Reduzca los falsos positivos de AML sin perder cobertura

Última actualización: Septiembre de 2026

La manera defendible de reducir los falsos positivos en prevención de blanqueo de capitales (AML) es dotar a cada alerta del contexto que diferencia un comportamiento esperado de uno imprevisto, en lugar de elevar los umbrales hasta que el volumen de alertas parezca aceptable. Un umbral más alto reduce el volumen de alertas pero merma la cobertura al mismo tiempo. El contexto disminuye el volumen de alertas manteniendo la cobertura de tipologías. Cada ajuste se somete a pruebas bajo la línea, se documenta y es firmado por una persona, de modo que la entidad pueda demostrar al inspector que nada sospechoso ha quedado fuera.

TL;DR (Resumen rápido)

• Un umbral más alto reduce alertas y cobertura simultáneamente. Añadir contexto (segmento, historial del cliente, contrapartes, cuentas vinculadas, tipología) disminuye las alertas manteniendo la cobertura.

• Segmente a los clientes para que cada uno sea comparado con homólogos reales y no con todos los clientes de una misma categoría general.

• Pruebe cada ajuste por encima y por debajo de la línea. La muestra por debajo de la línea es la prueba de que se mantuvo la cobertura de tipologías.

• Registre cada cambio: qué cambió, por qué, la población analizada, los resultados, quién lo aprobó y cuándo entró en vigor.

• Las directrices revisadas sobre riesgo de modelos (SR 26-2, Boletín OCC 2026-13 y FDIC FIL-15-2026, todas del 17 de abril de 2026) sustituyeron a SR 11-7 y SR 21-8. Las pruebas, validación, seguimiento y gobernanza siguen siendo el marco de referencia.

• Los agentes de IA pueden preparar revisiones de alertas y señalar las reglas que necesitan ajuste. Los analistas siguen decidiendo y la entidad sigue siendo propietaria de cada umbral.

¿Cómo reducir los falsos positivos en AML sin omitir actividades sospechosas?

Se reducen los falsos positivos de AML aportando a cada alerta más información sobre el cliente y manteniendo los umbrales hasta que las pruebas justifiquen un cambio. Cuatro prácticas logran la mayor parte del trabajo:

1. Añada contexto a las alertas. Compare la actividad con el historial del propio cliente, su segmento afín, sus contrapartes y cuentas vinculadas, y asocie cada alerta con la tipología que busca detectar.

2. Segmente a los clientes. Defina umbrales y escenarios por segmento, de forma que un gran distribuidor y un trabajador autónomo no sean evaluados bajo el mismo criterio.

3. Pruebe cada cambio por encima y por debajo de la línea. Compruebe que las alertas restantes sean productivas y que la actividad que ya no activa alertas no sea sospechosa.

4. Mantenga la firma y aprobación humana. Una persona decide cada resolución y una persona aprueba cada ajuste, conservando el registro para los inspectores.

El motivo rara vez es conseguir una cifra menor por el simple hecho de reducirla. Un director de cumplimiento y AML de un banco lo describió así: "Quiero atrapar realmente a los delincuentes y no quiero que mi equipo pierda el tiempo gestionando falsos positivos. Quiero que utilicen el cerebro, no que trabajen en tareas que la máquina podría resolver".

Por qué el monitoreo de AML genera tantos falsos positivos

El monitoreo de transacciones de AML genera muchos falsos positivos porque la mayoría de los programas aplican umbrales estáticos a clientes muy diversos y envían alertas a los analistas con muy poco contexto asociado. Tres causas se repiten habitualmente en bancos y fintechs.

Umbrales únicos para todos. Un único umbral de efectivo o velocidad aplicado a clientes particulares, pequeñas empresas y corporativos genera alertas constantes sobre aquellos clientes cuya actividad habitual está cerca de ese límite. El umbral puede ser adecuado para un segmento y fallar en otros para los que nunca fue calibrado. En un banco patrocinador, este problema se repite en cada programa fintech, un tema detallado en una guía aparte sobre la supervisión de AML en bancos patrocinadores.

Alertas sin contexto. Una alerta que solo indica que una transacción parece inusual no es útil para actuar. Lo que hace que una alerta sea procesable es el contexto asociado: qué hace normalmente la cuenta, cómo se comportan sus homólogos, quiénes son las contrapartes y qué más está vinculado a ella. Sin ese contexto, el analista debe reconstruirlo manualmente para cada alerta, y la mayor parte del trabajo termina descartándose. La misma lógica se aplica tanto si las alertas se generan por lotes como mediante un monitoreo de transacciones en tiempo real.

Reglas que se acumulan. Se añaden escenarios tras el hallazgo de una auditoría o una nueva tipología, y rara vez se retiran. Cada uno añade su propio flujo de alertas, y nadie se responsabiliza de evaluar si ese flujo sigue aportando valor.

El falso negativo es el verdadero riesgo

Un falso positivo cuesta tiempo al analista. Un falso negativo es una actividad sospechosa que nunca llega a ojos del analista y, potencialmente, un informe de actividad sospechosa (SAR) que nunca se presenta. Cualquier esfuerzo para reducir falsos positivos en AML debe demostrar que no ha generado falsos negativos, por lo que los equipos experimentados actúan con prudencia.

Un director global de operaciones de cumplimiento de una firma de criptoactivos señaló: "Fuimos muy cuidadosos de no ajustar en exceso el sistema para asegurarnos de que no se nos escapara nada. Preferimos ver más alertas que quedarnos cortos".

El volumen sigue importando a los reguladores. Un director de cumplimiento de una filial bancaria mencionó que su supervisor les había señalado que el banco generaba más alertas que otras entidades similares por tamaño y volumen. Los inspectores detectan volúmenes de alertas desalineados con los del sector, y una caída imprevista suscita las mismas sospechas que un aumento repentino.

Hay dos problemas cercanos que no abordamos aquí. Los falsos positivos por coincidencia de nombres en las listas de sanciones y PEP provienen de la lógica de coincidencia, no de los umbrales de monitoreo, y se ajustan de manera distinta. Los falsos rechazos en la prevención del fraude implican un coste diferente —la fricción con el cliente y la pérdida de ingresos— y se tratan en una guía específica para reducir falsos positivos en fraude.

Elevar umbrales frente a añadir contexto

Tanto elevar un umbral como añadir contexto reducen la tasa de falsos positivos en AML, pero solo el contexto lo consigue manteniendo la cobertura de las tipologías. Un umbral más alto elimina alertas de forma general en el límite, sin importar si eran sospechosas o no, por lo que las alertas descartadas incluirán algunas importantes. El contexto elimina las alertas que se explican por la identidad del cliente y su actividad habitual, conservando las que no tienen explicación lógica.

Ambas opciones se ven iguales en un gráfico de volumen de alertas. Solo una de ellas puede responder a la pregunta de control del inspector.

El contexto se concreta de varias formas: el segmento del cliente y su actividad prevista, su historial de transacciones, sus contrapartes, las cuentas vinculadas y la tipología de delito que la alerta pretende detectar. Un responsable de la Unidad de Inteligencia Financiera (UIF) de un banco patrocinador describió reglas que evaluaban la actividad a nivel de instrumento cuando debían hacerlo a nivel de entidad. Reescribir esas reglas para analizar la entidad redujo notablemente una categoría de alertas, sin necesidad de elevar un solo umbral.

El contexto también debe llegar al analista que gestiona la alerta. La prueba operativa de explicabilidad consiste en que cada alerta muestre sus motivos, de modo que el analista pueda ver por qué se activó y qué la diferencia de la conducta habitual del cliente. Las reglas siguen siendo parte de la solución: como señaló el director de riesgos de un banco digital, "Siempre habrá analistas ajustando reglas porque no todo puede estar en un modelo". Si la detección debe realizarse mediante reglas o modelos de aprendizaje automático es otro asunto, analizado en una guía sobre reglas frente a modelos en el monitoreo de transacciones.

Segmentación: compare a los clientes con sus homólogos reales

La segmentación de clientes reduce los falsos positivos de AML al comparar a cada cliente con homólogos que tienen una actividad habitual similar. La mayoría de los programas no aprovechan la segmentación lo suficiente. Un directivo de BSA/AML de un banco con una división digital señaló la falta de segmentación como una deficiencia común: muchos sistemas solo dividen a los clientes en corporativos y particulares, cuando una cadena nacional y un restaurante de barrio no son el mismo tipo de cliente corporativo.

Segmente en función de las variables que definen la actividad esperada:

• Tipo de cliente, como particular, autónomo, pequeña empresa, corporación o empresa de servicios financieros.

• Producto, como cuenta de depósito, programa de tarjetas, pagos o préstamos.

• Actividad esperada, que incluye los volúmenes declarados y tipos de transacción registrados en el alta del cliente y actualizados periódicamente.

• Geografía, incluyendo dónde opera el cliente y dónde se ubican sus contrapartes.

Establezca umbrales y escenarios por segmento y documente el motivo de cada uno. La segmentación es también una exigencia de los supervisores. Un director de cumplimiento y AML de un banco comentó que los reguladores esperaban que el banco segmentara por riesgo sus reglas —para que los clientes de alto riesgo se revisaran con mayor frecuencia— y que el sistema heredado no podía hacerlo. Los programas fintech lo notan especialmente porque los productos y perfiles de cliente cambian muy rápido; la sección de Oscilar sobre AML para fintechs profundiza en ese entorno.

Revise los segmentos a medida que cambien los productos y los clientes. Un segmento definido al inicio de un programa deja de reflejar la realidad en cuanto se incorpora un nuevo producto o perfil de cliente, y los falsos positivos vuelven a aumentar. El ajuste por corredor de pago y jurisdicción es una especialidad propia, analizada en una guía sobre flujos de trabajo de AML transfronterizos.

Qué hace que un ajuste sea defendible ante los inspectores

Un ajuste es defendible ante los inspectores cuando la entidad puede demostrar por escrito qué cambió, por qué, cómo se probó, que se mantuvo la cobertura de tipologías y quién lo aprobó. Un director de cumplimiento y BSA de un banco local describió la pregunta a la que debe responder todo cambio: "Sé que el inspector me preguntará cómo lo determinamos, de qué manera lo decidió el sistema. Y si no lo tengo por escrito, no podré defenderlo".

Pruebas por encima y por debajo de la línea

Las pruebas por encima de la línea (ATL) y por debajo de la línea (BTL) son el método para demostrar que un cambio de umbral mantuvo la cobertura. Al cambiar un umbral, el equipo analiza muestras de actividad justo por encima de la nueva línea para confirmar que las alertas restantes son productivas. El equipo también toma muestras de la actividad justo por debajo de la línea para comprobar que la actividad que ya no alerta no incluya operaciones sospechosas que el umbral anterior sí habría detectado. La muestra por debajo de la línea es la evidencia clave que busca el inspector.

Un vicepresidente y oficial de riesgo AML de un banco local resumió el proceso: "Cuando hacemos ajustes de escenarios, tenemos que hacer pruebas por encima y por debajo de la línea, y guardar los resultados para los reguladores". El problema surge cuando se omite este paso. Un responsable de sistemas BSA/AML en un banco patrocinador, al revisar un cambio de reglas, descubrió que las pruebas por encima y por debajo de la línea que debieron realizarse meses atrás nunca se llevaron a cabo.

Mapeo de la cobertura de tipologías antes y después

Haga una lista de las tipologías que cada escenario pretende detectar y luego verifique que sigan cubiertas después del cambio, ya sea por el escenario modificado o por otro. Un ajuste que retire silenciosamente el único escenario que cubría una tipología representa una brecha de cobertura, por muy productivas que resulten las alertas restantes.

Pruebas antes de la puesta en producción

Pruebe el cambio con datos históricos antes de implementarlo. Un director de cumplimiento de un banco local recordó un cambio de regla aplicado directamente en producción que generó una avalancha de alertas; la primera pregunta que surgió después fue si existía un entorno de pruebas. Un director de cumplimiento en una fintech de pagos planteó el mismo problema desde otra perspectiva: "Mi principal preocupación sería que alguien desactive una regla... prefiero detectar el problema al principio que después de que se generen las alertas".

Muchos sistemas heredados aún dificultan esto. Un directivo de BSA/AML en un banco con división digital afirmó: "Si quieres hacer cambios en los umbrales de las reglas actuales, no es algo que puedas probar en el sistema antes de activarlo".

La guía revisada sobre riesgo de modelos

El 17 de abril de 2026, la Reserva Federal, la OCC y la FDIC publicaron directrices revisadas para la gestión de riesgos de modelos: SR 26-2, Boletín OCC 2026-13 y FDIC FIL-15-2026. Esta revisión reemplaza a SR 11-7 y SR 21-8, la declaración conjunta de 2021 sobre gestión de riesgos de modelos para el cumplimiento de BSA/AML. Las nuevas directrices se estructuran en torno a las pruebas de modelos, la validación y el monitoreo de modelos (incluyendo solidez conceptual y análisis de resultados), y la gobernanza y controles. Estos tres apartados constituyen una estructura muy práctica para el registro de cualquier ajuste en un modelo de puntuación o segmentación.

Determinar si un conjunto de reglas de AML entra dentro de la definición de modelo revisada depende de la interpretación literal de dicha definición, no de una respuesta generalizada. La guía define un modelo como un método cuantitativo complejo que aplica teorías estadísticas, económicas o financieras para generar estimaciones cuantitativas, y excluye los procesos basados en reglas deterministas y operaciones aritméticas simples que carecen de una teoría estadística o económica subyacente. Un modelo de puntuación o segmentación tiene más probabilidades de encajar en esa definición que una regla fija individual, y corresponde a la función de riesgo de modelos de la propia entidad tomar esa decisión.

La directriz SR 26-2 también señala que se considera de mayor relevancia para organizaciones bancarias reguladas por la Reserva Federal con activos totales superiores a 30.000 millones de dólares. Sin embargo, las entidades más pequeñas afrontan la misma pregunta de los inspectores sobre cómo se definió cada umbral.

Cuestionamiento eficaz (Effective Challenge)

La directriz SR 26-2 mantiene el principio de cuestionamiento eficaz: un análisis crítico llevado a cabo por expertos objetivos que posean la competencia, independencia y posición jerárquica necesarias para promover cambios. Ante un ajuste de reglas, esto significa que alguien independiente de quien propuso la modificación debe revisar las pruebas y tener la autoridad de detener su aplicación.

Un responsable de BSA/AML y OFAC en un banco regional describió a cuántas áreas afecta un cambio de umbral: "No es tan simple como que yo mueva unos interruptores. Tenemos que validarlo con nuestro grupo de riesgo corporativo, el equipo de datos, el área de TI y seguridad de la información... y la gestión de riesgo de modelos".

Los modelos desarrollados por terceros no eximen de esta responsabilidad. Un director de cumplimiento de un banco local comentó: "La parte del proveedor externo es donde suelen buscar fallos... ¿Se hizo la debida diligencia?, ¿se validó el modelo para entender cómo funciona?". El proceso para validar un modelo de monitoreo de principio a fin se explica en una guía independiente sobre validación de modelos AML.

Qué contiene el registro de un ajuste

Un registro detallado como este transforma un simple cambio de umbral en un proceso claro y comprensible para un inspector.

Redacte el informe de modo que un no especialista pueda comprenderlo. Un responsable de cumplimiento de AML de un operador de juego online se preguntaba sobre cualquier factor de riesgo: "¿Se documentó de manera clara y comprensible para los reguladores o auditores?".

Dónde encajan los agentes de IA y dónde se mantiene el factor humano

Los agentes de IA encajan en la revisión de alertas de AML como redactores y asesores, mientras que los humanos se mantienen como los tomadores de decisiones. Un agente recopila las pruebas que un analista tendría que buscar a mano, expone sus argumentos y propone una resolución. El analista revisa el razonamiento y decide. Los agentes de riesgo de Oscilar funcionan bajo esta regla: "Los agentes nunca cierran ni escalan alertas de forma autónoma; cada propuesta es evaluada y confirmada por un analista humano antes de realizar cualquier acción".

Cuatro criterios de diseño permiten mantener este esquema de forma defendible:

• Análisis de cada alerta, no de muestras. El agente procesa cada alerta que entra en una cola de trabajo configurada, por lo que no se descarta ninguna población en silencio, y cada acción del agente o del analista se registra con sus motivos.

• Los datos ausentes se derivan a un analista. Cuando faltan datos clave, como la fecha de nacimiento o una dirección, el agente señala la omisión y recomienda una revisión manual en lugar de forzar una resolución. Descartar automáticamente una alerta sin pruebas sólidas eleva el riesgo regulatorio.

• Configuración por cola de trabajo. Se define para cada cola, según el apetito de riesgo de la entidad, para qué tipos de alertas se puede confirmar rápidamente una propuesta de alta confianza y cuáles requieren siempre una lectura detallada del razonamiento.

• Un plan documentado hacia el muestreo. La confianza se construye partiendo de la revisión manual completa de cada propuesta y avanzando hacia controles de calidad periódicos sobre muestras, del mismo modo que ya funcionan las áreas de control de calidad de segunda línea, validando cada etapa con resultados conocidos y documentados.

La guía revisada sobre riesgo de modelos no determina el modo de controlar los agentes de IA. El Boletín OCC 2026-13 señala que los modelos de IA generativa y de agentes quedan fuera de su alcance, y los organismos prevén realizar consultas públicas sobre el uso de la IA en los bancos. La gobernanza sigue siendo necesaria: la entidad responde del umbral, la resolución y el registro, con independencia de quién haya preparado el análisis.

Los propios compradores marcan los límites. Un director de BSA de un banco patrocinador afirmó: "Aunque pudiéramos automatizar todo el proceso hasta el envío del informe de actividad sospechosa (SAR), el hecho de poder hacerlo no implica que debamos. Desde el punto de vista regulatorio, nos van a exigir controles muy estrictos sobre cómo validamos esto". El mismo directivo definió el orden de prioridades: "Si podemos optimizarlo, empecemos por reducir la acumulación de alertas y luego veremos cómo procesarlas más rápido".

Las resoluciones de los agentes también sirven para realizar ajustes. Un director de cumplimiento AML de un operador de juego online describió cómo las aprovechan: "¿Cuántas alertas que los agentes recomiendan cerrar por no ser relevantes son aceptadas por mis investigadores, y cómo se concentran en reglas específicas? Eso me indica que debemos ajustar esa regla en concreto porque nos está generando mucho ruido innecesario". Las alertas irrelevantes acumuladas en una misma regla señalan qué se debe cambiar, y el cambio debe pasar por el proceso de pruebas y aprobación correspondientes. Las revisiones, decisiones y su argumentación se unifican en la gestión de casos, facilitando el acceso inmediato al historial de cualquier alerta.

Medición del resultado tras el cambio

Medir el resultado tras un ajuste implica comprobar si las alertas pasaron a ser más útiles sin que disminuyera la cobertura. Realice el seguimiento de tres métricas a lo largo del tiempo:

• Conversión por segmento y escenario. Vigile los ratios de alerta a caso y de caso a informe (SAR) para cada segmento y escenario modificados. Un aumento en la tasa de conversión con un volumen estable de informes presentados indica que el cambio eliminó el ruido. Una caída en el número de informes presentados en un segmento indica la necesidad de revisar de inmediato la población bajo la línea, y no un logro a celebrar.

• Desviación en los modelos implicados. Vigile la desviación de datos, de variables y de concepto, junto con las métricas de resultados por segmento, para detectar si un modelo está perdiendo eficacia antes de la siguiente auditoría y no durante ella.

• Pruebas periódicas por debajo de la línea. Los clientes y las tipologías de fraude cambian tras la puesta en marcha. Tome muestras periódicas por debajo del umbral y registre el resultado para compararlo con el cambio inicial.

Incorpore cada uno de estos datos al registro del cambio, de modo que el inspector observe una evolución continua desde la propuesta hasta el monitoreo diario.

El enfoque de Oscilar

Oscilar aborda la reducción de falsos positivos como un cambio probado y documentado, no como una simple edición de umbrales. Antes de implementar cualquier cambio, se realiza un proceso de diseño conjunto de cuatro semanas que incluye simulaciones con alertas históricas, un modo de preproducción en paralelo con la cola real y una evaluación final validada por expertos.

La plataforma registra una auditoría completa de cada decisión con sus argumentos, manteniendo al analista humano en el centro del diseño, con un control de sesgos y desviaciones estructurado para cumplir con las directrices regulatorias de gestión de riesgos de modelos. El monitoreo automático de modelos cubre la desviación de datos, de variables y de concepto, además de indicadores clave medidos por segmento.

Las páginas de soluciones AML de Oscilar definen su suite de pruebas con estas palabras: "Ejecute simulaciones históricas, pruebas A/B y pruebas unitarias con un solo clic para validar modelos de riesgo nuevos y existentes". También describen un modelo de priorización de alertas: "Priorice las alertas según su relevancia y nivel de riesgo, facilitando la gestión de respuestas". La priorización, tal como se explica, organiza el orden de trabajo de las alertas; no es un método para ocultarlas o suprimirlas.

Preguntas frecuentes

¿Por qué los sistemas de monitoreo de transacciones de AML generan tantos falsos positivos?

Los sistemas de monitoreo de transacciones de AML generan falsos positivos porque aplican umbrales estáticos a perfiles de clientes muy diversos y envían alertas con poco contexto de respaldo. Las reglas también tienden a acumularse con el tiempo y rara vez se eliminan. La segmentación y el análisis contextual ayudan a reducir el ruido sin debilitar la cobertura.

¿Qué son las pruebas por debajo de la línea (below-the-line) en AML?

Las pruebas por debajo de la línea en AML consisten en tomar muestras de la actividad que queda justo debajo de un umbral nuevo o modificado para asegurar que no se dejen de detectar operaciones sospechosas debido al cambio. Se complementan con las pruebas por encima de la línea, que validan si las alertas generadas son útiles. En conjunto, demuestran al inspector que se mantuvo la cobertura de tipologías.

¿Cómo se justifica un cambio de umbral de AML ante los inspectores?

Se justifica aportando un informe escrito que documente qué cambió y por qué, la población y el periodo evaluados, los resultados por encima y por debajo de la línea, las tipologías cuya cobertura continuada ha sido verificada, y quién revisó y aprobó la modificación. El seguimiento posterior al cambio y las revisiones periódicas completan el expediente.

¿La reducción de falsos positivos genera obligaciones de riesgo de modelo?

La reducción de falsos positivos puede generar obligaciones de riesgo de modelo cuando el cambio afecta a un modelo, por ejemplo, uno de puntuación o segmentación. Las directrices revisadas de riesgo de modelos (SR 26-2, Boletín OCC 2026-13 y FDIC FIL-15-2026) exigen pruebas, validaciones, monitoreo y gobernanza para los cambios de modelo. Determinar si una regla determinista simple se considera modelo depende de la interpretación de la definición de la guía que realice la unidad de riesgo de modelos de la entidad.

¿Pueden los agentes de IA reducir la carga de trabajo de alertas de AML manteniendo la supervisión humana?

Sí, los agentes de IA reducen la carga de trabajo preparando cada análisis, recopilando información y recomendando una resolución que el analista aprueba o modifica. El agente procesa cada alerta en la cola asignada y deriva a revisión manual los casos con datos incompletos. La IA basada en agentes queda fuera de la guía revisada de riesgo de modelos, por lo que la propia gobernanza de la institución define las pautas de control de estas recomendaciones.

Lograr menos falsos positivos depende de disponer de un mejor contexto y de aplicar cambios probados y documentados. Un umbral más alto solo reduce la cobertura a la vez que elimina el ruido. Todo cambio de ajuste requiere pruebas por debajo de la línea que demuestren que se mantuvo la cobertura de tipologías, respaldadas por una firma autorizada. Para entender cómo se complementan el ajuste por segmentos, las pruebas y los registros de auditoría por decisión, consulte la sección sobre monitoreo de transacciones de AML para bancos, o solicite un análisis práctico con sus alertas históricas.