La lucha contra el lavado de activos y otros delitos financieros está entrando en una nueva etapa.

Durante años, las instituciones financieras han utilizado sistemas de monitoreo basados principalmente en reglas predefinidas. Estas herramientas continúan siendo importantes, pero el crecimiento de las transacciones digitales, la cantidad de información disponible y la evolución de los riesgos están impulsando la búsqueda de nuevas soluciones.

En este escenario aparece la inteligencia artificial (IA) como una herramienta capaz de transformar la manera en que las organizaciones identifican, analizan y gestionan señales de riesgo.

La pregunta ya no es si la inteligencia artificial tendrá un papel en el AML —Anti-Money Laundering—, sino cómo utilizarla de manera responsable para mejorar la prevención del delito financiero.

Del modelo basado en reglas al análisis inteligente

Los sistemas tradicionales de AML suelen funcionar mediante reglas previamente establecidas.

Por ejemplo, una determinada operación puede generar una alerta cuando supera un umbral definido o cuando presenta determinadas características.

Este enfoque tiene una ventaja importante: es relativamente sencillo de comprender y supervisar.

Sin embargo, puede presentar limitaciones cuando los comportamientos financieros son cada vez más complejos.

La inteligencia artificial permite analizar grandes cantidades de información y encontrar relaciones o patrones que podrían resultar difíciles de identificar mediante reglas aisladas.

Esto puede ayudar a los equipos de cumplimiento a concentrarse en aquellas situaciones que requieren mayor análisis.

Menos alertas, mejores investigaciones

Uno de los grandes desafíos de los sistemas AML es el volumen de alertas.

Un sistema que genera demasiadas alertas puede terminar sobrecargando a los equipos de cumplimiento.

El problema no es únicamente tecnológico.

También es operativo.

Los profesionales necesitan tiempo y recursos para analizar los casos realmente relevantes.

La IA puede contribuir a establecer modelos de priorización que ayuden a distinguir entre diferentes niveles de riesgo.

El objetivo no debería ser simplemente generar más alertas, sino generar información más útil para tomar decisiones.

Detectar patrones, no solamente operaciones

El delito financiero puede involucrar múltiples operaciones y relaciones entre diferentes actores.

Una transacción individual puede parecer normal cuando se analiza de forma aislada.

Pero su relación con otras operaciones, personas, cuentas, empresas o ubicaciones puede proporcionar un contexto diferente.

Aquí es donde el análisis avanzado de datos adquiere especial importancia.

La IA puede ayudar a identificar conexiones y patrones dentro de grandes volúmenes de información, permitiendo que los equipos de cumplimiento tengan una visión más amplia del comportamiento financiero.

El contexto puede revelar lo que una operación aislada no muestra.

El factor humano sigue siendo indispensable

Hablar de IA en AML no significa reemplazar a los profesionales de compliance.

Por el contrario, la evolución tecnológica puede hacer que el conocimiento humano sea todavía más importante.

Una herramienta puede identificar una anomalía, establecer una relación o asignar una determinada puntuación de riesgo.

Pero una alerta no equivale necesariamente a una conducta ilícita.

El análisis profesional continúa siendo necesario para comprender el contexto, evaluar la información disponible y determinar las acciones correspondientes.

La combinación más poderosa probablemente sea:

IA para analizar + profesionales para interpretar + gobierno para supervisar.

La calidad de los datos es fundamental

Ningún sistema de inteligencia artificial puede funcionar correctamente si recibe información deficiente.

Datos incompletos, inconsistentes, duplicados o desactualizados pueden afectar la calidad de los resultados.

Por eso, la transformación del AML no comienza necesariamente con la adquisición de una nueva herramienta tecnológica.

Comienza con una pregunta más básica:

¿Tenemos información suficientemente confiable para tomar decisiones basadas en ella?

La gobernanza de datos se convierte así en un componente fundamental de la estrategia de compliance.

El riesgo de los falsos positivos

Los falsos positivos representan uno de los problemas más conocidos de los sistemas de monitoreo.

Una alerta puede parecer sospechosa inicialmente y posteriormente demostrar que existe una explicación legítima.

Cuando el número de falsos positivos es demasiado elevado, los equipos pueden dedicar una cantidad considerable de tiempo a investigar situaciones que finalmente no representan un riesgo significativo.

Los modelos de IA pueden ayudar a mejorar la capacidad de discriminación del sistema.

Pero esto requiere entrenamiento adecuado, supervisión y evaluación continua.

Una IA mal diseñada puede simplemente trasladar el problema a otra dimensión.

Explicabilidad: una cuestión clave

Una de las grandes preguntas que plantea la utilización de inteligencia artificial en compliance es:

¿Por qué el sistema considera que una determinada situación presenta mayor riesgo?

En ámbitos regulatorios y financieros, no siempre es suficiente obtener un resultado.

También puede ser necesario comprender cómo se llegó a él.

Por ello, la explicabilidad de los modelos es un aspecto especialmente relevante.

Los equipos de cumplimiento necesitan poder interpretar los resultados y establecer mecanismos adecuados de supervisión.

La tecnología no debería convertirse en una «caja negra» dentro de la organización.

IA responsable en compliance

La incorporación de inteligencia artificial debe estar acompañada por mecanismos de gobierno.

La organización necesita establecer claramente:

• quién es responsable del sistema;
• qué datos utiliza;
• cómo se supervisa;
• cómo se valida su desempeño;
• cómo se gestionan los errores;
• cómo se protegen los datos;
• y cuándo debe intervenir una persona.

La pregunta no es únicamente qué puede hacer la IA, sino también qué debería hacer y bajo qué condiciones.

Nuevas habilidades para los profesionales de AML

La transformación tecnológica también está cambiando el perfil de los profesionales de cumplimiento.

El conocimiento regulatorio seguirá siendo fundamental, pero cada vez será más importante comprender datos, tecnología y modelos analíticos.

No significa que todos los oficiales de cumplimiento deban convertirse en programadores.

Significa que necesitan desarrollar la capacidad de dialogar con especialistas en datos, tecnología, riesgos y ciberseguridad.

El futuro del AML será necesariamente multidisciplinario.

La inteligencia artificial también genera riesgos

Sería un error considerar la IA únicamente como una solución.

Las organizaciones también deben evaluar los riesgos que surgen de su utilización.

Entre ellos pueden encontrarse:

• errores en los modelos;
• sesgos;
• problemas de calidad de datos;
• falta de explicabilidad;
• dependencia excesiva de la automatización;
• riesgos de privacidad;
• y decisiones incorrectas basadas en información insuficiente.

Por eso, implementar IA no significa abandonar los controles tradicionales.

Significa construir un sistema donde la tecnología esté integrada dentro de un marco sólido de gobierno y gestión de riesgos.

De la reacción a la anticipación

Uno de los mayores cambios que puede producir la IA es pasar de una visión predominantemente reactiva a una más preventiva.

En lugar de analizar solamente lo que ya ocurrió, las organizaciones pueden utilizar modelos de análisis para identificar comportamientos que merezcan atención antes de que el riesgo se materialice.

Esto puede contribuir a que el AML sea más dinámico.

La prevención deja de depender exclusivamente de reglas estáticas y comienza a incorporar modelos capaces de adaptarse a nuevos patrones.

La próxima generación de AML

El AML de próxima generación no será simplemente un sistema más automatizado.

Será un ecosistema donde confluyan:

datos + inteligencia artificial + profesionales especializados + gestión de riesgos + regulación + gobierno corporativo.

La tecnología puede aumentar significativamente la capacidad de análisis, pero su verdadero valor dependerá de cómo sea integrada dentro de la organización.

La IA no sustituirá la responsabilidad de las instituciones.

Tampoco sustituirá el criterio de los profesionales.

Su función será ampliar las capacidades de ambos.

El verdadero desafío

La pregunta estratégica para las organizaciones no debería ser:

«¿Cómo podemos incorporar inteligencia artificial a nuestro sistema AML?»

Debería ser:

«¿Cómo podemos utilizar la inteligencia artificial para tomar mejores decisiones de prevención sin perder transparencia, control y responsabilidad?»

Esta diferencia es fundamental.

Porque el futuro del compliance no dependerá solamente de tener mejores algoritmos.

Dependerá de tener mejores decisiones.