Agentes de IA autónomos en la gestión de fraude y riesgos

Última actualización: octubre de 2026

Los agentes autónomos de IA están pasando de ser simples demostraciones a integrarse en las operaciones de fraude, prevención de lavado de dinero (AML), onboarding y crédito. Aquí es donde la palabra "autónomo" suele generar confusión. En la gestión de fraudes y riesgos, un agente de IA es un colaborador con tareas delimitadas: persigue un objetivo definido a través de varios pasos, recopila y organiza la evidencia, recomienda una resolución explicando los motivos, y una persona decide. El nivel de acción que un agente puede realizar sin revisión es un alcance que la propia institución define, caso por caso, y que puede justificar ante un auditor. Esta guía detalla qué es y qué no es un agente, dónde operan hoy en día, qué significa la autonomía en un flujo de trabajo regulado y cómo avanzar con éxito de una prueba piloto a la fase de producción.

Resumen ejecutivo

• Un agente autónomo de IA en la gestión de fraudes y riesgos planifica y ejecuta varios pasos para lograr un objetivo, entregando el caso ya resuelto a un analista. A diferencia de una regla que se activa, un modelo que genera una puntuación o una instrucción simple que responde una sola vez; el agente trabaja en una tarea específica dentro de unos límites establecidos.

• El agente recomienda y presenta sus evidencias, y un analista toma la decisión final. De hecho, muchos compradores aceptan la tecnología bajo esta condición indispensable.

• Actualmente, los agentes realizan tareas clave en investigaciones de fraude, revisión de alertas de AML, recopilación de pruebas para onboarding y operaciones de crédito. Las instituciones suelen ser más cautas al delegar decisiones de crédito, resoluciones de casos e informes de actividad sospechosa (SAR).

• La autonomía debe ser un permiso que la institución concede, justifica y puede revocar. La guía interbancaria sobre riesgo de modelos, revisada en abril de 2026, deja fuera de su alcance a la IA basada en agentes, por lo que son las propias instituciones las que definen esos límites.

• El camino hacia la producción requiere de procesos sólidos, integración con la tecnología existente, pruebas comparativas con las decisiones de los analistas, ejecución en paralelo y control de cambios.

¿Qué es un agente autónomo de IA en la gestión de fraudes y riesgos?

Un agente autónomo de IA en este sector es un sistema orientado a objetivos que realiza de forma independiente varios pasos de una investigación: recopila datos, consulta fuentes, contrasta la información con las políticas internas y redacta una recomendación. Finalmente, entrega el caso resuelto a un especialista para que decida, aportando todas las pruebas y razonamientos correspondientes.

A menudo se confunden cuatro tipos de automatización:

• Una regla se activa cuando se cumple una condición establecida. Hace siempre lo mismo, de la misma manera.

• Un modelo genera una puntuación o una clasificación. No recopila evidencias ni arma un expediente.

• Una consulta única a un modelo de lenguaje (prompt) responde una sola vez. No deja un registro fiable de cómo llegó a la respuesta ni tiene límites claros sobre qué información procesa.

• Un agente realiza una tarea dentro de unos límites definidos. Elige el siguiente paso a seguir, utiliza las herramientas y datos asignados y se detiene en el punto exacto donde corresponde decidir a una persona.

En la práctica, la diferencia entre una simple consulta y un agente es fundamental. El responsable de tecnología de una gestora de activos describió una prueba piloto anterior que clasificaba alertas de delitos financieros usando solo un modelo de lenguaje general con prompts. El proceso no era auditable ni explicable, los resultados contenían errores y el piloto se canceló rápidamente.

El mismo responsable describió la estructura que sí funciona: "necesitas filtros deterministas al inicio, el modelo de lenguaje en el centro y filtros deterministas al final". Verificaciones fijas deciden qué información llega al modelo de lenguaje y controles automáticos evalúan lo que produce. Así, el modelo se encarga de leer y resumir (su fuerte) mientras que las reglas garantizan que las decisiones sean coherentes día tras día.

Lo que un agente autónomo no es: el tomador de decisiones

Un agente autónomo no toma la decisión final. Su función es proponer una resolución y mostrar la evidencia que la respalda; la decisión última corresponde siempre a un analista o investigador.

Los compradores evalúan este aspecto antes que cualquier otro. Durante una fase de pruebas, el director de operaciones de un banco preguntó de inmediato si el agente ejecutaba la decisión por sí mismo o si alertaba a alguien para que actuara, y qué nivel de permisos tenía.

Para muchos equipos, esta respuesta determina si la tecnología es aceptable o no. Un responsable de la Ley de Secreto Bancario (BSA) en un banco regional lo resumió así: "No se trata de que el sistema redacte la resolución definitiva, sino de que nos dé la recomendación para que nosotros la resolvamos, ¿es así?".

Actualmente, ciertas decisiones en los programas de AML deben seguir en manos de personas: la presentación final de informes de actividad sospechosa (SAR), la aprobación de clientes de alto riesgo y la confirmación de coincidencias en listas de sanciones. Esto es por una cuestión de responsabilidad. Ante cualquier decisión, la entidad debe demostrar a los reguladores cómo se llegó a ella y quién la aprobó, con un historial de auditoría claro. Un agente facilita la preparación de ese expediente, pero no asume la responsabilidad de la decisión.

Dónde trabajan hoy los agentes de IA en fraude, AML, onboarding y crédito

En el sector financiero, los agentes de IA se encargan principalmente de recopilar información y redactar informes de soporte en las áreas de fraude, AML, onboarding y operaciones de crédito. La decisión final recae en una persona, y el nivel de detalle de la revisión manual depende del nivel de riesgo.

Esta tabla muestra ejemplos prácticos del trabajo de los agentes. El alcance final dependerá de la política interna de cada entidad.

En el ámbito del fraude, el uso de agentes se enfoca más en dar soporte a la investigación de alertas que en el propio modelo de detección. El agente recopila todo el contexto que antes un analista buscaba manualmente, permitiéndole empezar a trabajar directamente sobre un caso ya estructurado.

En AML, la clasificación inicial de alertas de primer nivel suele ser el punto de partida habitual. La forma en que estos procesos evolucionan en un programa de cumplimiento, desde la revisión preliminar hasta la decisión de emitir un SAR, se analiza en lo que la IA cambia en un programa de AML.

El proceso de onboarding ilustra muy bien la segmentación por niveles de riesgo. Una responsable de operaciones de cumplimiento para onboarding en un banco explicó que mantienen la revisión humana en todas las categorías de riesgo alto o debida diligencia mejorada, mientras buscan una mayor automatización para sectores de menor riesgo.

En el área de crédito es donde más cautela se observa. El mismo director de operaciones señaló que la confianza varía según la tarea: las actividades rutinarias y de bajo impacto son viables, pero en la toma de decisiones críticas de crédito, el banco prefiere mantener por ahora un enfoque conservador.

La velocidad no es la única ventaja. Un director de operaciones de detección en una gran entidad financiera destacó que el beneficio principal es la consistencia, algo muy difícil de mantener para los equipos humanos cuando el volumen de alertas es masivo.

Qué debe significar la autonomía en un proceso regulado

En un entorno regulado, la autonomía no es una característica del software, sino un nivel de confianza que la institución concede, documenta y puede revocar en cualquier momento. Este control se apoya en cuatro pilares:

1. Autoridad definida. La institución detalla formalmente qué acciones puede realizar el agente, en qué tipos de decisiones y en qué punto debe detenerse para transferir el control a un humano.

2. Evidencia auditable. Cada propuesta del agente debe incluir los datos de origen y el razonamiento lógico utilizado, permitiendo que un revisor o auditor pueda seguir todo el proceso.

3. Evaluación de desempeño. Las sugerencias del agente se contrastan de forma continua con las decisiones de analistas expertos, tanto antes de la puesta en marcha como durante la producción.

4. Gestión del cambio. Cualquier modificación en las funciones del agente requiere un proceso formal de aprobación, igual que se haría con un cambio en una regla o modelo tradicional.

El nivel de autonomía se adapta al tipo de decisión y su riesgo. El mismo director de operaciones describió el diseño de flujos de trabajo en torno a un "límite" que define "lo que los agentes tienen permitido hacer con el tiempo". El objetivo es ampliar ese límite a medida que se acumula evidencia de buen funcionamiento, sin tener que rediseñar el sistema desde cero cada vez.

Otorgar autonomía demasiado pronto puede causar problemas a gran escala. Un subdirector de BSA en un banco advirtió que "las próximas sanciones de los reguladores podrían ir dirigidas a entidades que desarrollen agentes de IA internos para archivar alertas de forma automática, pero con datos de entrada y salida deficientes". Un agente que opera con datos de baja calidad o procesos débiles multiplicará los errores mucho más rápido que cualquier equipo humano.

El marco regulatorio aún se está definiendo. La guía interbancaria sobre riesgo de modelos, revisada en abril de 2026, excluye explícitamente a la IA basada en agentes de su alcance. Los organismos reguladores señalaron que prevén solicitar información sobre la gestión de riesgo de modelos que evalúe el uso de IA y agentes en los bancos, un proceso que a fecha de octubre de 2026 aún no se ha iniciado. Por su parte, la propuesta de FinCEN de abril de 2026 sobre programas de AML/CFT anima a las instituciones a evaluar si las nuevas tecnologías, como el aprendizaje automático y la IA generativa, pueden ayudar a combatir los delitos financieros de forma más eficaz.

Mientras los reguladores no definan límites más claros, muchos equipos prefieren actuar con prudencia. Un responsable de cumplimiento de sanciones de una entidad financiera entiende que el criterio supervisor actual exige que un humano tome la decisión final en lugar de delegarla en la IA, aunque asume que esto podría cambiar en los próximos años.

¿Debe un agente de IA cerrar o escalar una alerta por sí mismo?

Actualmente, la mayoría de los equipos regulados exigen la validación humana para cada resolución. El cierre automático de alertas sin revisión se contempla únicamente para casos muy específicos y de bajo riesgo definidos por la política interna, y solo después de que el agente haya demostrado su fiabilidad. En la práctica, las entidades se sitúan en diferentes puntos de este espectro:

• Solo recomendación. El agente organiza el expediente y sugiere una resolución; un analista revisa y toma la decisión para cada alerta.

• Recomendación con validación rápida. Para alertas sencillas, el analista aprueba o descarta la sugerencia del agente con un solo clic, apoyándose en la información que ya ha sido recopilada.

• Cierre automático de casos específicos. Las normas internas de la entidad definen un grupo específico de alertas que pueden cerrarse sin intervención humana, siempre que las pruebas previas demuestren que las sugerencias del agente coinciden plenamente con el criterio de los analistas.

Existe debate en torno a esta tercera opción, a veces dentro de la misma organización. En la evaluación de un banco, un responsable de BSA/AML preguntó si se podrían archivar de forma automática las alertas por debajo de un determinado límite económico. Un directivo del mismo banco se opuso firmemente: "No tiene sentido activar una alerta para que luego el sistema la cierre solo". En cambio, un responsable de cumplimiento de una cooperativa de crédito se mostró más abierto a archivar de forma automática y rápida lo que su equipo considera alertas irrelevantes.

A pesar del debate, el límite real suele ser bastante claro. Un especialista de cumplimiento bancario no prevé que un agente gestione expedientes complejos ni decida sobre informes SAR a corto plazo, pero ve lógico que muchas entidades adopten agentes de IA para la fase inicial de clasificación. Asimismo, un directivo de cumplimiento de un banco asociado advirtió que, aunque la tecnología permita automatizar hasta la presentación de un SAR, "que podamos hacerlo no significa que debamos hacerlo", dado que los reguladores exigirán un control de calidad sumamente estricto.

Para avanzar en este nivel de automatización, primero hay que reunir pruebas sólidas. El banco que advirtió sobre las posibles sanciones prefiere una estrategia de evolución progresiva: el agente realiza la mayor parte del trabajo de investigación y los analistas validan y aprueban cada alerta. Cualquier transición hacia el cierre automatizado solo se plantearía tras consolidar un historial fiable de alertas, realizar pruebas en paralelo que verifiquen el rendimiento del agente y superar las auditorías internas del modelo. Un director de cumplimiento de AML de otra entidad coincidió en esta misma ruta: empezar dando soporte con supervisión humana constante, dejando cualquier paso posterior sujeto a rigurosas auditorías de calidad.

Tampoco se debe permitir que los agentes aprendan por su cuenta de forma libre. Un miembro del equipo de cumplimiento de la misma cooperativa de crédito esperaba que el sistema aprendiera de las alertas repetitivas para cerrarlas por sí mismo en el futuro. Sin embargo, en un entorno regulado, el comportamiento de un agente solo debe cambiar mediante una actualización formal y autorizada por la dirección, garantizando que la entidad pueda explicar detalladamente qué hizo el agente en cualquier fecha y por qué.

El camino del piloto a la producción

Las instituciones que logran implementar con éxito estos agentes en producción suelen seguir un proceso de seis pasos: optimizar los procesos internos, integrar el agente en la infraestructura existente, decidir el modelo de desarrollo (interno o externo), validar su precisión frente a analistas, realizar pruebas en paralelo y documentar cada cambio.

1. Optimizar los procesos primero. Un responsable de tecnología y control de programas de AML en un banco asociado explicó su enfoque: primero se reforzaron y actualizaron las normas internas, y solo entonces el equipo buscó agentes de IA para automatizar el trabajo operativo. Un agente ejecuta un procedimiento; no puede solucionar un proceso que ya es deficiente.

2. Adaptar el agente a la infraestructura actual. El agente debe interactuar con las herramientas de origen de la entidad y registrar sus propuestas directamente en el gestor de casos que utilizan los analistas. Los aspectos técnicos de este proceso se detallan en cómo añadir agentes de IA a tu infraestructura de riesgo actual.

3. Decidir entre desarrollo propio o contratación. Ambas opciones son válidas, pero en cualquier caso la responsabilidad de validar y auditar el sistema recae sobre la propia entidad financiera.

4. Validar la precisión antes de la puesta en marcha. Pruebe el agente primero con alertas históricas y luego en modo pasivo en paralelo con los analistas. Compare las sugerencias del agente con las decisiones reales de los humanos para medir el porcentaje de coincidencia. Este procedimiento se explica en cómo evaluar un agente de riesgo de IA antes de su producción. Además, cualquier prueba de concepto debe concluir evaluándose frente a los criterios de aceptación acordados inicialmente. Para los equipos de AML que analizan una plataforma integral en lugar de un único agente, se recomienda consultar cómo evaluar una plataforma de AML impulsada por IA.

5. Ejecutar pruebas en paralelo para facilitar el proceso de auditoría. Un directivo de gestión de riesgos de un banco asociado aconsejó operar ambos sistemas simultáneamente para que los reguladores se familiaricen con la tecnología de forma gradual. Del mismo modo, un director de operaciones planeaba actualizar el proceso por fases y de manera estructurada para generar confianza y evitar cualquier percepción de improvisación.

6. Controlar cada cambio. Asegure la gestión de accesos, registre el historial de cada resolución y exija aprobaciones formales para cualquier cambio en las funciones del agente. Los detalles se encuentran en la guía sobre cómo gobernar agentes de IA en operaciones de riesgo.

Errores comunes en los proyectos piloto

• Confundir un prompt de texto con un agente. Utilizar un modelo de lenguaje para responder a alertas sin reglas ni controles de verificación genera resultados que no se pueden auditar.

• Conceder autonomía sin medir antes la precisión. Archivar alertas de forma automática antes de comprobar si las decisiones del agente coinciden con las de los analistas deja a la entidad sin argumentos de defensa ante una auditoría.

• Automatizar procesos o datos deficientes. El agente simplemente replicará y multiplicará a gran escala los errores del sistema base.

• Esperar que el agente aprenda por sí mismo. Un sistema cuyo comportamiento cambia de forma impredecible y sin supervisión humana es un sistema que no se puede justificar ante un regulador.

Preguntas frecuentes

¿Son realmente autónomos los agentes de IA en la gestión de riesgos?

Solo dentro de ciertos límites. Un agente de IA en un flujo de trabajo regulado ejecuta de manera independiente los pasos de una tarea específica sin necesidad de instrucciones constantes, pero es la institución la que define su marco de actuación. Las decisiones de cumplimiento o las que impactan directamente al cliente siguen en manos humanas, de modo que la autonomía se aplica a las tareas operativas mientras que el criterio final se reserva para las personas.

¿Pueden los agentes de IA integrarse con los sistemas de riesgo actuales de una entidad?

Sí. El agente se integra sobre las herramientas existentes de monitorización de transacciones, gestión de casos y bases de datos, recopilando información de ellas y guardando sus sugerencias directamente en el entorno de trabajo del analista, sin necesidad de reemplazar la tecnología actual. Estas integraciones se explican en la guía para añadir agentes de IA a la infraestructura de riesgo actual.

¿Cómo se gestionan la supervisión humana, la auditabilidad y el rendimiento de los agentes?

Con las mismas metodologías que se aplican a los modelos y reglas de negocio: autorización explícita de funciones, registro completo de cada recomendación y sus pruebas, análisis de coincidencia con las decisiones de los analistas y aprobación de cada cambio. Los detalles sobre accesos, auditoría y control de cambios se encuentran en la guía para gobernar agentes de IA en operaciones de riesgo.

¿La regulación actual de riesgo de modelos incluye a los agentes de IA?

Por el momento no. La actualización de la guía interbancaria sobre gestión del riesgo de modelos del 17 de abril de 2026 (Federal Reserve SR 26-2, OCC Bulletin 2026-13 y FDIC FIL-15-2026) señala explícitamente en el boletín de la OCC: "Los modelos de IA generativa y de IA basada en agentes son innovadores y evolucionan rápidamente. Por lo tanto, quedan fuera del alcance de esta guía". Los reguladores tienen previsto solicitar información sobre este tema para evaluar el uso de IA y agentes, un proceso que a fecha de octubre de 2026 aún no se ha iniciado.

El papel de Oscilar

Los agentes de Oscilar pueden implementarse como una solución independiente sobre la tecnología ya existente de la entidad, o como parte integrada de la plataforma unificada de Oscilar. Están diseñados bajo un enfoque de supervisión humana activa (human-in-the-loop), donde un analista valida cada recomendación y se guarda un registro completo de auditoría y análisis de cada decisión. La institución define en todo momento los límites operativos de cada agente.

Para conocer el tipo de tareas de investigación, revisión y redacción que pueden optimizar, consulte los agentes de Oscilar o programe una demostración con nuestro equipo.