[VISTA PREVIA] Inteligencia Artificial en AML: Cómo las instituciones financieras pueden usar IA sin romper las normativas de cumplimiento

Última actualización: marzo de 2026

La siguiente es una vista previa de nuestra guía práctica sobre IA en ALD, desarrollada en colaboración con FS Vector. Esta guía práctica muestra a los líderes de cumplimiento cómo se implementa la IA hoy en día en las principales funciones de ALD/FRAML. Obtenga su copia hoy mismo.

En todos los sectores, los sistemas impulsados por IA se han convertido en la realidad operativa. Esa misma escala y velocidad tecnológica también está amplificando los delitos financieros. El fraude generado por IA, las identidades sintéticas, los deepfakes y las operaciones de estafa automatizadas ahora funcionan continuamente a velocidad de máquina.

Los programas de ALD tradicionales no se crearon para este entorno. El monitoreo por lotes, las investigaciones manuales y los controles a posteriori asumían que las instituciones tenían tiempo para detectar actividades sospechosas antes de que se movieran los fondos. Las transferencias de pagos en tiempo real y la liquidación de activos digitales las 24 horas del día, los 7 días de la semana, han eliminado ese margen. Las decisiones ahora se toman en segundos y el volumen de alertas no deja de aumentar.

Al mismo tiempo, los reguladores están dejando claro que no se tolerará un monitoreo ineficaz. En octubre de 2024, la FinCEN impuso una multa récord de 1.300 millones de dólares contra TD Bank e impuso una tutoría supervisada de cuatro años. La OCC señaló por separado fallos sistémicos en el monitoreo de transacciones que permitieron que cientos de millones de dólares en transacciones altamente sospechosas pasaran sin control. La supervisión se centra cada vez más no en si existen controles, sino en si realmente funcionan para detectar y detener la actividad ilícita.

Esto ha cambiado radicalmente el debate en torno a la IA en el cumplimiento ALD. La pregunta ya no es si las instituciones financieras deben utilizar la IA, sino si pueden implementar defensas nativas de IA que operen a velocidad de máquina y que, al mismo tiempo, sean explicables, gobernables y defendibles ante la llegada de un inspector.

Resumen rápido

• La IA puede reforzar enormemente la eficacia del cumplimiento ALD, pero sin una gobernanza y transparencia adecuadas, también puede aumentar la exposición regulatoria.

• La automatización a ciegas genera riesgos regulatorios cuando las decisiones no se pueden explicar, gobernar ni auditar.

• Tres salvaguardas hacen que la IA sea defendible: explicabilidad, gobernanza alineada con los principios de riesgo de modelo SR 11-7 y una clara responsabilidad humana en las decisiones de escalamiento.

• Ya están surgiendo casos de uso de IA de gran valor, como la clasificación de alertas, los resúmenes de investigación, la reducción de falsos positivos en sanciones, el apoyo a la debida diligencia mejorada y la automatización del control de calidad.

• Las decisiones críticas deben seguir bajo control humano, incluidas las determinaciones finales de reportes de operaciones sospechosas (ROS), las aprobaciones de incorporación de alto riesgo y las confirmaciones de coincidencias reales de sanciones.

De la documentación al control en tiempo real

Históricamente, el cumplimiento de ALD se ha tratado como un centro de costos, cuyo éxito se medía por el cumplimiento de los requisitos de documentación y presentación de informes. Pero los reguladores evalúan cada vez más los programas de ALD como sistemas de control en tiempo real. Quieren pruebas de que las instituciones pueden detectar y detener la actividad ilícita a medida que ocurre.

La IA lo hace posible. Utilizada de forma adecuada, puede priorizar alertas, reunir el contexto de varios sistemas, reducir la carga de trabajo de investigación y detectar patrones emergentes con mayor rapidez que la revisión manual por sí sola. Pero esa misma velocidad que genera eficiencia también introduce riesgos. La automatización sin gobernanza aumenta la exposición regulatoria en lugar de reducirla.

Las instituciones que están teniendo éxito con la IA no están reemplazando a los investigadores, sino potenciándolos. La IA se encarga de la escala y la repetición; los humanos conservan el criterio, la autoridad para escalar decisiones y la responsabilidad.

Qué buscan los reguladores en los programas de ALD con IA

Los reguladores no están necesariamente en contra de la IA y, por lo general, reconocen que la analítica avanzada puede ayudar a las instituciones a abordar riesgos de delitos financieros cada vez más complejos. Sin embargo, las expectativas de supervisión suelen centrarse en cómo se gobiernan y controlan estas tecnologías.

En los exámenes regulatorios y las acciones de control suelen aparecer varios temas comunes:

• Las decisiones de monitoreo influenciadas por la IA deben explicarse en un lenguaje claro y sencillo

• Los modelos que afectan a las decisiones de riesgo suelen encuadrarse dentro de los marcos de gestión de riesgos de modelos

• La responsabilidad humana en las decisiones de escalamiento sigue siendo un aspecto fundamental

• Cada vez se pide más a las instituciones que demuestren una eficacia real en el mundo real, no solo el rendimiento técnico de los modelos

En muchos casos, el escrutinio regulatorio se centra menos en la sofisticación de un modelo y más en si las instituciones pueden demostrar que los sistemas de monitoreo funcionan de manera confiable, se mantienen controlados y producen resultados significativos en la detección de riesgos.

Las tres salvaguardas para una IA responsable en ALD

En todas las instituciones financieras que experimentan con la IA en los programas de ALD, suelen aparecer de forma constante tres temas: explicabilidad, gobernanza y responsabilidad.

Estos principios funcionan menos como reglas estrictas y más como salvaguardas prácticas que ayudan a las organizaciones a equilibrar la automatización con las expectativas de los reguladores. Reflejan cómo las instituciones están pensando la implementación de la IA manteniendo la transparencia y la supervisión.

Salvaguarda 1: Explicabilidad

La primera salvaguarda es la explicabilidad. Cada decisión influenciada por la IA debe tener una lógica clara descrita en un lenguaje sencillo y una ruta de decisión que se pueda rastrear. Los investigadores y reguladores necesitan entender no solo que se produjo una alerta, sino también por qué se produjo.

En la práctica, esto significa que las instituciones deben ser capaces de reconstruir las señales que desencadenaron la alerta, los factores que más influyeron en la puntuación de riesgo y el flujo de trabajo o la versión del modelo específicos que produjeron el resultado. Con ese nivel de trazabilidad, los investigadores pueden revisar las alertas de forma más eficiente y los reguladores pueden comprobar que el sistema funciona según lo previsto.

La explicabilidad es lo que hace que la IA sea defendible en auditorías e inspecciones. Si un equipo de cumplimiento no puede explicar por qué se marcó una transacción, o por qué no se hizo, la institución no puede demostrar de forma creíble que tiene el control de su programa de monitoreo.

Salvaguarda 2: Gobernanza

La segunda salvaguarda es la gobernanza. Los modelos de IA utilizados en ALD deben tratarse como modelos de alto riesgo y gestionarse conforme a marcos de gestión de riesgos de modelos establecidos, como la norma SR 11-7.

Esa gobernanza suele comenzar antes de la implementación. Las instituciones validan los modelos para confirmar su solidez conceptual, verificar la integridad de los datos de entrada y evaluar el rendimiento en condiciones reales. La validación analiza no solo la precisión general, sino también los falsos positivos, los falsos negativos y la sensibilidad a los cambios en los límites o las entradas de datos.

La gobernanza continúa después de la implementación. Dado que el comportamiento financiero y las tácticas delictivas evolucionan, las instituciones deben monitorear continuamente el rendimiento del modelo para detectar desviaciones o cambios inesperados. Las actualizaciones importantes de los modelos, reglas o límites deben tramitarse mediante procesos documentados de control de cambios y, cuando sea necesario, mediante una revalidación formal. Esto garantiza que los sistemas de IA se mantengan estables, controlados y auditables a lo largo del tiempo.

Salvaguarda 3: Responsabilidad

Si bien la IA puede acelerar significativamente los flujos de trabajo de ALD, la responsabilidad de las decisiones críticas sobre riesgos debe seguir recayendo en las personas.

La IA puede clasificar alertas, reunir el contexto de las transacciones, identificar conexiones entre cuentas y redactar resúmenes de investigación que ayuden a los analistas a avanzar más rápido en los casos. Estas capacidades reducen el trabajo repetitivo y permiten a los investigadores centrarse en patrones de actividad más complejos.

Sin embargo, las decisiones de escalamiento y la presentación de reportes de operaciones sospechosas (ROS) deben seguir en manos de personas. Determinar si una actividad representa lavado de dinero, fraude o un comportamiento legítimo pero inusual requiere un juicio contextual y una responsabilidad regulatoria que los algoritmos no pueden replicar.

En la práctica, los programas de ALD eficaces tratan a la IA como un facilitador de la investigación y no como un sistema autónomo de toma de decisiones. La automatización se encarga de la escala y del reconocimiento de patrones, mientras que los investigadores experimentados conservan la responsabilidad de la interpretación, el escalamiento y las decisiones finales de presentación de reportes.

Es decir, la automatización asiste a los investigadores en lugar de reemplazarlos.

Validación de modelos: la base de una IA ALD defendible

La validación de modelos juega un papel importante a la hora de convertir la IA de una capacidad técnica a una herramienta de gestión de riesgos controlada. Antes de la implementación, los procesos de validación suelen evaluar la solidez conceptual, la integridad de los datos y el rendimiento del modelo en condiciones reales. También se pueden realizar pruebas paralelas comparándola con los sistemas de monitoreo existentes para contrastar los resultados.

Una vez implementada, las instituciones suelen monitorear métricas de rendimiento, como el volumen de alertas, los resultados de detección e indicadores de desviación en el modelo. Los cambios significativos en los modelos o límites pueden requerir una revisión adicional o una revalidación.

Estas prácticas ayudan a garantizar de forma estructurada que los sistemas de monitoreo basados en IA se comprendan, supervisen y controlen a lo largo del tiempo.

Dónde se utiliza la IA actualmente en los programas de ALD

La adopción de la IA en los programas de ALD ya está teniendo un impacto operativo en diversos ámbitos. Las aplicaciones más comunes incluyen:

• Incorporación de clientes y KYC (Conozca a su cliente): La IA puede facilitar la verificación de la identidad, el análisis de documentación y la calificación dinámica de riesgos mediante el análisis de datos estructurados de incorporación y señales de comportamiento.

• Clasificación del monitoreo de transacciones: Los modelos de machine learning y los agentes de IA pueden priorizar las alertas, identificar relaciones entre cuentas y reunir el contexto de la investigación antes de que un analista revise el caso.

• Detección de sanciones: Las técnicas de IA, como la resolución de entidades, pueden ayudar a reducir los falsos positivos al analizar diversos atributos de identidad en lugar de depender únicamente de la coincidencia de nombres.

• Debida diligencia mejorada: Los sistemas de IA pueden recopilar el historial de transacciones, noticias adversas e información contextual para ayudar a los investigadores a desarrollar una visión más completa de la actividad del cliente.

• Control y aseguramiento de calidad: Las herramientas de control de calidad impulsadas por IA pueden revisar los resultados de las investigaciones a escala, detectando imprecisiones o patrones emergentes que puedan indicar lagunas de capacitación o deficiencias en los procedimientos.

En todos estos casos de uso, la IA puede mejorar la eficiencia mientras los investigadores conservan la responsabilidad de evaluar el riesgo y tomar las decisiones finales sobre los reportes.

La transición hacia la inteligencia aumentada en ALD

Uno de los cambios más importantes que se están produciendo en materia de ALD podría ser más bien conceptual que tecnológico. Históricamente, los programas de ALD solían medir el esfuerzo realizado; por ejemplo, cuántas alertas revisaban los investigadores o con qué rapidez se cerraban los casos.

Cada vez más, la atención se centra en la eficacia: si los programas de monitoreo identifican realmente la actividad sospechosa y escalan los casos relevantes. Las tecnologías de IA pueden facilitar esta transición ayudando a las instituciones a analizar grandes conjuntos de datos, identificar patrones de comportamiento y detectar posibles señales de riesgo con mayor rapidez.

Sin embargo, los programas de ALD más eficientes suelen combinar la automatización con la experiencia humana. En lugar de sistemas totalmente autónomos, muchas instituciones se están orientando hacia modelos de inteligencia aumentada, donde la IA agiliza los procesos de investigación mientras los analistas humanos siguen aportando el criterio y la responsabilidad.

En un entorno donde la actividad financiera (y los delitos financieros) operan a velocidad de máquina, una IA explicable y con una buena gobernanza se está convirtiendo cada vez más en un requisito básico para los programas de ALD modernos.

Obtenga la guía completa a continuación.

LIBRO ELECTRÓNICO GRATUITO

De Oscilar + FS Vector

Obtenga la guía completa a continuación.

LIBRO ELECTRÓNICO GRATUITO

De Oscilar + FS Vector

Obtenga la guía completa a continuación.

LIBRO ELECTRÓNICO GRATUITO

De Oscilar + FS Vector

Obtenga la guía completa a continuación.

LIBRO ELECTRÓNICO GRATUITO

De Oscilar + FS Vector

Obtenga la guía completa a continuación.

LIBRO ELECTRÓNICO GRATUITO

De Oscilar + FS Vector

Preguntas frecuentes: la IA en el cumplimiento de ALD y las expectativas regulatorias

¿Pueden las instituciones financieras utilizar la IA para el cumplimiento de ALD?

Sí. Muchas instituciones financieras están explorando el uso de la IA y la analítica avanzada para apoyar el monitoreo y las investigaciones de ALD. El debate regulatorio suele centrarse en constatar si estas tecnologías garantizan la explicabilidad, la gobernanza y la responsabilidad humana.

¿Qué significa IA explicable en el contexto de ALD?

La IA explicable se refiere a la capacidad de comprender y reconstruir los motivos por los que un sistema de monitoreo produjo un resultado concreto. Esto puede implicar la identificación de las señales que desencadenaron una alerta, los factores que influyen en una puntuación de riesgo y el flujo de trabajo o la versión de modelo responsable de la decisión.

¿Permiten los reguladores el uso de modelos de machine learning en el monitoreo de ALD?

Los reguladores no prohíben el machine learning en el monitoreo de ALD. Sin embargo, por lo general se espera que las instituciones demuestren una gobernanza, validación y supervisión adecuadas cuando los modelos avanzados influyen en las decisiones de riesgo.

¿Qué tareas de ALD suelen apoyarse hoy en día en la IA?

La IA se utiliza habitualmente para la clasificación de alertas, la redacción de resúmenes de investigación, la optimización de filtros de sanciones, la investigación en debidas diligencias mejoradas y el análisis de control de calidad.

¿Qué decisiones de ALD suelen seguir estando bajo control humano?

Las decisiones de escalamiento y la presentación de reportes de operaciones sospechosas suelen seguir siendo responsabilidad de investigadores humanos, ya que requieren un juicio de valor contextual y conllevan una responsabilidad regulatoria.

¿Cómo validan las instituciones los modelos de IA utilizados en ALD?

La validación de modelos suele incluir la revisión del diseño conceptual, la evaluación del rendimiento del modelo, el análisis de falsos positivos y falsos negativos, y el monitoreo continuo de los modelos tras su implementación para detectar desviaciones en su comportamiento.