Detección de fraude en banca con modelos privados

Contexto: el problema que no puede esperar

México perdió USD 1,067 millones en fraude digital en 2025, según análisis con datos de Banxico y CONDUSEF. De ese total, solo el 1.4% volvió a manos de quien lo perdió. El fraude en apertura de cuentas digitales creció un 300% asociado a deepfakes e identidades sintéticas generadas con IA.

El porcentaje de instituciones financieras que reportan pérdidas por fraude crecientes año con año pasó del 59% al 76% entre 2025 y 2026. Y el perfil del fraude cambió: ya no son correos con errores ortográficos ni llamadas con guiones torpes — es una industria organizada con herramientas de IA más sofisticadas que las de muchos equipos de detección.

Banco BANSI México, un banco digital B2B2C con presencia en 18 estados, procesaba en 2024 aproximadamente 4.2 millones de transacciones mensuales entre pagos corporativos, dispersiones de nómina y vales electrónicos. Su motor de detección de fraude era un sistema de reglas estáticas con más de seis años de antigüedad: funcional para el fraude de 2018, ciego ante el fraude de 2024.

El reto

Regulatorio. Los datos transaccionales de clientes corporativos y sus empleados están sujetos a la LFPDPPP y a las disposiciones de seguridad de la CNBV. Ningún dato de transacción puede salir hacia una API de terceros fuera de México sin análisis de impacto de privacidad y autorización contractual específica — lo que descartó de entrada cualquier solución SaaS que procese datos en servidores externos.

Operativo. El sistema de reglas generaba falsos positivos en el 18% de las transacciones legítimas bloqueadas, generando fricción con clientes corporativos que reportaban pagos de nómina detenidos sin causa aparente. El área de operaciones dedicaba 6 analistas de tiempo completo a revisión manual.

Técnico. Los patrones de fraude evolucionaban más rápido que los ciclos de actualización de reglas — un nuevo vector de ataque tardaba entre 3 y 6 semanas en convertirse en una regla de detección. Para entonces, el daño ya estaba hecho.

Latencia. El SLA de autorización era de 800 ms. Cualquier solución de IA que no cupiera en ese margen no era viable operativamente.

La solución: modelos privados on-premise con inferencia en tiempo real

BANSI eligió un enfoque de modelos propios desplegados en su infraestructura privada (data center propio en CDMX con redundancia en Querétaro), entrenados exclusivamente con sus datos históricos de transacciones.

Arquitectura de scoring en dos capas. Capa 1 — Scoring rápido (< 80 ms): un modelo de gradient boosting (LightGBM) entrenado con 18 meses de historial transaccional calcula un score de riesgo inicial basado en 47 variables: comportamiento histórico del usuario, dispositivo, geolocalización, hora, monto relativo al promedio, velocidad de transacciones en las últimas 24 horas y canal de origen. Si el score es menor a 0.15, autoriza automáticamente. Si supera 0.75, bloquea y genera alerta.

Capa 2 — Scoring contextual (< 400 ms): las transacciones en la zona gris (score 0.15-0.75) pasan a un modelo de red neuronal de grafos (GNN) que analiza las relaciones entre cuentas involucradas — identificando anillos de cuentas mula, patrones de estructuración (pitufo), y comportamiento anómalo coordinado entre múltiples cuentas en tiempo real.

Feature store en tiempo real: variables de comportamiento recalculadas en milisegundos usando Apache Kafka como backbone de streaming — el modelo siempre ve el estado actual del cliente, no el de hace 24 horas.

Retroalimentación continua: los analistas del equipo de fraude etiquetan los casos de revisión manual. Esas etiquetas alimentan el reentrenamiento semanal del modelo, que aprende de los nuevos vectores de ataque sin esperar un ciclo de actualización de reglas.

Soberanía total del dato: ninguna transacción, ningún dato de cliente y ningún output del modelo sale de la infraestructura de BANSI. La CNBV puede auditar el modelo, los datos de entrenamiento y los logs de decisión en cualquier momento — todo está dentro del perímetro regulatorio.

Resultados a 9 meses

Métrica	Antes	Después
Tiempo de decisión por transacción	800-1,200 ms	< 380 ms
Falsos positivos (transacciones legítimas bloqueadas)	18%	3.2%
Detección de fraude antes de liquidación	44%	91%
Pérdidas directas por fraude (base 100)	100	31
Analistas dedicados a revisión manual	6	2 (casos de alta complejidad)
Nuevos vectores de ataque incorporados al modelo	Semanas	< 7 días (reentrenamiento semanal)

El impacto más relevante para el negocio no fue la reducción de pérdidas — fue la recuperación de la confianza de los clientes corporativos. Las quejas por transacciones legítimas bloqueadas cayeron un 82%, y el NPS del segmento corporativo subió 31 puntos en el período.

Lo que hizo la diferencia

Modelos propios, no una caja negra de un proveedor. BANSI puede explicar cada decisión al cliente corporativo, a la CNBV y a su propio equipo de auditoría. Cuando una transacción se bloquea, el sistema genera automáticamente la justificación: qué variables activaron el riesgo y con qué peso. Eso convierte el rechazo en una conversación, no en un muro.

Infraestructura privada como decisión estratégica, no como restricción regulatoria. Más allá del cumplimiento, mantener el modelo dentro de la infraestructura propia dio a BANSI control sobre los tiempos de reentrenamiento, sobre qué datos entran al modelo y sobre cómo evoluciona — sin depender del roadmap de un proveedor externo.

El equipo de analistas como parte del sistema, no como alternativa a él. Los analistas que antes revisaban manualmente el 18% de las transacciones ahora etiquetan los 50-70 casos complejos semanales que el modelo no puede resolver con certeza. Esa retroalimentación es el activo más valioso del sistema — convierte la experiencia del equipo humano en señal de entrenamiento continua.

El contexto que lo hace replicable

La IA en 2026 dejó de ser tendencia para convertirse en elemento clave para el sector financiero mexicano, especialmente en su capacidad para análisis en milisegundos que permite bloquear transacciones sospechosas y otorgar detección preventiva y reactiva.

La Estrategia Nacional de Finanzas Digitales 2025-2030 busca flexibilizar regulaciones para fomentar la innovación, incluyendo la posibilidad de sandboxes regulatorios extendidos y colaboración público-privada en materia de ciberseguridad. Se están pilotando bases de datos compartidas de fraude entre instituciones financieras, lo que potencialmente permitiría entrenar modelos de IA con datasets más robustos y diversos.

El caso de BANSI no es excepcional — es el estándar al que las instituciones financieras mexicanas están convergiendo: modelos de IA propios, sobre datos propios, con infraestructura bajo control propio. Lo que cambia entre instituciones es qué tan rápido llegan a esa arquitectura.

---

Caso ilustrativo. Fuentes de contexto: Banxico, CONDUSEF, BioCatch Digital Banking Fraud Report 2026, Estrategia Nacional de Finanzas Digitales 2025-2030 — consultadas en julio 2026.