Detección de Fraude con IA y el Futuro de la Seguridad de Pagos

Un sistema de seguridad de pagos puede parecer casi perfecto mientras falla en su tarea más importante. Si el fraude representa solo una pequeña fracción de las transacciones, un algoritmo que aprueba todo será correcto la mayor parte del tiempo. Los clientes pueden experimentar menos interrupciones, pero los criminales no encontrarán resistencia.

Esa tensión se sitúa en el centro de una nueva revisión sistemática de Herlina Manurung y Dyah Rizki Arinengsih, publicada en Social Sciences & Humanities Open.¹ Al sintetizar 38 estudios sobre informes financieros, pagos y detección de fraude basada en redes, los investigadores sostienen que una protección fiable requiere más que puntuaciones de referencia impresionantes.

Para los bancos, las redes de pago y los inversores, las implicaciones son prácticas. Una detección de fraude más eficaz podría proteger los ingresos y reducir los costos operativos. Sin embargo, esos beneficios dependen de sistemas que distingan el comportamiento sospechoso de la actividad legítima, que sigan siendo útiles a medida que los criminales se adapten y que proporcionen pruebas sobre las que los investigadores puedan actuar.

Por qué una Alta Precisión Puede Ocultar una Débil Detección de Fraude

Considere una plataforma de pagos hipotética que procesa 100.000 transacciones, de las cuales 100 son fraudulentas. Un modelo que clasifica cada transacción como legítima alcanza una precisión del 99,9 % sin detectar ningún fraude.

Ahora imagine un sistema que detecta 80 transacciones fraudulentas pero marca incorrectamente el 1 % de las 99 900 legítimas. Genera 1 079 alertas, incluidas 999 falsas alarmas. Solo alrededor del 7,4 % de sus alertas identifican fraude real. Estas cifras ilustran el problema; no son resultados de la revisión.

Ese sistema aún podría prevenir pérdidas sustanciales, dependiendo de los valores de las transacciones y de cómo se gestionen las alertas. Sin embargo, su utilidad no puede evaluarse solo con la precisión. Los investigadores deben procesar las alertas, los clientes pueden enfrentar desafíos innecesarios y los comerciantes pueden perder ventas legítimas.

Por ello, la revisión enfatiza la precisión, el recall y la evaluación sensible al costo. La precisión mide cuántos casos señalados realmente involucran fraude. El recall mide qué proporción del fraude captura el sistema. Ninguna métrica sustituye la necesidad de comprender las consecuencias financieras de los errores.

El objetivo comercial es reducir el daño total: pérdidas por fraude, gastos de investigación, fricción del cliente y ingresos perdidos por rechazos erróneos.

Qué Encontró la Revisión de Detección de Fraude

Los autores organizan sus hallazgos en torno a cuatro dimensiones: gestión de eventos raros y costos de error desiguales, mantenimiento de una evaluación confiable, resistencia a condiciones cambiantes y manipulación deliberada, y uso de relaciones y evidencia interpretable.

Su análisis descriptivo revela una brecha entre la modelización sofisticada y las pruebas de resiliencia documentadas.

Estas categorías se superponen. Los recuentos representan frecuencias mínimas respaldadas por los resúmenes de fuentes de los autores, por lo que un método no reportado no debe considerarse automáticamente ausente.

La revisión también tiene limitaciones. Su evidencia proviene principalmente de investigaciones indexadas en Scopus y en inglés, y los registros históricos de cribado incompletos limitan su trazabilidad. Las diferencias entre conjuntos de datos, definiciones de fraude y métodos de evaluación impidieron la agregación cuantitativa. Proporciona un marco de diseño útil, más que una prueba de que un algoritmo supera consistentemente a todas las alternativas.

Por qué los Modelos de Fraude Deben Ser Probados Contra el Futuro

Un modelo entrenado con las transacciones de ayer se enfrenta a dos tipos de cambio. El comportamiento legítimo varía a medida que los clientes viajan, los comerciantes lanzan promociones y los hábitos de pago evolucionan. Los criminales también modifican sus estrategias para evadir la detección. La revisión distingue los cambios de distribución del comportamiento adversario deliberado, y muestra por qué ambos son importantes.

Las pruebas pueden ocultar accidentalmente estos desafíos. Una división aleatoria de transacciones históricas puede colocar registros estrechamente relacionados tanto en los conjuntos de entrenamiento como de evaluación. El modelo entonces se beneficia de clientes o patrones familiares que no estarían necesariamente disponibles al enfrentar una actividad realmente nueva.

Probar en períodos posteriores, o separar entidades entre entrenamiento y evaluación, ofrece una valoración más exigente. Incluso entonces, el rendimiento debe ser monitorizado después del despliegue.

Esto sugiere una forma diferente de evaluar la tecnología antifraude: preguntar con qué rapidez la degradación se vuelve visible y cuán seguro puede recuperarse el sistema. Una puntuación inicial alta tiene valor limitado si un nuevo ataque permanece sin detectar durante semanas.

Preguntas operativas útiles incluyen:

• ¿Cuánto fraude se detecta con un volumen de alertas manejable?
• ¿Con qué frecuencia se interrumpen transacciones legítimas?
• ¿Qué ocurre cuando el comportamiento cambia o los atacantes se adaptan?
• ¿Pueden los investigadores comprender y verificar la evidencia?

La IA de grafos puede revelar redes de fraude

Las transacciones individuales rara vez cuentan la historia completa. Varios pagos aparentemente normales pueden volverse sospechosos cuando comparten un dispositivo, se conectan a la misma cuenta de destino o forman una secuencia inusual entre comercios.

El aprendizaje basado en grafos representa las entidades como nodos conectados, lo que permite a los modelos examinar relaciones junto con los atributos de la transacción. Esto puede ayudar a identificar comportamientos coordinados que la puntuación aislada de transacciones pasa por alto.

La importancia más amplia del análisis relacional se extiende a crypto wash trading and market manipulation, donde una actividad aparentemente independiente puede ocultar coordinación. Las tareas de detección difieren, pero ambas ilustran por qué la actividad agregada puede ser engañosa sin contexto.

Los grafos introducen sus propias vulnerabilidades. Los delincuentes pueden crear conexiones aparentemente legítimas para disfrazar cuentas sospechosas, mientras que relaciones desactualizadas o incompletas pueden distorsionar las evaluaciones de riesgo. Por ello, la revisión trata la información estructural como algo que debe validarse y protegerse, en lugar de considerarla una garantía automática de mejores resultados.

Las explicaciones también son importantes aquí. Mostrar a un investigador las cuentas o rutas de transacciones detrás de una alerta puede facilitar el examen de la evidencia. No establece, por sí sola, que haya fraude.

Una mejor detección de fraude puede proteger los ingresos por pagos

La oportunidad económica implica más que detener robos. Una transacción legítima rechazada erróneamente puede llevar al cliente a otra tarjeta o comerciante. Las alertas excesivas también consumen tiempo del personal que podría dedicarse a investigar amenazas más graves.

Como muestra la explicación de Securities.io sobre card networks, issuers, acquirers, and processors, los pagos involucran múltiples empresas con diferentes roles. Las mejoras en las decisiones de autorización pueden, por tanto, generar beneficios a lo largo de la cadena de transacciones, aunque esos beneficios no se distribuirán de manera uniforme entre todos los participantes.

La discusión de Mastercard en 2026 sobre AI payment fraud prevention destaca la reducción de revisiones manuales y de falsos positivos como objetivos empresariales. Su informe ofrece contexto comercial, no una validación independiente de la revisión académica.

Una implicación útil es que la detección y la intervención deben evaluarse conjuntamente. Una puntuación de riesgo podría desencadenar una retención temporal, autenticación adicional, revisión manual o rechazo. Elegir la respuesta adecuada puede ser tan importante como generar la puntuación.

Mastercard ofrece exposición a la seguridad de pagos con IA

Estos incentivos hacen de Mastercard una empresa relevante para inversores interesados en infraestructura financiera habilitada por IA.

Su Decision Intelligence Pro combina técnicas de graficación y modelos de IA generativa para evaluar el riesgo de transacciones usando contexto conductual y relacional. Mastercard posiciona el servicio en torno a la mejora de la detección de fraude mientras reduce los rechazos falsos.

La conexión con la revisión es conceptual. El artículo no prueba el producto de Mastercard ni verifica sus afirmaciones comerciales. Sin embargo, el enfoque de la compañía ilustra cómo la información de red y el análisis contextual pueden convertirse en servicios vendidos a instituciones financieras.

Para los inversores, la ventaja potencial radica en combinar inteligencia de transacciones, relaciones establecidas con clientes e integración en flujos de autorización. Si eso se traduce en una ventaja competitiva duradera depende de la ejecución, la gobernanza de datos, los servicios competidores y los resultados medibles de los clientes.

Mastercard también brinda una exposición más amplia a los pagos, más que una inversión pura en detección de fraude. Su valoración y desempeño empresarial general siguen siendo importantes al evaluar la oportunidad.

Últimas noticias y desarrollos de Mastercard (MA)

La detección fiable de fraude con IA requiere resultados medibles

La revisión respalda el optimismo sobre una mejor seguridad financiera, al tiempo que aclara lo que debería significar el progreso. El éxito requiere capturar más actividad dañina sin crear una interrupción desproporcionada, mantener el rendimiento a medida que cambian las condiciones y proporcionar a los investigadores evidencia útil.

La próxima ventaja competitiva podría provenir de conectar esas capacidades a operaciones fiables. Para las empresas de pagos, el referente significativo es cuánto valor permanece protegido después de contabilizar pérdidas por fraude, costos operativos y fricción del cliente.

Referencias:

¹ Manurung, H., & Arinengsih, D. R. (2026). Aprendizaje automático robusto para la detección de fraudes bajo desequilibrio, rareza y comportamiento adversario: Evidencia en la información financiera, pagos y ecosistemas de grafos. Social Sciences & Humanities Open, 14, 103697. https://doi.org/10.1016/j.ssaho.2026.103697