ubicaciones inusuales o registrar múltiples intentos fallidos de autenticación.
Estas reglas siguen siendo útiles, aunque presentan limitaciones frente a técnicas de fraude que cambian constantemente. Los modelos de machine learning permiten complementar este enfoque mediante el análisis de grandes volúmenes de operaciones y la identificación de patrones que pueden resultar difíciles de detectar con reglas predefinidas.
Su aplicación facilita la evaluación de diferentes señales de riesgo, teniendo en cuenta tanto el comportamiento habitual del cliente como las características de operaciones fraudulentas identificadas anteriormente.
Desde mi perspectiva, el potencial de estas tecnologías reside en su capacidad para mejorar la precisión de los sistemas de detección. Para conseguirlo, las entidades deben trabajar sobre la calidad de los datos, la integración de las plataformas y la supervisión de los modelos utilizados.
En Entelgy contamos con capacidades en inteligencia artificial, analítica avanzada, modernización de aplicaciones e integración tecnológica que permiten abordar este tipo de necesidades desde una perspectiva conjunta. La evolución de los sistemas antifraude requiere conectar información procedente de diferentes entornos y facilitar su utilización por parte de los equipos responsables de gestionar el riesgo.
Biometría conductual y nuevas señales de riesgo
La biometría conductual constituye otra de las tecnologías que están ampliando las posibilidades de prevención del fraude. A diferencia de los mecanismos biométricos tradicionales, centrados en características físicas, analiza determinados patrones de interacción del usuario con los dispositivos y las aplicaciones.
La velocidad de escritura, los movimientos del ratón, la forma de navegar entre pantallas o los tiempos de respuesta durante una operación pueden aportar información adicional para identificar comportamientos inusuales.
Estos indicadores pueden resultar útiles cuando un delincuente dispone de credenciales legítimas o cuando existen sospechas de manipulación del usuario. No obstante, su interpretación requiere considerar el contexto de cada operación, ya que las variaciones de comportamiento pueden responder a numerosas circunstancias ajenas al fraude.
Su incorporación a los sistemas bancarios también exige prestar atención a la protección de datos personales, la transparencia y la proporcionalidad de los mecanismos de análisis utilizados.
Considero que estas tecnologías tendrán un papel creciente en los modelos de prevención, especialmente cuando se combinen con otras fuentes de información y se utilicen para complementar las decisiones de los sistemas de monitorización.
De la detección de operaciones al análisis de redes fraudulentas
Las organizaciones dedicadas al fraude financiero utilizan estructuras cada vez más complejas, con múltiples cuentas receptoras, intermediarios y entidades financieras. Las redes de mulas bancarias permiten distribuir fondos entre diferentes cuentas y dificultar la identificación de los responsables.
Este funcionamiento plantea limitaciones a los sistemas que analizan cada operación de forma aislada. Una transferencia puede parecer legítima cuando se examina individualmente, aunque forme parte de una secuencia de movimientos relacionados con actividades fraudulentas.
La inteligencia artificial y las técnicas de análisis de grafos permiten identificar relaciones entre cuentas, dispositivos, beneficiarios y patrones transaccionales. Estas capacidades pueden facilitar la detección de estructuras sospechosas y mejorar la investigación de operaciones vinculadas entre sí.
Para aprovecharlas, las entidades necesitan disponer de arquitecturas de datos que permitan relacionar información procedente de diferentes sistemas. También resulta relevante la evolución de los mecanismos de intercambio de información entre proveedores de servicios de pago, dentro de los límites establecidos por la normativa aplicable.
La modernización de las plataformas bancarias y la integración de datos adquieren así una importancia creciente en la prevención del fraude. La capacidad analítica de los modelos depende directamente de la información disponible y de la forma en que esta se incorpora a los procesos operativos.
El desafío de reducir las falsas alarmas
Uno de los problemas habituales de los sistemas antifraude es la generación de alertas sobre operaciones legítimas. Los bloqueos innecesarios, las verificaciones adicionales y los retrasos en los pagos pueden afectar a la experiencia del cliente y aumentar los costes operativos de las entidades.
La inteligencia artificial ofrece posibilidades para mejorar la precisión de las evaluaciones de riesgo y adaptar las medidas de protección a las características de cada operación. Sin embargo, obtener buenos resultados requiere un seguimiento continuo del comportamiento de los modelos y de su capacidad para distinguir entre actividad legítima y fraudulenta.
Para la banca, encontrar un equilibrio adecuado entre seguridad y facilidad de uso será una cuestión cada vez más importante. Los clientes esperan operar con rapidez, pero también necesitan confiar en que sus entidades cuentan con mecanismos eficaces para proteger sus fondos.
La reducción de falsos positivos puede contribuir a mejorar esa experiencia y a optimizar los recursos dedicados a la revisión de alertas. Su impacto dependerá de la calidad de los modelos, de los procedimientos de supervisión y de la capacidad de respuesta de los equipos responsables.
PSD3 y la modernización tecnológica de la banca
La evolución del marco regulatorio europeo de pagos coincide con un proceso de transformación tecnológica que afecta a buena parte del sector financiero. La necesidad de reforzar la prevención del fraude está impulsando el interés por las plataformas de monitorización en tiempo real, la analítica avanzada, la automatización y las arquitecturas de datos capaces de procesar información procedente de múltiples canales.
Creo que uno de los principales desafíos será incorporar estas capacidades a infraestructuras bancarias que han evolucionado durante años y que deben garantizar la continuidad de servicios críticos. La integración de nuevas tecnologías requiere revisar aplicaciones, procesos y flujos de información, además de establecer mecanismos adecuados de gobierno y supervisión.
Desde nuestra experiencia en Entelgy, abordamos la transformación tecnológica del sector financiero combinando capacidades de modernización de aplicaciones, desarrollo de software, automatización e inteligencia artificial. Este enfoque permite trabajar sobre la evolución de los sistemas existentes y facilitar la incorporación de nuevas funcionalidades orientadas a las necesidades operativas de cada entidad.
En prevención del fraude, estas capacidades pueden contribuir a mejorar la disponibilidad de información, agilizar determinados procedimientos y facilitar la evaluación de riesgos. Su aplicación debe responder a objetivos concretos y acompañarse de indicadores que permitan comprobar los resultados obtenidos.
La evolución regulatoria y tecnológica también tendrá consecuencias para la relación entre bancos y clientes. La confianza dependerá cada vez más de la capacidad de las entidades para identificar situaciones sospechosas, ofrecer mecanismos de protección comprensibles y responder con rapidez cuando se produzca una incidencia.
La inteligencia artificial puede desempeñar un papel relevante en este proceso, siempre que se integre en una estrategia de prevención que contemple conjuntamente tecnología, procesos y supervisión humana. Para las entidades financieras, el desafío será aprovechar estas capacidades para mejorar la seguridad de los pagos sin comprometer la eficiencia operativa ni la experiencia de sus clientes.
