PROPUESTA CONCEPTUAL DE UN MODELO ADAPTATIVO BASADO EN INTELIGENCIA
ARTIFICIAL PARA LA DETECCIÓN DE FRAUDE EN TRANSACCIONES INTERNACIONALES:
INNOVACIONES, RIESGOS EMERGENTES Y APLICABILIDAD EN PYMES DE LATINOAMÉRICA
A CONCEPTUAL AI-BASED ADAPTIVE MODEL FOR FRAUD
DETECTION IN INTERNATIONAL TRANSACTIONS: INNOVATIONS, EMERGING RISKS, AND
APPLICABILITY TO LATIN AMERICAN SMES
Vanessa SÁNCHEZ DEL CASTILLO[1]
|
Recibido
Aprobado |
: : |
15/06/2026 |
|
28/09/2026 |
||
|
Publicado |
: |
13/09/2026 |
RESUMEN:
El crecimiento de las transacciones digitales
internacionales ha incrementado la exposición de las pequeñas y medianas
empresas (PYMES) al fraude financiero, en un contexto en el que la inteligencia
artificial (IA) puede emplearse tanto para combatir como para perpetrar este
delito. En México, se reportaron pérdidas por un monto aproximado de 17,400
millones de pesos durante el primer semestre de 2025. Este trabajo propone, a
nivel conceptual, un modelo adaptativo de detección de fraude en la modalidad
de Software como Servicio (SaaS), dirigido a PYMES latinoamericanas. Se empleó
una metodología mixta de alcance exploratorio-descriptivo, que combinó una
revisión documental narrativa, el análisis descriptivo de registros operativos
agregados de una organización de remesas (de octubre de 2024 a enero de 2025) y
el diseño de una arquitectura de entrada, procesamiento y salida de datos. En
el caso analizado, 103.720 llamadas fueron derivadas al área de fraude y solo
el 33,53 % se confirmaron como tales, lo que evidencia la fricción que generan
los sistemas basados en reglas fijas. El modelo propuesto combina aprendizaje
supervisado, aprendizaje no supervisado y revisión humana, y está diseñado para
reducir esa fricción sin descuidar la seguridad. Su desempeño no fue medido en
este estudio y requiere una validación empírica posterior.
Palabras clave: inteligencia artificial,
fraude financiero, negocios internacionales, PYMES, aprendizaje automático,
Industria 5.0.
ABSTRACT:
The growth of digital international
transactions has increased small and medium-sized enterprises' (SMEs) exposure
to financial fraud, in a context where artificial intelligence (AI) can be used
both to combat and commit this crime. In Mexico, losses of approximately 17.4
billion pesos were reported during the first half of 2025. This paper proposes,
at a conceptual level, an adaptive fraud detection model under the Software as
a Service (SaaS) modality aimed at Latin American SMEs. We used a mixed-methods
approach with an exploratory-descriptive scope, combining a narrative
documentary review, a descriptive analysis of aggregated operational records
from a remittance organization (October 2024 to January 2025), and the design
of an input, processing, and output data architecture. In the case analyzed, 103,720 calls were referred to the fraud
department, and only 33,53% were confirmed as fraud, illustrating the friction
created by fixed-rule systems. The proposed model combines supervised learning,
unsupervised learning, and human review, and is designed to reduce that
friction without weakening security. This study did not measure performance and
requires subsequent empirical validation.
Keywords: artificial intelligence, financial fraud, international
business, SMEs, machine learning, Industry 5.0.
Modalidad de distribución declarada en acceso abierto: CC BY
INTRODUCCIÓN
La
digitalización y la globalización han impulsado el crecimiento de las
transacciones internacionales, en particular a través de plataformas digitales.
Ese avance ha traído consigo un aumento del riesgo de fraude financiero. Según
la Comisión Nacional para la Protección y Defensa de los Usuarios de Servicios
Financieros (CONDUSEF, 2025), al menos el 80 % de los usuarios mexicanos ha
enfrentado algún intento de estafa; durante el primer semestre de 2025 se
registraron 3.5 millones de reclamaciones, de las cuales el 59 % se confirmaron
como fraude cibernético, con pérdidas aproximadas de 17,400 millones de pesos.
Las
pequeñas y medianas empresas (PYMES) son especialmente vulnerables. La
Organización para la Cooperación y el Desarrollo Económicos (OECD, 2021)
advierte que estas empresas arrastran una brecha tecnológica importante en
ciberseguridad y que su limitada disponibilidad de personal especializado
dificulta responder a amenazas que cambian con rapidez. A ello se suma un
problema de fondo: la inteligencia artificial (IA), que permite detectar
anomalías en tiempo real, también se ha convertido en una herramienta para
sofisticar el fraude, un rasgo que Kshetri (2021) describe como la dualidad de
esta tecnología.
La
experiencia acumulada en prevención del fraude muestra, además, que muchas
víctimas no se dan cuenta de inmediato de que están siendo engañadas. En
diversos casos documentados, los perpetradores recurren a técnicas de alta
sofisticación —como la clonación de voz o la suplantación de personas de
confianza— y aprovechan estados emocionales de vulnerabilidad para consumar el
engaño.
La
literatura reciente ha avanzado en dos frentes. Por un lado, se han revisado
las técnicas de aprendizaje automático para la detección de fraude financiero
(Hernández Aros et al., 2024). Por otro lado, se ha discutido la explicabilidad
de los modelos, es decir, la posibilidad de comprender y justificar sus
decisiones (Černevičienė y Kabašinskas, 2024; Hassija et al., 2024). Sin
embargo, en las fuentes consultadas para este trabajo se encontraron pocos
planteamientos que integren en un mismo diseño tres elementos decisivos para
las PYMES latinoamericanas: una solución accesible, sin infraestructura propia,
bajo la modalidad de Software como Servicio (SaaS); la dimensión conductual del
fraude, basada en la ingeniería social; y la fricción operativa que sufre el
cliente legítimo cuando el sistema retiene sus operaciones. Este trabajo busca
contribuir a cubrir ese vacío mediante una propuesta conceptual, apoyada en un
caso operativo real del corredor de remesas entre Estados Unidos y Latinoamérica.
La
pregunta que orienta el estudio es la siguiente: ¿cómo puede un modelo
adaptativo basado en inteligencia artificial fortalecer la detección de fraude
financiero en transacciones internacionales realizadas por PYMES
latinoamericanas frente a nuevas amenazas, sin generar una fricción excesiva
para los usuarios legítimos? El propósito central consiste en proponer, a nivel
conceptual, un modelo adaptativo antifraude basado en inteligencia artificial
para fortalecer la detección de amenazas emergentes. De manera complementaria,
se busca fundamentar el impacto de la dualidad de la IA ante amenazas como los
deepfakes y el phishing avanzado; describir, a partir de un caso operativo, las
limitaciones de un sistema de detección basado en reglas fijas; estructurar el
modelo en tres etapas —entrada, procesamiento y salida de datos—; y estimar de
forma preliminar la viabilidad económica y operativa de soluciones antifraude
SaaS para PYMES.
DESARROLLO
La
incorporación del aprendizaje automático a los sistemas antifraude ha cambiado
la forma de identificar operaciones ilícitas. La OECD (2021) señala que estas
técnicas permiten procesar grandes volúmenes de datos y detectar patrones
atípicos con mayor precisión y menos falsas alarmas, especialmente en la banca
digital y en las transferencias. Hernández Aros et al. (2024), en su revisión
de la literatura, destacan que los modelos de aprendizaje automático reconocen
patrones complejos y favorecen la detección temprana de actividades
fraudulentas.
Dentro
de estas técnicas se distinguen dos familias. El aprendizaje supervisado se
entrena con registros históricos etiquetados como legítimos o fraudulentos y
resulta eficaz para reconocer patrones recurrentes. El aprendizaje no
supervisado, en cambio, identifica comportamientos inusuales sin necesidad de
ejemplos previos y, por ello, puede detectar nuevas modalidades de fraude.
Samson-Onuorah (2023) sostiene que los mejores resultados se obtienen cuando el
aprendizaje automático se combina con el monitoreo continuo y con procesos de
gobernanza que permiten supervisar, validar y actualizar los modelos a medida
que evolucionan las amenazas.
El
Banco Mundial (World Bank) advierte que las mismas herramientas que fortalecen
la defensa ya están en manos de los atacantes (Boeddu et al., 2021). Kshetri
(2021) lo conceptualiza como una dualidad: la capacidad de la IA para reforzar
los mecanismos de protección es equivalente a su potencial para complicar los
ataques. Entre las modalidades que más preocupan se encuentran los deepfakes y
la suplantación de identidad mediante voz e imágenes sintéticas capaces de
evadir sistemas biométricos (Passos et al., 2024); el phishing avanzado, con
mensajes personalizados generados por modelos de lenguaje (Boeddu et al., 2021);
los bots automatizados que ejecutan operaciones fraudulentas en masa; y el
fraude adaptativo, en el que los delincuentes aprenden a evadir los controles
con rapidez (Samson-Onuorah, 2023).
En
América Latina, el aumento de las transacciones digitales, las remesas y la
actividad de las PYMES ha ido acompañado de un crecimiento proporcional en los
casos de suplantación de identidad y de uso indebido de cuentas (OECD, 2021).
Además, el fraude no es solo un fenómeno técnico: gran parte de los ataques se basa
en la manipulación de la confianza y la urgencia de la víctima, una dimensión
conductual que cualquier modelo de detección debe considerar.
La
IA forma parte de la Cuarta Revolución Industrial, impulsada por la integración
de Big Data, la computación en la nube, la inteligencia artificial y la
interconectividad. El Big Data es indispensable porque el volumen de
transacciones diarias sería imposible de revisar manualmente; su valor radica
en convertirlo en conocimiento útil para la toma de decisiones (Hernández Aros
et al., 2024). La computación en la nube ha reducido las barreras tecnológicas para
las PYMES al brindarles acceso a herramientas avanzadas de monitoreo sin
requerir grandes inversiones en infraestructura propia (OECD, 2021). La
interconectividad facilita el comercio internacional, pero también multiplica
los puntos vulnerables.
La
Industria 5.0 parte de ese mismo entorno tecnológico, pero desplaza el foco
hacia el ser humano: la tecnología debe complementar sus capacidades y no
sustituirlas. Schmalzried et al. (2023) sostienen que, aunque la IA procesa
millones de registros en poco tiempo, los especialistas siguen siendo
necesarios para interpretar contextos complejos y validar decisiones que pueden
afectar a clientes legítimos. Tóth et al. (2023) señalan que la colaboración
entre sistemas inteligentes y analistas produce procesos más confiables y
resilientes que la automatización exclusiva. Esta postura dialoga con el debate
sobre la transparencia de los modelos: a medida que crece la complejidad de los
algoritmos, la precisión ya no basta; también importa poder comprender y
justificar sus decisiones (Černevičienė y Kabašinskas, 2024; Hassija et al.,
2024).
Este
trabajo adopta una postura intermedia, alineada con la Industria 5.0:
automatizar la respuesta a las operaciones de bajo riesgo y reservar la
intervención humana para los casos ambiguos o de alto riesgo. Los sistemas
basados en reglas fijas —umbrales de monto o verificación de coincidencia de
nombres— pierden eficacia cuando los defraudadores utilizan datos reales
robados o fragmentan las cantidades. Los sistemas antifraude deben evolucionar
hacia arquitecturas con aprendizaje continuo y actualización constante frente a
nuevas amenazas (Samson-Onuorah, 2023), una necesidad especialmente aguda en
las PYMES (OECD, 2021).
Sobre
esa base, se propone un modelo adaptativo basado en IA en modalidad SaaS,
organizado en tres etapas: entrada de datos, procesamiento y salida de
resultados. A diferencia de los sistemas tradicionales, que operan con reglas predefinidas,
el modelo está diseñado para adaptarse a los cambios constantes en el fraude
digital.
En
la etapa de entrada se recopila información de cada transacción para construir
un perfil de comportamiento del usuario. Las variables integradas son: el
monto, la frecuencia de operaciones, la ubicación geográfica, los países de
origen y de destino, el historial del usuario, el dispositivo utilizado y la
fecha y la hora. Su combinación permite reconocer comportamientos habituales y
detectar desviaciones asociadas a la suplantación de identidad, a accesos no
autorizados o a patrones inusuales.
El
procesamiento se organiza en tres capas interrelacionadas: adquisición de
datos, análisis inteligente y gestión de resultados. En el análisis inteligente
se propone un enfoque híbrido. El aprendizaje supervisado reconoce patrones
repetitivos a partir de registros históricos etiquetados (Hernández Aros et
al., 2024); el no supervisado identifica comportamientos inusuales no
registrados previamente, útiles en transacciones internacionales donde surgen
modalidades nuevas. Samson-Onuorah (2023) señala que los sistemas más eficaces
combinan distintos mecanismos de análisis, monitoreo continuo y actualización
permanente. A partir de esta combinación, el sistema identifica patrones
habituales, detecta anomalías, evalúa el riesgo y aprende de forma continua. El
rasgo central de la propuesta es su capacidad adaptativa: cada transacción, cada
alerta confirmada o cada intento de fraude detectado puede ajustar
progresivamente los parámetros de análisis (ver Figura 1). Al mismo tiempo, se
reconoce el problema de las «cajas negras» (Hassija et al., 2024), por lo que
la IA se plantea como una herramienta de apoyo a la toma de decisiones y no
como sustituto del criterio humano (Schmalzried et al., 2023; Tóth et al.,
2023).
Figura 1
Arquitectura conceptual del
modelo antifraude basado en inteligencia artificial para PYMES
La clasificación del riesgo
contempla tres niveles. El riesgo alto implica un bloqueo temporal y una
revisión manual especializada, sin cancelación definitiva de la operación. El
riesgo medio requiere autenticación adicional o un breve contacto de
verificación. El riesgo bajo permite la aprobación inmediata. Esta
clasificación concentra la supervisión en las operaciones potencialmente
riesgosas sin afectar significativamente la experiencia de los usuarios
legítimos.
Como
salida, el modelo genera alertas de riesgo en tiempo real, clasificaciones de
transacciones, respuestas automatizadas y reportes para análisis posterior. La
principal aportación radica en el cambio de la validación estática a un
análisis conductual: en lugar de un bloqueo definitivo, el sistema deriva la
operación sospechosa a una lista de revisión prioritaria, donde un analista
puede contactar al cliente para una verificación breve; si no hay respuesta, se
envían mensajes automáticos. Así se busca equilibrar la seguridad y la
experiencia del usuario. Todo ello son propiedades de diseño que deberán
verificarse empíricamente.
METODOLOGÍA
La
investigación es de tipo exploratorio-descriptivo, con un enfoque mixto de
predominio cualitativo. Se desarrolló en tres momentos complementarios: una
revisión documental de la literatura sobre fraude financiero e inteligencia
artificial; el análisis descriptivo de los registros operativos de una
organización dedicada a las remesas; y el diseño conceptual de un modelo
antifraude adaptativo bajo la modalidad SaaS, contrastado teóricamente con la
evidencia reunida.
Conviene
precisar el alcance desde el inicio. En este trabajo no se desarrolló, entrenó
ni probó ningún algoritmo con datos reales. Por lo tanto, el desempeño del
modelo —precisión, reducción de falsos positivos, tiempos de respuesta— no fue
medido. Lo que se presenta son características de diseño y beneficios
esperados, sujetos a validación empírica posterior. Los únicos resultados
observados provienen de la revisión documental y del caso organizacional.
La
revisión documental fue de carácter narrativo, no sistemática. La selección de
las fuentes se orientó con el apoyo de un profesor asesor y se basó en el
conocimiento previo de la autora y en su experiencia profesional en prevención
del fraude. No se aplicó un protocolo formal con bases de datos, ecuaciones de
búsqueda ni un diagrama de flujo de selección; en consecuencia, el estudio no
afirma la exhaustividad ni la reproducibilidad de la búsqueda. Se consultaron
artículos científicos con DOI publicados en revistas especializadas en
finanzas, tecnología y gestión del riesgo, así como documentos de organismos
internacionales y entidades reguladoras: OECD (2021), World Bank (Boeddu et
al., 2021), Organización Mundial del Comercio (2024), Oficina de las Naciones
Unidas contra la Droga y el Delito (UNODC, 2022) y CONDUSEF (2025). Los
criterios aplicados fueron la pertinencia temática, la actualidad —prioridad a
publicaciones de los últimos cinco años— y la posibilidad de identificar la autoría
y de verificar la fuente. Los informes institucionales se utilizaron para
dimensionar el problema y contextualizar las cifras, no como evidencia del
desempeño de los algoritmos.
El
material se organizó en cuatro ejes: técnicas de aprendizaje automático
aplicadas a la detección de fraude; uso de la IA con fines fraudulentos;
explicabilidad y supervisión humana en el marco de la Industria 5.0; y
condiciones de adopción tecnológica en las PYMES. Se contrastaron posturas
divergentes: Hernández Aros et al. (2024) destacan la capacidad del aprendizaje
automático para identificar patrones complejos, mientras que Hassija et al.
(2024) y Černevičienė y Kabašinskas (2024) advierten que la complejidad
compromete la transparencia. Esa discusión respaldó la decisión de plantear la
IA como apoyo al criterio humano y no como su sustituto. Una revisión
sistemática con protocolo PRISMA se plantea como una línea de trabajo futura.
En
cuanto al caso organizacional, se analizaron registros operativos de una
organización transnacional dedicada a las remesas, que opera desde Estados
Unidos hacia México, Colombia, Perú y Chile. Por razones de confidencialidad,
su identidad se mantiene en reserva. Los registros corresponden al periodo
comprendido entre octubre de 2024 y el 15 de enero de 2025 —aproximadamente
tres meses y medio, que incluyen la temporada de fin de año—. La autora
consolidó los reportes mensuales hasta obtener los totales del periodo. Trabajó
más de un año en la organización, en el área de atención y prevención de
fraude, y fue responsable de la elaboración y edición de dichos reportes. Para
este estudio, un colaborador que continúa en la organización le proporcionó
únicamente los datos estrictamente necesarios, en forma agregada y sin nombres,
cuentas ni información de clientes. Por su carácter reservado, los registros
originales no pueden divulgarse ni verificarse de forma independiente, lo cual
se reconoce como una limitación.
Las
tres cifras del caso comparten la misma unidad de análisis, la llamada. Se
entiende por interacción la llamada atendida en los canales generales de
servicio al cliente o de soporte; por derivación a fraude, la llamada
monitoreada cuyo caso se transfirió al área de fraude, donde se realizaba un
cotejo para validar la posible irregularidad; y por caso confirmado, la
derivación en la que el cotejo confirmó el fraude o en la que el reclamo se
formalizó, según el criterio de la propia organización. Las derivaciones que no
derivaron en fraude confirmado no se consideran, en su totalidad, falsos
positivos. De acuerdo con la experiencia de la autora, este grupo incluía
inconformidades con el servicio, errores operativos, falsas alarmas de fraude y
usuarios que abandonaron la verificación por falta de tiempo o por la demora en
la respuesta. Como no se dispone de un desglose cuantitativo, este grupo se
denomina «derivaciones no confirmadas».
Se
revisaron, además, más de 100 reclamaciones para identificar tipologías de
estafa recurrentes y patrones estacionales. Se trata de una revisión de casos
con fines exploratorios, no de una muestra estadísticamente representativa. Las
observaciones derivadas de la experiencia operativa de la autora se utilizaron
únicamente para interpretar comportamientos recurrentes y complementar los
registros, sin sustituirlos.
A
partir de lo anterior se diseñó el modelo adaptativo. Las variables de entrada
se eligieron por su recurrencia en la literatura revisada y por su relación con
las modalidades de fraude observadas en el caso. La arquitectura se organizó en
tres etapas —entrada, procesamiento y salida—, con un enfoque híbrido de
aprendizaje supervisado y no supervisado, respaldado por Samson-Onuorah (2023)
y Hernández Aros et al. (2024). El contraste consistió en comprobar la correspondencia entre cada vector
de fraude identificado en el caso, cada componente del modelo y lo que
sostienen la literatura y los organismos especializados. Se trata de una
evaluación de coherencia teórica y no de una validación predictiva o empírica.
La estimación de costos se elaboró con precios públicos de proveedores
tecnológicos consultados durante el primer semestre de 2025, bajo el supuesto
de una PYME de aproximadamente 20 colaboradores, y constituye una aproximación
preliminar, no un análisis costo-beneficio.
RESULTADOS
La
organización analizada funciona como un corredor de flujos financieros de alto
volumen desde Estados Unidos hacia Latinoamérica. Entre octubre de 2024 y el 15
de enero de 2025 se registraron las cifras que resume la Tabla 1.
Tabla 1
Indicadores operativos del caso (octubre de
2024 al 15 de enero de 2025)
|
Indicador |
Registros |
Proporción |
|
Interacciones atendidas
en canales de servicio |
256,943 |
100 % |
|
Derivaciones al área de fraude
para cotejo |
103,720 |
40.37 % de las interacciones |
|
Casos de fraude confirmados |
34,782 |
33.53 % de las
derivaciones; 13.54 % de las interacciones |
|
Derivaciones no
confirmadas como fraude |
68,938 |
66.47 % de las derivaciones |
Nota. Elaboración
propia con datos agregados y anonimizados de una organización de remesas cuya
identidad se mantiene en reserva.
Cuatro
de cada diez llamadas monitoreadas se derivaron al área de fraude, pero solo
una de cada tres derivaciones se confirmó como fraude. Este dato revela una
ineficiencia estructural: el sistema de reglas de la organización retenía un
gran número de casos que, tras el cotejo, no constituían fraude. Como se
explicó en la metodología, ese grupo no equivale por completo a falsos
positivos, porque incluye inconformidades con el servicio, errores operativos y
usuarios que abandonaron el proceso.
El
abandono merece atención propia. Según la observación de la autora, varios
clientes retenidos decidían no continuar con la verificación por falta de
tiempo o por la lentitud de la respuesta. En cuanto a los plazos, la
organización comunicaba al personal una política de reembolso de 21 días, pero
el área que daba seguimiento a los reembolsos solía tardar más de dos meses en
validar su procedencia. Estos tiempos provienen de la experiencia directa de la
autora y no de los registros analizados.
El
análisis cualitativo de las reclamaciones mostró que las redes delictivas no
buscaban vulnerar el código del sistema, sino explotar la psicología y los
sesgos del usuario. Se identificaron cuatro tipologías recurrentes de
ingeniería social. La primera, conocida como relationship scam, consiste en una
manipulación afectiva prolongada en la que el estafador construye un vínculo de
confianza para solicitar transferencias bajo el pretexto de emergencias médicas
o de la compra de boletos de viaje. La segunda es el fraude en el comercio
electrónico, que consiste en sitios fraudulentos que capturan dinero mediante
ofertas de productos inexistentes. La tercera corresponde a los falsos
descuentos, que presionan mediante amenazas de corte inmediato de servicios
esenciales si no se realiza un depósito rápido a cambio de una supuesta rebaja.
La cuarta, y más agresiva, es el scam de inmigración: los defraudadores usan
datos personales reales, obtenidos de filtraciones previas, para suplantar a
funcionarios de agencias gubernamentales y forzar transferencias inmediatas
bajo amenaza de deportación.
Los
montos defraudados no seguían un patrón específico; se diversificaban para
evadir los límites establecidos. En cambio, sí se observó estacionalidad, con
repuntes en fechas de alta carga transaccional y emocional, como Navidad, el
Día de las Madres, el Super Bowl, así como en coyunturas políticas y sociales
de cada país de destino. Cabe precisar que el periodo cuantitativo analizado abarca
únicamente el cierre de año; los repuntes de otras fechas son observaciones de
la autora que no se cuantificaron en este estudio.
La
Tabla 2 relaciona cada vector de fraude observado con la limitación del sistema
tradicional y con el componente del modelo propuesto diseñado para abordarlo.
Tabla 2
Vectores de fraude observados y componentes
del modelo propuesto
|
Vector observado |
Limitación del sistema de reglas |
Componente del modelo propuesto (diseño) |
|
Suplantación con datos
reales e inmigración scam |
Verificación manual de
coincidencia de nombres, inútil si el delincuente ya tiene los datos reales |
Evaluación multifactorial
en tiempo real (geolocalización IP, metadatos del dispositivo, historial);
lista de revisión prioritaria y contacto breve con el cliente |
|
Montos diversificados |
Umbrales monetarios fijos |
Perfil conductual
individual: se evalúa la desviación respecto del patrón habitual del usuario |
|
Picos estacionales |
Saturación y fatiga del
personal en fechas críticas |
Aprendizaje supervisado
que usa la estacionalidad histórica; aprobación expedita de operaciones de
bajo riesgo |
|
Estafas con envío
voluntario (relationship scam) |
Las reglas fijas no
generan alerta |
Aprendizaje no
supervisado que calcula desviaciones del comportamiento ordinario |
|
Usuarios nuevos sin historial |
No hay referencia de
comparación |
Perfil construido desde
la primera operación; referencia inicial disponible desde la segunda |
|
Abandono por fricción |
Revisión manual lenta y
bloqueo indiscriminado |
Clasificación por niveles
de riesgo, revisión prioritaria y mensajes automáticos de contacto |
Nota. Elaboración
propia a partir del caso analizado y de la literatura revisada.
Dos
aspectos merecen explicarse. Primero, cuando el algoritmo detecta algo extraño,
la operación no se cancela automáticamente: pasa a una lista de revisión
prioritaria, donde un analista puede contactar al cliente con una
minientrevista de verificación de no más de cinco minutos; si no hay respuesta,
el sistema envía correos o mensajes automáticos para que el usuario se comunique,
con lo cual se protegen los fondos sin generar un rechazo definitivo. Segundo,
ante el llamado «arranque en frío», el modelo empieza a construir el perfil
desde la primera transacción y, para la segunda, ya cuenta con un marco de
referencia. Esa base se enriquece con la interacción humana, porque durante las
entrevistas los clientes suelen revelar voluntariamente el propósito de la
operación, dato que el analista registra y con el que retroalimenta al
algoritmo.
Para
dimensionar los costos se revisaron precios públicos de proveedores
tecnológicos durante el primer semestre de 2025 (Amazon Web Services, 2026;
Bitdefender, 2026; CrowdStrike, 2026; Forter, 2025; Google Cloud, s.f.,
Microsoft Swcurity, s.f; Mimecast, 2026; Proofpoint, 2026; Riskified, 2026;
SEON, s.f.; SentinelOne, s.f.), y se contrastaron con reportes de mercado
(McKinsey, 2022; Statista, 2025) y con estudios recientes (Samson-Onuorah,
2023; Hernández Aros et al., 2024). El escenario de referencia es una PYME de
aproximadamente 20 colaboradores. La Tabla 3 resume el resultado.
Tabla 3
Costos estimados de protección frente a
riesgos de ciberseguridad en PYMES (USD)
|
Concepto |
Costo estimado |
Riesgo si no se implementa |
Impacto en negocios
internacionales |
|
Protección de endpoints (EDR) |
15–25 por
usuario/mes |
Malware, robo de datos |
Pérdida de información
crítica y de clientes |
|
Seguridad en correo
(antiphishing) |
5–15 por
usuario/mes |
Phishing, fraude financiero |
Transferencias internacionales fraudulentas |
|
Autenticación multifactor (MFA) |
Bajo o gratuito |
Suplantación de identidad |
Accesos no autorizados a
sistemas financieros |
|
Respaldo en la nube |
100–300 por mes |
Pérdida total de datos |
Interrupción de operaciones internacionales |
|
SaaS antifraude
(detección con IA) |
20–100 por mes, según
uso |
Fraude no detectado |
Pérdidas económicas directas |
|
Monitoreo continuo |
1,000 por
mes |
Ataques prolongados sin detección |
Daño reputacional y financiero |
|
Costo de un incidente de
fraude |
No aplica |
10,000–100,000 o más por incidente |
Pérdida de competitividad
global o quiebra |
Nota. Elaboración
propia con base en OECD (2021), World Bank (Boeddu et al., 2021) y en los precios públicos de los proveedores
consultados durante el primer semestre de 2025. Los valores son estimaciones de
referencia y varían según el proveedor, el plan y el volumen de uso. El rango
del costo de un incidente se toma de World Bank (Boeddu et al., 2021) y de CONDUSEF (2025).
Con
esos supuestos, un paquete que incluya todos los conceptos de la tabla, salvo
el costo por incidente, sumaría entre 1.520 y 2.200 dólares mensuales para una
PYME de 20 colaboradores. Ese rango excluye los costos de integración,
capacitación y mantenimiento, e incluye el monitoreo continuo, que es el componente
más costoso. Una PYME que se limite a la protección básica —autenticación
multifactor, correo electrónico seguro y SaaS antifraude— reduciría
considerablemente esa cifra. Aun así, el rango de referencia del costo de un
solo incidente supera con creces la inversión estimada. Se trata de una
comparación ilustrativa: no constituye un análisis costo-beneficio ni demuestra,
por sí misma, la viabilidad económica del modelo completo.
DISCUSIÓN
DE RESULTADOS
Los
resultados del caso y la literatura revisada apuntan a que la IA ha contribuido
a mejorar la detección del fraude financiero, pero al mismo tiempo ha
facilitado la aparición de nuevas modalidades de ataque. Esto coincide con la
dualidad descrita por Kshetri (2021) y con las advertencias del World Bank (Boeddu
et al., 2021). El caso analizado añade un matiz: incluso sin sofisticación
tecnológica por parte del atacante, el fraude prospera porque explota la
confianza, la urgencia y la vulnerabilidad emocional de las víctimas, y porque
un sistema de reglas fijas termina afectando también al cliente legítimo, quien
abandona el proceso.
Desde
el punto de vista teórico, el estudio sugiere que la discusión sobre los modelos
antifraude no debería limitarse al desempeño predictivo ni a la explicabilidad.
La fricción que sufre el usuario legítimo y la dimensión conductual del fraude
son variables de diseño que la literatura consultada aborda poco y que aquí se
articulan con el enfoque de la Industria 5.0 (Schmalzried et al., 2023; Tóth et
al., 2023). Se propone, además, distinguir entre alerta, derivación, reclamo y
fraude confirmado, distinción necesaria para no interpretar como falsos
positivos todo lo que no se confirme.
En
el plano práctico, para una PYME, el modelo sugiere que la protección puede
empezar con soluciones SaaS y medidas de bajo costo, sin necesidad de construir
infraestructura propia. Para los proveedores de estos servicios, el caso
muestra la utilidad de registrar el motivo por el cual una derivación no se
confirma —error, inconformidad, abandono, falsa alarma—, ya que ese dato
permitiría medir el falso positivo real y entrenar mejor el modelo. Como paso
siguiente, sería conveniente realizar una prueba piloto con datos reales que
mida la precisión, la sensibilidad, la tasa de falsos positivos, la tasa de
abandono y el tiempo de resolución frente a un sistema de reglas.
En
México y Latinoamérica, las PYMES muestran una alta vulnerabilidad frente a
fraudes sofisticados impulsados por IA, principalmente debido a limitaciones en
la infraestructura tecnológica y al acceso limitado a sistemas avanzados (OECD,
2021). Las plataformas SaaS antifraude ofrecen una alternativa accesible:
permiten detectar movimientos inusuales, monitorearlos en tiempo real y generar
alertas automáticas sin necesidad de infraestructura propia. Se espera que la
adopción de modelos inteligentes y adaptativos contribuya a reducir las pérdidas
financieras y a mejorar la eficiencia operativa; esta expectativa, no obstante,
deberá contrastarse con evidencia empírica.
Dado
que el fraude no se debe únicamente a fallas tecnológicas, los modelos basados
en IA deben complementarse con estrategias de concientización, formación
digital y gestión integral de riesgos. En materia de capacitación, se
recomiendan programas que aborden phishing e ingeniería social, ética y
cumplimiento normativo, prevención de fraudes empresariales y detección de
deepfakes y de fraude asistido por IA. También conviene desarrollar
competencias digitales y financieras para identificar señales de alerta, como
la inducción de miedo, la solicitud de códigos de verificación, las ofertas
inverosímiles y las comunicaciones con tono de urgencia.
Existen,
además, estrategias complementarias de bajo costo, como la capacitación básica
en ciberseguridad del personal, la autenticación multifactor y políticas
simples de control de accesos. Esta tendencia coincide con lo documentado por
PwC (2024) sobre el aumento de la inversión en ciberseguridad de las PYMES a
nivel global. Samson-Onuorah (2023) añade que, más allá del costo inicial,
estos sistemas requieren ciclos de retroalimentación para actualizarse conforme
cambian las tácticas de los defraudadores.
CONCLUSIONES
Respecto
de la pregunta de investigación, se concluye que un modelo adaptativo que
combine aprendizaje supervisado, aprendizaje no supervisado y revisión humana
constituye una alternativa conceptualmente sólida para fortalecer la detección
de fraude en las transacciones internacionales de las PYMES latinoamericanas.
Esta conclusión se apoya en la coherencia entre el diseño propuesto, la
literatura revisada y el caso operativo analizado, y no en una prueba de
desempeño.
Lo
observado en el estudio es lo siguiente. En un periodo de tres meses y medio,
el 40.37 % de las interacciones de una organización de remesas se derivaron al
área de fraude y solo el 33.53 % de esas derivaciones se confirmaron como tales,
mientras que una parte del resto se perdió por abandono. Las estafas
identificadas explotaban más el factor humano que la infraestructura. Lo
propuesto, en cambio, es una arquitectura de entrada, procesamiento y salida,
con clasificación de riesgo por niveles y revisión prioritaria, diseñada para
reducir la fricción con los clientes legítimos. Su efectividad y su viabilidad
económica requieren pruebas empíricas posteriores.
La
IA es hoy un recurso estratégico para prevenir el fraude en los negocios
internacionales, pero su carácter dual constituye un desafío estructural:
fortalece la defensa y, a la vez, es aprovechada por actores maliciosos para
atacar con mayor sofisticación. Esta situación coloca a las PYMES en una
posición de vulnerabilidad particular, aunque el modelo SaaS abre una vía más
accesible para acceder a mecanismos de seguridad sin comprometer en exceso sus
recursos. En un contexto donde el fraude evoluciona sin pausa, la articulación
entre soluciones tecnológicas, la protección de los datos personales y el
criterio analítico humano seguirá siendo un desafío central para la
sostenibilidad operativa de las PYMES en el comercio internacional.
El
modelo no fue desarrollado, entrenado ni probado con datos reales; por ello,
sus beneficios son esperados y no demostrados, y el contraste realizado es de
coherencia teórica. Los datos del caso provienen de una sola organización,
corresponden a un periodo de tres meses y medio y tienen carácter reservado,
por lo que no pueden verificarse de forma independiente ni generalizarse. Las
observaciones sobre la estacionalidad fuera del cierre de año y sobre los
tiempos de reembolso se basan en la experiencia directa de la autora. La
revisión documental fue narrativa y no siguió un protocolo sistemático. El
trabajo de campo fue acotado: no fue posible entrevistar a un grupo amplio de
personas y el conocimiento directo se limita a pocas PYMES que han sufrido fraude.
La
autora laboró anteriormente en la organización cuyos datos agregados se
analizan en el caso de estudio y actualmente no mantiene ninguna relación con
ella. Declara no tener otro conflicto de intereses. Esta investigación no ha
recibido financiamiento. Durante la elaboración del artículo se utilizaron
herramientas de apoyo a la redacción; las ideas, el análisis y las conclusiones
son responsabilidad de la autora.
REFERENCIAS
Amazon Web Services. (2026). AWS
Backup pricing. https://aws.amazon.com/backup/pricing/
Bitdefender. (2026). Está
explorando las soluciones de seguridad de Bitdefender GravityZone. https://www.bitdefender.com/es-es/business/campaign/new-compare50
Boeddu, G. L., Chien, J., Grady,
R. C. e Istuk, I. (2021). Consumer Risks in Fintech - New Manifestations of
Consumer Risks and Emerging Regulatory Approaches: Policy Research Paper
(English). World Bank. https://documents.worldbank.org/en/publication/documents-reports/documentdetail/515771621921739154
Černevičienė, J. y
Kabašinskas, A. (2024). Explainable artificial intelligence (XAI) in finance:
a systematic literature review. Artificial Intelligence Review, 57(216). https://doi.org/10.1007/s10462-024-10854-8
Comisión Nacional para la
Protección y Defensa de los Usuarios de Servicios Financieros - CONDUSEF.
(2025). Comercio Electrónico — Estadísticas. https://www.condusef.gob.mx/index.php/necesitas-ayuda?p=estadisticas
CrowdStrike. (2026). Tailored
bundles to stop breaches. https://www.crowdstrike.com/pricing/
Forter. (2025). Contact
Sales – Forter. https://www.forter.com/pricing/
Google Cloud. (s.f.). Precios de Cloud
Storage. https://cloud.google.com/storage/pricing
Hassija,
V., Chamola, V., Mahapatra, A., Singal, A., Goel, D., Huang, K., Scardapane, S., Spinelli, I., Mahmud, M. y Hussain, A.
(2024). Interpreting Black-Box Models: A Review on Explainable Artificial
Intelligence. Cognitive Computation, 16(1),
45–74. https://doi.org/10.1007/s12559-023-10179-8
Hernández Aros, L., Bustamante
Molano, L. X., Gutiérrez-Portela, F., Moreno Hernández, J. J. y Rodríguez
Barrero, M. S. (2024). Financial fraud detection through the application of
machine learning techniques: a literature review. Humanities
and Social Sciences Communications, 11(1130). https://doi.org/10.1057/s41599-024-03606-0
Kshetri,
N. (2021). The role of artificial intelligence in promoting financial inclusion
in developing countries. Journal of Global Information Technology Management,
24(1), 1–6. https://doi.org/10.1080/1097198X.2021.1871273
McKinsey. (2022). The State
of AI in 2022—and a Half Decade in Review. QuantumBlack. https://www.mckinsey.com/~/media/mckinsey/business%20functions/quantumblack/our%20insights/the%20state%20of%20ai%20in%202022%20and%20a%20half%20decade%20in%20review/the-state-of-ai-in-2022-and-a-half-decade-in-review.pdf?shouldIndex=false
Microsoft Security. (s.f.). Why Microsoft Security Secure from end to end.
https://www.microsoft.com/en-us/security
Mimecast. (2026). Mimecast
Plans to Mitigate Human Risk. https://www.mimecast.com/products/mimecast-plans/
Oficina de las Naciones Unidas
contra la Droga y el Delito - UNODC. (2022). Compendio de Ciberdelincuencia
Organizada. Naciones Unidas. https://www.unodc.org/documents/Cybercrime/publications/compendio_de_delincuencia_organizada_es.pdf?v=3.6digest_cyber_organized_crime_2nd_ed.pdf?v=3.6
Organización Mundial del
Comercio. (2024). Informe sobre el comercio mundial 2024 — Comercio e
inclusividad: Por un comercio que beneficie a todos.
https://www.wto.org/spanish/res_s/publications_s/wtr24_s.htm
Organización para la
Cooperación y el Desarrollo Económicos. (2021). The
digital transformation of SMEs. OECD Publishing. https://doi.org/10.1787/bdb9256a-en
Passos, L. A.,
Jodas, D., Costa, K. A. P., Souza Júnior, L. A., Rodrigues,
D., Del Ser, J., Camacho, D. y Papa, J. P. (2024). A review of
deep learning-based approaches for deepfake content detection. Expert
Systems, 41(8), e13570. https://doi.org/10.1111/exsy.13570
Proofpoint. (2026). Complete
Microsoft 365 Security for MSPs. https://www.proofpoint.com/us/partners/msp
PwC. (2024). Global
Economic Crime Survey 2024. Meeting tomorrow’s challenges, embracing risk
intelligently. PricewaterhouseCoopers. https://www.pwc.com/gx/en/services/forensics/economic-crime-survey.html
Riskified.
(2026). AI fraud prevention fueling ecommerce
success. https://www.riskified.com/
Samson-Onuorah, C. I. (2023).
Data-driven fraud detection frameworks integrating machine learning,
transaction monitoring, and governance across modern banking platforms. International
Journal of Research in Finance and Management, 6(2), 318–329. https://doi.org/10.33545/26175754.2023.v6.i2c.670
Schmalzried, D., Hurst, M.,
Wentzien, M. y Gräser, M. (2023). Analyse der Rolle Künstlicher Intelligenz für eine menschenzentrierte
Industrie 5.0. HMD Praxis der Wirtschaftsinformatik, 60,
1143–1155. https://doi.org/10.1365/s40702-023-01001-y
SentinelOne. (s.f.). PRICING & PACKAGES. Secure More. Spend Less.
https://www.sentinelone.com/pricing/
SEON. (s.f.).
Pricing Plans. Select a Plan That Best Fits Your Needs. https://seon.io/pricing/
Statista. (2025). E-commerce
fraud - statistics & facts.
https://www.statista.com/topics/9240/e-commerce-fraud/
Tóth, A., Nagy, L., Kennedy,
R., Bohuš, B., Abonyi, J. y Ruppert, T. (2023). The human-centric Industry 5.0
collaboration architecture. MethodsX, 11,
102260. https://doi.org/10.1016/j.mex.2023.102260