Con IA y machine learning los bancos atacarán los fraudes financieros que van tras tu dinero

El aumento de los pagos electrónicos, tanto en el ámbito empresarial como en el consumo personal, ha traído consigo un crecimiento en los casos de fraude financiero. En este contexto, la inteligencia artificial y el machine learning (aprendizaje automático) se presentan como soluciones fundamentales para enfrentar los sofisticados métodos utilizados por los ciberdelincuentes.

Los bancos y otras entidades financieras se encuentran ante el desafío constante de proteger la información sensible de sus clientes y garantizar transacciones seguras en un entorno digital cada vez más complejo

De acuerdo con un informe de Juniper Research, las pérdidas globales por fraude en pagos digitales ascendieron a 32 mil millones de dólares en 2023.

En Colombia, por ejemplo, el 6,9 % de las transacciones digitales durante el primer semestre de 2024 fueron clasificadas como sospechosas, reflejando un incremento del 43,5 % con respecto al año anterior, según datos de la encuesta Pulso del Consumidor de TransUnion. A nivel individual, aproximadamente cuatro de cada diez colombianos han reportado ser víctimas de fraude digital.

Este contexto demanda soluciones rápidas y eficaces. Christian Cepeda, CEO de Kuvasz Solutions, afirma que “con el progreso notable en el sector de los pagos digitales, también surgen múltiples retos en cuanto a seguridad, los cuales las entidades financieras deben enfrentar para proteger a sus clientes y mantener su reputación”.

El fraude en pagos electrónicos adopta diferentes formas, muchas de ellas sofisticadas y diseñadas para burlar sistemas de seguridad tradicionales. Entre los métodos más frecuentes se encuentran:

• Ataques de phishing: mediante correos electrónicos, mensajes de texto o sitios web fraudulentos, los estafadores engañan a los usuarios para que revelen información sensible, como datos de inicio de sesión o números de tarjetas de crédito. Este tipo de fraude representó el 44 % de todas las filtraciones de datos en 2020.

• Skimming: consiste en el uso de dispositivos (skimmers) que se colocan en cajeros automáticos o terminales de pago para capturar información de tarjetas de crédito o débito. Los datos obtenidos son utilizados para crear tarjetas falsificadas o realizar transacciones no autorizadas.
• Robo de identidad: los ciberdelincuentes acceden a información personal, como números de seguridad social o datos bancarios, y los utilizan para realizar compras no autorizadas o abrir cuentas fraudulentas.
• Fraude por contracargo: se produce cuando un cliente alega falsamente no haber realizado una compra legítima para recibir un reembolso mientras conserva el producto o servicio adquirido.
• Compromiso del correo electrónico empresarial (BEC): los estafadores se hacen pasar por ejecutivos o proveedores para solicitar transferencias urgentes de dinero a cuentas fraudulentas.
• Fraude por tarjeta no presente (CNP): muy común en el comercio electrónico, este tipo de fraude ocurre cuando un delincuente utiliza información de tarjetas robadas para realizar compras en línea o por teléfono.

Frente a la creciente sofisticación de los métodos de fraude, los sistemas tradicionales de detección de amenazas han quedado obsoletos. En este sentido, la IA y el machine learning han revolucionado las estrategias de prevención y mitigación, ofreciendo capacidades avanzadas que permiten a las instituciones financieras detectar y responder rápidamente a actividades sospechosas.

• Identificación de patrones complejos

El aprendizaje automático tiene la capacidad de analizar grandes volúmenes de datos en tiempo real para identificar comportamientos atípicos o patrones fraudulentos que los métodos convencionales no detectan. Por ejemplo, un sistema basado en IA puede reconocer actividades sospechosas como múltiples solicitudes de crédito desde ubicaciones no registradas o transacciones inusuales en cuentas de bajo movimiento.

• Prevención de usurpación de cuentas

La IA también es eficaz para prevenir el robo de cuentas mediante el análisis de patrones de acceso. Si un usuario inicia sesión desde una ubicación no habitual o con un dispositivo desconocido, el sistema puede bloquear automáticamente la cuenta o solicitar pasos adicionales de verificación.

• Evaluación predictiva

Los algoritmos de machine learning son capaces de prever intentos de fraude al analizar datos históricos y patrones de comportamiento. Esto permite a los equipos de seguridad actuar antes de que se materialicen pérdidas financieras. Según el informe “Tendencias en Ciberseguridad Financiera 2024″ de Deloitte Colombia, el 70 % de los bancos en el país ya implementan sistemas automatizados que combinan machine learning con análisis de datos para mejorar la precisión en la detección de amenazas.