El viaje de la IA: De los primeros chatbots a las tecnologías de vanguardia

Muchas personas ven la IA como algo nuevo, un producto de los recientes avances tecnológicos. Pero en realidad, la IA ha estado evolucionando durante décadas. Mi primera experiencia con la IA no fue con herramientas como ChatGPT u otras avanzadas; fue a finales de los años ‘90, durante la época en que FidoNet, una red descentralizada para compartir archivos y mensajes que necesitaba esos ruidosos módems de marcación, todavía era más popular en algunas regiones que Internet mismo.

Recuerdo lo que pensé que era una charla casual de 20 minutos con un administrador de sistemas local en FidoNet. Al parecer, no estaba hablando con una persona en absoluto. Al día siguiente, el propio administrador me dijo que había estado conversando con un chatbot temprano, un sistema que, aunque primitivo comparado con la IA actual, se autoeducaba y funcionaba con algoritmos básicos basados en reglas.

Ese momento se quedó conmigo. Incluso entonces, las máquinas podían aprender de las interacciones, aunque de una manera mucho más limitada que ahora. Avanzando hasta hoy, la IA se ha convertido en algo mucho más poderoso, gracias a tecnologías como el aprendizaje profundo, que permiten a la IA procesar enormes cantidades de datos y aprender de ellos. La IA está transformando industrias enteras, pero a pesar de todo este progreso, los estafadores parecen seguir un paso por delante.

Esto plantea una pregunta importante: si la IA temprana podía aprender de interacciones en tiempo real hace décadas, ¿por qué los sistemas de IA todavía luchan por superar a los estafadores? ¿Por qué la IA no es mejor anticipando y previniendo el fraude, o al menos manteniéndose al ritmo de los estafadores que ahora también usan IA?

En este artículo, profundizaré en cómo la IA puede evolucionar de simplemente reaccionar al fraude a convertirse en una fuerza proactiva, predictiva y preventiva — lo que llamo el enfoque de los 3P. Es hora de dejar de permitir que los estafadores lideren el baile.

El estado actual: Un enfoque reactivo al fraude

El fraude no es solo un problema que afecta a unas pocas empresas desafortunadas; es una crisis global que cuesta miles de millones. De hecho, el impacto económico global del fraude se estima ahora en más de $5 trillion anuales, lo que representa casi 70% de lo que el mundo gasta en salud cada año. En 2023, las pérdidas por fraude batieron récords, superando $10 billion por primera vez. Los fraudes de inversión solos representaron más de $4.6 billion de eso, un aumento del 21 % respecto al año anterior. Las transferencias bancarias y las transacciones de criptomonedas también vieron un aumento masivo en la actividad fraudulenta, con los consumidores reportando más pérdidas en estas áreas que en cualquier otra.

Esta ola creciente de fraude destaca lo sofisticados que se han vuelto los estafadores, particularmente en fraudes de inversión y esquemas de criptomonedas. Sin embargo, a pesar de estos avances, los sistemas actuales de detección de fraude simplemente no están al día. La mayoría de los métodos de prevención de fraude siguen siendo reactivos, diseñados para detectar el fraude solo después de que ya ha ocurrido. Estos sistemas dependen en gran medida del reconocimiento de patrones y algoritmos basados en reglas, como:

• Monitoreo de transacciones, que marca actividades sospechosas, como compras inusualmente grandes o transacciones desde ubicaciones inesperadas.
• Puntuación de fraude, que asigna puntajes de riesgo a las transacciones basándose en factores como geolocalización, tipo de dispositivo e historial de gastos.
• Análisis de patrones históricos, que busca desviaciones en el comportamiento habitual de un cliente para identificar posibles fraudes.

Aunque estos métodos son útiles para detectar tipos de fraude conocidos, tienen sus debilidades:

• Son lentos para responder: para cuando estos sistemas marcan el fraude, a menudo ya está en curso o incluso completado.
• Demasiados falsos positivos: las transacciones legítimas a menudo se marcan erróneamente como fraudulentas, frustrando a los clientes y creando ineficiencias para las empresas.
• Adaptabilidad limitada: los sistemas basados en reglas luchan por mantenerse al día con las tácticas en constante evolución de los estafadores. Por ejemplo, nuevos métodos como esquemas de phishing avanzados o fraudes de criptomonedas a menudo se escapan, ya que los sistemas se basan en datos más antiguos y desactualizados.

Los estafadores están aprovechando estas brechas, manteniéndose un paso por delante. Este enfoque reactivo deja una vulnerabilidad significativa en la lucha contra el fraude y muestra por qué necesitamos algo mejor. El futuro de la prevención del fraude reside en la capacidad de la IA no solo de reaccionar, sino de predecir el fraude antes de que ocurra. Al identificar amenazas potenciales temprano, la IA puede bloquear ataques antes de que los estafadores siquiera comiencen, devolviendo la ventaja a los defensores.

Un nuevo paradigma: Los 3P de la prevención del fraude—Proactivo, Predictivo y Preventivo

La prevención del fraude ya no se trata de reaccionar a actividades fraudulentas después de que han ocurrido. Hoy, la verdadera clave para mantenerse por delante de estafadores cada vez más ingeniosos es aprovechar la IA para crear un enfoque Proactivo, Predictivo y Preventivo. Esta estrategia de múltiples capas cambia el juego de simplemente reaccionar al fraude a anticiparlo, dando a las empresas una ventaja al superar a los estafadores antes de que tengan la oportunidad de actuar.

Para lograrlo, necesitamos entrar en la mentalidad de los estafadores—entender cómo piensan, predecir sus próximos movimientos y cortar sus operaciones antes de que puedan siquiera comenzar. Al sumergirnos en los mismos espacios digitales donde los estafadores prosperan—como la dark web o redes subterráneas—la IA puede mantenerse un paso adelante, detectando tendencias y nuevas tácticas a medida que emergen. Este enfoque proactivo de inmersión en el mundo de los estafadores es lo que mantiene las defensas afiladas y capaces de adaptarse rápidamente.

Pero la prevención del fraude no es algo que las instituciones financieras puedan abordar solas. Es una responsabilidad compartida, y los individuos también deben desempeñar un papel crucial en protegerse. A medida que la IA evoluciona, debería empoderar tanto a empresas como a consumidores al proporcionar a todos las herramientas y conocimientos necesarios para mantenerse seguros frente a amenazas emergentes.

Más fácil decirlo que hacerlo, por supuesto. Así que, profundicemos en cómo podemos lograrlo.

1. Proactivo: Anticipar el fraude antes de que ocurra

La prevención proactiva del fraude es crucial para las instituciones financieras (IF), y no se trata solo de contar con sistemas robustos, sino también de educar a los usuarios para prevenir estafas antes de que siquiera comiencen. La IA juega un papel clave en esto, mejorando la seguridad al predecir el comportamiento de los estafadores, detectar patrones y detener intentos de fraude antes de que escalen. Con inteligencia de amenazas impulsada por IA, las IF pueden monitorear espacios digitales como foros de la dark web para captar alertas tempranas y bloquear el fraude antes de que ocurra. La IA también puede simular objetivos probables a los que los estafadores podrían dirigirse, brindando a las empresas la oportunidad de actuar de forma preventiva.

Además, los honeypots impulsados por IA pueden engañar a los estafadores para que expongan sus tácticas, permitiendo a las instituciones aprender y mejorar sus defensas con el tiempo. Sin embargo, esta estrategia no está exenta de riesgos: si se maneja incorrectamente, podría abrir vulnerabilidades o incluso generar complicaciones legales para la empresa.

Los consumidores también tienen un papel crucial en la prevención del fraude. Pueden usar herramientas impulsadas por IA para monitorear sus cuentas en busca de actividad sospechosa, especialmente antes de iniciar sesión en plataformas financieras. Herramientas como escáneres de correo electrónico, aplicaciones bloqueadoras de estafas y filtros anti‑phishing son invaluables para detener ataques antes de que lleguen al usuario. Dicho esto, no basta con crear estas herramientas; deben integrarse sin problemas en la vida diaria de las personas sin abrumarlas con notificaciones constantes. Los desarrolladores deben centrarse en crear soluciones de IA que ofrezcan una seguridad sólida sin causar “alert fatigue”, asegurándose de que la protección funcione en segundo plano y no interrumpa la vida cotidiana.

2. Predictivo: Usar IA para pronosticar el fraude

¿No se trata la IA fundamentalmente de predicción? Si puede anticipar la siguiente palabra o acción basándose en patrones de datos, ¿por qué no aprovechar ese mismo poder predictivo para pronosticar el fraude antes de que ocurra? Aunque contamos con plataformas de IA general poderosas como ChatGPT, hay una necesidad creciente de sistemas de IA especializados centrados exclusivamente en la prevención del fraude. Imagina un “FraudPredictGPT” dedicado, una IA entrenada exclusivamente para monitorear ecosistemas financieros, analizar amenazas y anticipar los próximos movimientos de los estafadores. Un sistema así podría revolucionar nuestro enfoque de detección de fraude al no solo reaccionar a los ataques, sino predecirlos y prevenirlos en tiempo real.

Para pronosticar eficazmente el fraude, las instituciones financieras deben aprovechar la analítica de comportamiento, el monitoreo de la dark web y redes sociales, y modelos predictivos basados en datos del ecosistema de fraude. La IA sobresale en analizar el comportamiento del usuario para detectar señales tempranas de fraude, como patrones de transacciones inusuales o comportamientos de inicio de sesión. Al monitorear continuamente estas señales, la IA puede alertar a las instituciones sobre amenazas potenciales antes de que los estafadores actúen.

Varias empresas están liderando el camino con soluciones de IA predictiva. Darktrace utiliza IA para identificar comportamientos anormales y predecir amenazas cibernéticas en tiempo real. Kount aplica modelos predictivos al fraude en comercio electrónico analizando interacciones de clientes y señalando comportamientos de riesgo antes de que resulten en fraude. Plataformas impulsadas por IA, como Fraud.net, evalúan la probabilidad de que ocurra fraude basándose tanto en datos actuales como históricos.

Al adoptar tecnologías predictivas y avanzar hacia sistemas de IA especializados como “FraudPredictGPT”, las instituciones financieras pueden pasar de reaccionar al fraude después de que ocurre a pronosticarlo y prevenirlo activamente, mejorando su capacidad para superar a los estafadores.

3. Preventivo: Cortar a los estafadores antes de que actúen

Así que ahora estamos totalmente armados y preparados: las medidas proactivas nos mantienen alerta, y las herramientas predictivas nos dan información sobre los próximos movimientos de los estafadores. Pero estar listo no significa que los estafadores no intenten atacar. La verdadera clave es la Prevención: detener el fraude antes de que tenga la oportunidad de afianzarse. Cuando los estafadores atacan, la IA se convierte en la herramienta crítica que garantiza que sus esfuerzos se detengan en tiempo real. La pregunta es, ¿cómo puede la IA detener eficazmente a los estafadores antes de que causen algún daño?

A lo largo de la historia, grandes líderes militares nos han enseñado el valor de la defensa y la prevención. Sun Tzu, en “El arte de la guerra”, dijo famosamente: “El supremo arte de la guerra es someter al enemigo sin luchar”. Esta idea está en el corazón de la prevención del fraude: la mejor defensa es la que detiene la batalla antes de que comience. En el mundo del fraude, la IA sirve como esa defensa preventiva, cortando a los estafadores antes de que puedan ejecutar sus planes.

La capacidad de la IA para analizar datos en tiempo real le permite bloquear transacciones fraudulentas y generar alertas antes de que el fraude ocurra. Señala comportamientos anormales, como transferencias inusuales o intentos de inicio de sesión sospechosos, evitando que el fraude escale. Sistemas como Elliptic y Chainalysis utilizan IA para monitorear redes blockchain en busca de actividad sospechosa, deteniendo transacciones ilícitas antes de que se propaguen. Estas plataformas escanean enormes cantidades de datos blockchain, detectando comportamientos de alto riesgo como criptomonedas robadas y transacciones en la dark web.

Para interrumpir aún más a los estafadores, la IA también puede atacar sus cadenas de suministro al monitorear foros de la dark web y repositorios de malware, permitiendo a los equipos de ciberseguridad neutralizar sus herramientas temprano. Cortar estos recursos retrasa las operaciones de fraude, debilitando su efectividad y evitando ataques mayores.

La IA también puede crear sistemas señuelo que atraen a los estafadores a interactuar con objetivos falsos. Parece que a los estafadores les molesta que se les haga perder el tiempo, y recordando lo buenos que eran los primeros chatbots al imitar a una persona real, la IA actual puede convertirse en un buen instrumento para mantener ocupados a los estafadores con otra cosa.

Por último, la colaboración es crucial en la prevención del fraude. Redes de intercambio de datos en tiempo real entre instituciones y autoridades, como el Financial Services Information Sharing and Analysis Center (FS-ISAC), permiten que los sistemas de IA agrupen inteligencia y fortalezcan la defensa colectiva. Al trabajar juntos, las instituciones pueden detener el fraude a mayor escala y, lo más importante, prevenir futuros ataques antes de que siquiera ocurran.

Enfrentando las brechas: Mitigando los desafíos de la IA en la prevención del fraude

La batalla contra el fraude no puede ser ganada por una sola institución; es una tarea a nivel de toda la industria. Las instituciones financieras, los proveedores tecnológicos, los reguladores y los consumidores deben colaborar para enfrentar las tácticas en constante evolución que utilizan los estafadores. Para lograr avances significativos, debemos comprender las limitaciones de la IA en cada nivel y abordarlas colectivamente.

Por ejemplo, muchos sistemas de IA aún dependen de datos de hasta septiembre de 2021 (corte de conocimiento actual de ChatGPT), lo que conduce a capacidades de detección de fraude desactualizadas. Mantener los sistemas de IA globales actualizados es una tarea muy costosa, lo que subraya la necesidad urgente de un sistema dedicado como “FraudPredictGPT”, que estaría diseñado específicamente para la prevención del fraude y se entrenaría de forma constante de manera más regular o incluso en tiempo real.

Sobredetección—cuando los sistemas de detección de fraude marcan demasiadas transacciones legítimas—puede conducir a clientes bloqueados y daño reputacional. Esta sobre sensibilidad genera tensiones de recursos, ya que los equipos humanos deben investigar manualmente un alto volumen de actividades marcadas, dificultando la detección de fraude real.

Los estafadores también están usando IA contra el sistema. Prueban diferentes tácticas contra modelos de aprendizaje automático, identificando puntos débiles y explotándolos. Las amenazas comunes incluyen estafas generadas por IA, deepfakes e identidades sintéticas.

Por último, la complejidad y el costo de implementar IA son desafíos significativos. Construir y mantener sistemas de IA requiere una inversión considerable y experiencia, que a menudo faltan en instituciones más pequeñas.

Para abordar estas limitaciones, las instituciones deben reentrenar continuamente los modelos de IA utilizando datos frescos y de alta calidad. La sobredetección puede gestionarse refinando los umbrales e involucrando supervisión humana. Adoptar entrenamiento adversarial—donde los modelos de IA se prueban contra fraudes simulados—puede ayudar a fortalecer las defensas. Las instituciones también pueden explorar plataformas de IA como servicio (AIaaS) para hacer la prevención del fraude escalable y más accesible. Y, lo más importante, la colaboración en toda la industria es esencial. Al compartir recursos e inteligencia a través de consorcios y organismos gubernamentales, la IA puede convertirse en una herramienta más poderosa en la lucha contra el fraude.

 Conclusión

Durante demasiado tiempo, pareció que el mundo aceptó que los estafadores siempre estarán un paso por delante. Pero ahora, con la IA al alcance de la mano, la industria tiene la oportunidad de cambiar eso. Sin embargo, no podemos olvidar que los estafadores también están usando IA a su favor. Están explotando la misma tecnología, probando sistemas con pruebas automatizadas de ensayo y error para encontrar debilidades. Esto crea una carrera armamentista, con ambas partes evolucionando constantemente. El verdadero desafío no es solo usar la IA, sino usarla de manera más inteligente que los estafadores.

Los 3P—Proactivo, Predictivo y Preventivo, que presento en este artículo—no son ideas nuevas en general, pero representan un cambio real en la prevención del fraude. La IA nos brinda la capacidad de predecir y bloquear el fraude antes de que ocurra y adaptarnos a nuevas amenazas en tiempo real. Estos tres pilares son clave para construir una estrategia que supere incluso las tácticas de fraude más sofisticadas.

Pero la prevención del fraude no depende solo de las instituciones financieras. Los consumidores también tienen un papel que desempeñar en protegerse: deben adoptar herramientas impulsadas por IA, mantenerse informados y ser participantes activos en la lucha contra el fraude. A medida que el mundo se vuelve más conectado y la tecnología se convierte en una parte mayor de la vida diaria, esta responsabilidad compartida entre empresas e individuos es más importante que nunca.

Con la IA liderando el camino, y con un compromiso colectivo tanto de empresas como de consumidores, podemos ampliar los límites de la prevención del fraude y crear un futuro financiero más seguro.