El mundo financiero actual se caracteriza por estar cada vez más conectado: el uso de medios de pago digitales, la digitalización de los servicios financieros y los mayores niveles de bancarización de la sociedad son sólo algunas de las variables que hacen que el volumen de transacciones financieras haya crecido de manera exponencial.
El fraude, en sus múltiples formas, es uno de los grandes enemigos del sistema financiero. Aunque la falsificación y las estafas han existido desde siempre, la era digital lo llevó a un nuevo nivel de sofisticación. Se pierden miles de millones de dólares como consecuencia de aprobaciones de operaciones inválidas con tarjeta de crédito, transacciones hechas con suplantación de identidad o ciberataques con ingeniería social, entre otros delitos.
En este contexto, las empresas deben establecer sistemas y controles para prevenir y detectar fraudes, errores y debilidades de los controles internos. Además, impulsar la cultura de la prevención y detección oportuna para anticipar y mitigar los riesgos que pudieran ocasionar.
La aparición de soluciones basadas en analítica avanzada y «machine learning» (ML) permitieron a las entidades financieras depender no solamente de métodos basados en reglas duras, caracterizados por una gran cantidad de problemáticas como respuesta tardía para identificar el fraude y generar una regla, falsos positivos, procesos lentos, difíciles de escalar y muy ineficientes, sino también incorporar propuestas más eficientes y adaptativas.
Implementar soluciones basadas en modelos de machine learning, por ejemplo, brinda la posibilidad de analizar grandes conjuntos de datos, estructurados y no estructurados, para identificar comportamientos e incorporar el concepto de «aprendizaje» basado en datos.
Un enfoque basado en ML puede complementar a los sistemas basados en regla, pero permitiendo aprender y detectar nuevos patrones de comportamiento fraudulento a partir de los datos. Estas técnicas complementarias, brindan mayor flexibilidad, capacidad de escalar, reducir los falsos positivos y adaptarse rápidamente a la naturaleza cambiante del desafío.
Estas tecnologías que facilitan el análisis de datos, la detección de patrones anómalos y las predicciones para una mejor toma de decisiones, tienen un punto en común: se pueden potenciar gracias al uso de la inteligencia artificial generativa (IAG).
Javier Minhondo
¿Qué aporta la inteligencia artificial generativa?
Dada la amplia naturaleza de los posibles fraudes, existen casos donde, una vez que una transacción haya sido marcada como potencialmente fraudulenta, necesite pasar por un proceso de revisión. Ese proceso de revisión es realizado por un equipo de analistas que se encargan de obtener datos relacionados a la transacción, analizarlos y finalmente decidir bloquear o no la transacción.
Hacerlo de forma manual puede llevar mucho tiempo en el análisis de los datos y luego en hacer un resumen del caso para dejar registro de los motivos por el cual se ha bloqueado una transacción. Aquí existe una oportunidad para utilizar IAG: podemos usar los modelos para generar un resumen de actividad para que la persona encargada de hacer el análisis de información tan solo tenga que leer un breve resumen y no tener que analizar una gran cantidad de datos.
También se puede generar automáticamente una resolución del caso, indicando por qué se tomó la decisión y a partir de qué datos. Como se ve, se usa IAG para reducir la carga cognitiva, reducir los tiempos y dar así mayor capacidad de escalar y atender mayor cantidad de casos.
Otro ejemplo del uso de asistentes conversacionales para las instituciones financieras es el de asistencia en el proceso de «desconocimiento de transacciones», una acción en la que muchas veces hay potenciales fraudes.
El objetivo es automatizar la recolección de información mediante asistentes conversacionales, y luego, de manera similar al caso anterior, automatizar los procesos de resolución. Con la adopción de IAG, las empresas obtendrán importantes beneficios como la mejora de la experiencia del usuario y de la calidad del servicio al cliente final; el aumento de la capacidad de escalabilidad y eficiencia; y el recorte del tiempo y la intervención humana.
Sin duda, la integración de IAG en las estrategias de prevención de fraudes abre puertas a nuevas posibilidades, pero también presenta desafíos que requieren experiencia y conocimiento especializado. Recursos, «know how» y experiencias son las claves para que cualquier organización pueda identificar los casos de uso que mejor se alinean con sus necesidades del negocio.
En este sentido, la calidad y la madurez en el gobierno de datos son esenciales para garantizar procesos gobernados y, por supuesto, resultados que sean también de calidad. A su vez, es importante tener la capacidad para monitorearlos, operarlos y hacer ajustes cuando sean necesarios; todo esto sin perder el foco en la privacidad de los datos y en evitar los sesgos o los preconceptos negativos.
Aunque el fraude es frecuente en organizaciones de todos los tamaños, en todos los sectores y lugares, ciertas empresas están expuestas a mayores niveles de riesgo que otras, como los bancos, las empresas de servicios monetarios, las empresas de transferencia de dinero y las empresas manufactureras. Es por eso que el entorno de control y las soluciones deben ajustarse a cada organización y adoptar las herramientas tecnológicas necesarias.
El éxito en la prevención y detección temprana del fraude dependerá de un enfoque ético y responsable, apoyado en datos de calidad, modelos robustos y la capacidad de adaptarse a un entorno en constante cambio. Solo aquellas empresas que logren integrar estos elementos de manera eficiente estarán en condiciones de hacer frente a los desafíos que presenta el futuro en el ámbito financiero.
(*) Arquitecto de soluciones empresariales de Nubiral.