GatekeeperX, empresa de tecnología especializada en prevención de fraude y lavado de activos, dio a conocer los resultados de un estudio técnico basado en datos operativos propios, en el que identifica siete tipos de agentes de inteligencia artificial especializados como base de una nueva arquitectura antifraude. El estudio presenta una arquitectura denominada AI Fraud Agents.

 GatekeeperX, empresa de tecnología especializada en prevención de fraude y lavado de activos, dio a conocer los resultados de un estudio técnico basado en datos operativos propios, en el que identifica siete tipos de agentes de inteligencia artificial especializados como base de una nueva arquitectura antifraude.

El estudio presenta una arquitectura denominada AI Fraud Agents. Esta plantea pasar de herramientas que únicamente generan alertas y scores a sistemas capaces de analizar contexto en tiempo real, optimizar reglas automáticamente, investigar fraude en red y ejecutar tareas operativas dentro de una misma capa de decisiones.

“La prevención del fraude digital atraviesa un punto de inflexión. Mientras el fraude evoluciona en red y en tiempo real, muchas organizaciones aún operan con estructuras fragmentadas: reglas por un lado y procesos manuales que ralentizan la toma de decisiones”, afirma Carlos Ayalde, CEO de GatekeeperX.

De acuerdo con el estudio de GatekeeperX:

• Entre 60% y 70% del tiempo del equipo antifraude se destina a análisis manual y ejecución de queries.
• La optimización de reglas puede tardar entre 2 y 6 semanas.
• El análisis de impacto suele realizarse después de ocurrido el problema.
• La detección de fraude coordinado es reactiva o inexistente sin herramientas avanzadas de grafos.

“Frente a este escenario, comienza a consolidarse una arquitectura basada en AI Fraud Agents: agentes que no solo detectan riesgo, sino que operan el sistema de decisiones en tiempo real. Pasamos de herramientas que generan alertas a inteligencia operativa que ejecuta acciones. No reemplazan al humano, agilizan los procesos”, comenta Ayalde.

A continuación, los 7 tipos de AI Fraud Agents que comienzan a marcar tendencia

1. Rules Agent (Agente de Reglas): Construye, valida y optimiza reglas antifraude. Permite generar reglas desde lenguaje natural, corregir sintaxis y evaluar impacto operativo en minutos en lugar de días.
2. Features Agent (Agente de Variables): Explora el catálogo de datos disponibles, facilita la selección estratégica de variables para la construcción de reglas y elimina silos de información entre modelos y análisis.
3. Analyst Agent (Agente Analista): Evalúa impacto, fricción, eficiencia y métricas de decisión, para identificar oportunidades de optimización y riesgos operativos.
4. Lists Agent (Agente de Listas Inteligentes): Crea y gestiona listas dinámicas para trazabilidad completa, control de duplicados y evidencia lista para auditoría.
5. Network Agent (Agente de Red): Especializado en análisis de redes a partir de grados. Detecta fraude coordinado mediante el estudio de relaciones entre dispositivos, correos electrónicos, tarjetas, IPs o comercios.
6. Operational Support Agent (Agente de Soporte Operativo): Explica sintaxis, herramientas y procesos del sistema, reduciendo fricción técnica en la operación diaria.
7. Data Analyst Agent (Agente Analítico Avanzado): Ejecuta consultas SQL, consolida múltiples fuentes de datos y genera reportes ejecutivos automatizados con visualizaciones e insights estratégicos.

Impacto real en métricas de negocio

Según el estudio técnico, la implementación de esta arquitectura integrada puede generar mejoras cuantificables en eficiencia, reducción de fricción y disminución del fraude neto.

Eficiencia operativa

• 30% a 50% menos tiempo operativo por analista.
• Reducción del análisis de alertas de 15–30 minutos a 3–7 minutos.
• Evaluación de impacto de reglas que pasa de días a minutos.
• Equipos de 10 analistas pueden liberar entre 3 y 5 FTE efectivos.

Reducción de fricción

• 15% a 30% menos falsos positivos.
• 5% a 10% de mejora en la tasa de aprobación.
• Menor dependencia de mecanismos adicionales como 3DS.

Impacto en fraude neto

• 10% a 25% de reducción de fraude neto.
• Detección temprana y contextual, no solo mayor volumen de alertas.

“Los AI Fraud Agents representan una nueva categoría en la prevención del fraude, al evolucionar de sistemas reactivos que solo generan alertas a arquitecturas integradas que analizan y resuelven riesgos en tiempo real. El cambio es conceptual: pasar de mostrar problemas a optimizarlos estratégicamente y resolverlos en un entorno donde el fraude ya actúa como red coordinada”, concluye Ayalde.