La IA, al servicio de la lucha contra el blanqueo de capitales

El conocido como caso de los Papeles de Panamá saltó a los medios internacionales en 2016, convirtiéndose en un gran escándalo social y financiero. La investigación conjunta llevada a cabo por un grupo de periodistas de distintos países expuso la filtración masiva de documentos que demostraba como líderes políticos, empresarios, celebridades y organizaciones de todo el mundo usaron sociedades offshore para ocultar fortunas, evadir impuestos o lavar dinero. Los 2.6 terabytes de información, distribuidos en 11.5 millones de documentos, mostraron a la opinión pública cómo se lleva a cabo la ocultación de grandes riquezas mediante el blanqueo, la estafa y, en definitiva, la evasión fiscal.

Otra "gran evasión" de esta naturaleza fue sacada a la luz en los Papeles de Pandora, un caso similar que volvía a señalar a jefes de Estado, estrellas de la canción y magnates financieros, entre otros.

Estos grandes trabajos de investigación no hubieran sido posibles sin el Big Data, el análisis de grafos y las herramientas analíticas. Desde entonces ha transcurrido casi una década tecnológica, protagonizada por la Inteligencia Artificial, que, como era de esperar, ofrece hoy herramientas actualizadas y sencillas de incorporar a los sistemas de monitoreos financieros, para no solo detectar, sino también prevenir actividades sospechosas.

En este sentido, Scalian Spain, ha desarrollado diversos proyectos basados en modelos analíticos preentrenados que pueden identificar patrones inusuales en las transacciones y alertar sobre posibles fraudes, a la vez que permiten a los bancos mejorar su eficiencia operativa. Estos modelos analíticos abarcan varios tipos de análisis, predictivo, diagnóstico y descriptivo, y permiten a las empresas cubrir sus necesidades de análisis de datos sin la necesidad de desarrollar y mantener modelos complejos. Ramón Ramallal, experto de la consultora tecnológica, explica "Primero analizamos el contexto y los datos del cliente para diseñar una solución a medida. Luego, desarrollamos e integramos modelos de IA que se entrenan con datos reales y se ajustan a los requisitos normativos específicos".

AML & KYC - Anti-Money Laundering / Know Your Customer
Las herramientas basadas en graph analytics permiten identificar relaciones indirectas o encubiertas entre entidades, facilitando la detección de estructuras complejas de lavado de dinero. Gracias a modelos de inteligencia artificial, es posible mapear conexiones entre usuarios a través de múltiples capas de transacciones, cuya complejidad y volumen serían imposibles de analizar manualmente. Además, la solución posee paneles interactivos (dashboards) con visualizaciones detalladas, que permiten al analista explorar patrones, anomalías y relaciones en los datos. El modelo, cuenta Ramón, integra diversas fuentes de información para ofrecer un scoring de riesgo lo más preciso y contextualizado posible.

ABM–AML, Active Business Management / Anti-Money Laundering
El análisis predictivo de riesgo permite la identificación proactiva de clientes que estén involucrados en actividades sospechosas, incluso antes de que se materialicen. En casos donde las reglas tradicionales no logran detectar movimientos encubiertos, técnicas de deep learning son capaces de identificar patrones no lineales y correlaciones en múltiples dimensiones de datos. Esto habilita una detección más temprana y eficaz, especialmente en escenarios donde los comportamientos fraudulentos son sutiles o deliberadamente disimulados, explican desde la consultora

Nuevas posibilidades para la detección de blanqueo con Inteligencia Artificial
Este enfoque proactivo que aporta la IA ayuda a mitigar los riesgos y proteger los activos de los clientes. Esta tecnología permite, además:

Reconocer cambios en comportamientos históricos
Detectar desviaciones en el comportamiento transaccional habitual de clientes para identificar posibles actividades sospechosas.

Screening avanzado de listas de sanciones
Aplicar IA para realizar un cruce eficiente y preciso de datos de clientes con listas de sanciones internacionales y bases de datos públicas.

Clasificación automatizada de casos de investigación
Clasificar y priorizar investigaciones de AML utilizando modelos predictivos basados en características históricas de casos similares.

Integración de datos no estructurados
Analizar datos no estructurados, como noticias, documentos judiciales o redes sociales, para identificar riesgos adicionales en clientes o entidades.

Predicción de clientes de alto riesgo
Crear modelos predictivos para identificar clientes que podrían estar involucrados en actividades ilícitas, basados en datos históricos y perfiles de riesgo.

Cumplimiento normativo proactivo
Utilizar IA para garantizar que las políticas internas de AML estén alineadas con las normativas locales e internacionales, reduciendo sanciones regulatorias.

El éxito de la IA en predicción de fraude, los datos
Según un informe de Juniper Research, se estima que los sistemas de IA ayudaron a prevenir más de $42 mil millones de dólares en pérdidas por fraude para 2023. Además, un estudio de la firma de investigación Aite Group encontró que las instituciones financieras que implementaron soluciones de IA experimentaron una reducción del 40% en las pérdidas por fraude.

La adopción de la inteligencia artificial (IA) en la banca europea ha experimentado un crecimiento notable, pasando del 60% en 2020 al 86% en 2024, según los datos más recientes de la Autoridad Bancaria Europea. Los bancos están utilizando la IA en diversas áreas, siendo el perfilado de clientes el uso más común (71,76%), seguido de la detección de fraudes (69,41%) y la prevención del lavado de dinero y asistencia al cliente (ambas con 65,88%).

A pesar de estos avances, la implementación de la IA en la banca europea enfrenta desafíos significativos. Las entidades financieras deben equilibrar la innovación que ofrece la IA con el cumplimiento de estrictos marcos regulatorios, garantizando la privacidad y la seguridad de los datos, finaliza Ramón.