Aprovechamiento de la IA para reducir las pérdidas por fraude, aumentar las tasas de aprobación y fortalecer la confianza del cliente.
Publicado: 06/02/2026 | Actualizado: 03/11/2026
La expansión de las redes de pago en tiempo real ha creado nuevas oportunidades para el fraude. Las transacciones se procesan en segundos, lo que reduce el margen para la detección y la desviación. Mientras tanto, los delincuentes diseñan ataques que mueven dinero rápidamente a través de múltiples cuentas antes de ser atrapados.
Esos estafadores utilizan IA generativa para ejecutar estafas de ingeniería social y organizar transacciones rápidas con mayor precisión. Según un informe de Deloitte, la IA generativa podría impulsar 40 000 millones de dólares en pérdidas por fraude en EE. UU. para 2027, más del triple de los 12 300 millones de dólares observados en 2023. Al automatizar el flujo de fondos entre cuentas en diferentes instituciones, los estafadores pueden ocultar el rastro y complicar la recuperación.
Pero los bancos también están dando un paso adelante: utilizan la IA para contraatacar más rápido. En el pasado, los equipos de prevención de fraudes establecían reglas manuales para decidir qué transacciones aprobar o bloquear. Ahora, la IA puede analizar los datos para detectar patrones inusuales y tomar decisiones de autorización más inteligentes en tiempo real.
Este cambio ya está dando resultados. Informe de Mastercard sobre prevención del fraude en los pagos de 2025, elaborado en colaboración con Financial Times Longitude, reveló que el 42 % de los emisores y el 26 % de los adquirentes han ahorrado más de $5 millones en intentos de fraude durante los últimos dos años gracias a la IA. Pero, para aprovechar al máximo la IA en la prevención del fraude, las organizaciones necesitan datos de alta calidad que alimenten los modelos y permitan tomar mejores decisiones sobre el riesgo.
La investigación de Mastercard reveló que las organizaciones perdieron un promedio de $60 millones por fraude de pagos el último año. Y dado que la IA ayuda a los defraudadores a crear estafas más convincentes, se espera que esas pérdidas sigan aumentando:
Al mismo tiempo, a medida que los pagos en tiempo real ganan popularidad, las instituciones financieras solo tienen un corto periodo de tiempo para identificar y bloquear los intentos de fraude potenciados por la IA. Por eso, los líderes del sector de pagos vigilan de cerca diversos riesgos de fraude:
El noventa por ciento de los líderes en pagos esperan mayores pérdidas financieras en los próximos tres años si no aumentan su uso de IA en la prevención del fraude.
Afortunadamente, existen varias formas de aplicar la IA para la prevención del fraude, desde el análisis de patrones de transacción hasta la reducción de las revisiones manuales. Muchas instituciones ya están generando un alto retorno de la inversión (ROI) como resultado:
Aun así, es importante recordar que una inversión sostenida conduce a las mayores ganancias. Las organizaciones que han utilizado la IA durante más de cinco años reportan un ahorro de $4.3 millones en ingresos perdidos, casi el doble del ahorro promedio de $2.2 millones.
Al mismo tiempo, los líderes saben que mantener la IA actualizada a medida que evolucionan las tácticas de fraude es un obstáculo importante. Para defenderse de las amenazas nuevas y emergentes, las herramientas de IA necesitan aprender y adaptarse en tiempo real.
Con herramientas de IA que incorporan datos casi en tiempo real y perspectivas contextuales, las organizaciones pueden tomar decisiones de autorización más eficientes para aumentar las tasas de aprobación y mantener a los clientes satisfechos.
El problema: históricamente, los bancos han utilizado sistemas basados en reglas para aprobar o bloquear transacciones. Por ejemplo, un banco puede establecer una regla para marcar compras superiores a una cierta cantidad de dólares o denegar transacciones originadas en ubicaciones inusuales. Pero aquí está el problema: los procesos rígidos y manuales pueden ralentizar la detección de fraudes, especialmente a medida que las estafas se vuelven más rápidas y complejas. Los emisores y adquirentes no tienen la misma visibilidad de las carteras de los demás, lo que genera lagunas a medida que el fraude se dirige a cada etapa del ciclo de vida del pago, incluido, cada vez más, el nivel del comercio, donde las señales de riesgo relevantes pueden estar fuera de la vista de un emisor individual.
La solución: las soluciones de IA pueden superar fácilmente esa limitación, analizando millones de puntos de datos para evaluar rápidamente el riesgo de las transacciones y ofrecer información en tiempo real. Esto significa que los bancos pueden detectar las amenazas emergentes a medida que se desarrollan y tomar decisiones informadas rápidamente, minimizando el retraso en la detección.
No sorprende que el 80 % de las organizaciones informaran que la IA ayudó a eliminar las revisiones manuales innecesarias. Este potencial se vuelve aún más poderoso cuando la IA se combina con la inteligencia de red global de Mastercard para generar puntuaciones de riesgo e información predictiva que ayuden a combatir el fraude. La solución Decision Intelligence Pro (DI Pro) de Mastercard ayuda exactamente con eso: proporciona una puntuación de riesgo y perspectivas casi en tiempo real durante la autorización.
Como complemento de DI Pro, el Indicador de riesgos y estafas de comercios (MSRI) de Mastercard es una nueva herramienta impulsada por IA que también ofrece una puntuación de riesgo a nivel de comercio predictiva y un código de motivo durante la autorización, lo que ayuda a los emisores a identificar antes a los comercios con mayor riesgo relacionado con estafas y fraudes. Juntas, estas perspectivas pueden ayudar a los bancos a tomar decisiones más informadas durante la autorización, centrando la revisión manual donde más se necesita.
El problema: Debido a que las reglas de autorización estáticas carecen de matices, a menudo resultan en falsos positivos, es decir, cuando las transacciones legítimas se identifican incorrectamente como fraudulentas y se rechazan o se marcan para su revisión. Más allá de crear trabajo adicional para los equipos internos, esto también perjudica la experiencia del cliente.
La solución: Los modelos avanzados de IA pueden analizar diversos puntos de datos para evaluar el riesgo de fraude con precisión. Por ejemplo, si un cliente que regularmente compra ropa de gama media de repente compra varios artículos de moda de lujo durante una venta de temporada, los modelos avanzados de IA pueden analizar factores como la información histórica de compras, la credibilidad del comercio y el momento para determinar si este pico en el gasto es legítimo.
Esta información contextual impulsa decisiones de autorización más precisas que previenen el fraude sin aumentar la fricción para los clientes. De hecho, el 83 % de los encuestados informa que la IA ha reducido significativamente los falsos positivos y las tasas de abandono de clientes en el último año.
El problema: Aunque la IA puede apoyar la detección de fraude en tiempo real, requiere datos de alta calidad para seguir siendo efectiva. Los líderes entienden esta demanda: el 64 % de los encuestados afirma que necesita acelerar el acceso a fuentes de datos nuevas y creíbles para seguir el ritmo de las amenazas en evolución. El 41 % considera que los datos de las listas de seguimiento y las listas de bloqueo se encuentran entre los conjuntos de datos más importantes para alcanzar sus objetivos futuros de prevención de fraude, y casi un tercio dice lo mismo de los datos de los comercios.
La solución: Los modelos eficaces de detección de fraudes con IA integran datos de todo el ecosistema de pagos, incluida la inteligencia de la red de tarjetas, los indicadores de riesgo a nivel de comercio y la información de las identidades digitales de los consumidores.
Por ejemplo, una herramienta de IA podría evaluar el riesgo de un comercio basándose en las tasas históricas de fraude, al tiempo que analiza el recuento de velocidad de un cliente, que rastrea la frecuencia con la que ocurren acciones como compras o cambios de cuenta dentro de un período corto.
Utilizando IA avanzada y el algoritmo Mastercard Comercio User Connected Intelligence (MUCI), DI Pro conecta patrones entre usuarios, comercios y transacciones para proporcionar contexto, no solo una puntuación. MSRI utiliza un modelo de red neuronal de grafos (GNN) para identificar a los comercios con un riesgo elevado, basándose en las relaciones entre comercios, tarjetas, grupos de vulneraciones y entidades comprometidas, y todo ello gracias a la red de Mastercard y a la inteligencia sobre amenazas cibernéticas.
En el futuro, el éxito de las organizaciones con la detección de fraudes mediante IA dependerá de dos factores: la capacidad de un modelo para analizar grandes volúmenes de datos y su habilidad para combinar patrones históricos e información reciente para ayudar en la toma de decisiones.
La IA generativa está cambiando el panorama del fraude. Los estafadores son más rápidos y adaptables con la IA, y las instituciones financieras también deben serlo.
La solución Decision Intelligence Pro de Mastercard utiliza IA y perspectivas basadas en la red para analizar y puntuar transacciones en función del nivel de riesgo. Como complemento de esta información a nivel de transacción, MSRI utiliza tres modelos de IA predictiva para evaluar dimensiones distintas del riesgo del comercio, ofreciendo una única puntuación de riesgo del comercio procesable en el momento de la autorización. Con información más rica, puede tomar decisiones de autorización con confianza, aprobar más transacciones legítimas y proteger los ingresos a medida que las tácticas de fraude continúan evolucionando.
¿Listo para transformar sus defensas contra el fraude con IA? Explore cómo Decision Intelligence Pro y Comercio Scam & Risk Indicator pueden ayudarle a identificar el riesgo de fraude antes y proteger a los clientes.
La inteligencia artificial mejora la detección de fraude en los pagos analizando rápidamente los patrones de transacción, las tendencias de los clientes y la actividad de los comercios. A diferencia de los sistemas tradicionales basados en reglas, la inteligencia artificial puede detectar anomalías con mayor precisión y marcar las transacciones de alto riesgo antes de que se produzcan pérdidas.
La inteligencia artificial puede ayudar a reducir los falsos positivos mediante la evaluación de las transacciones en contexto. Analiza datos como las preferencias de los clientes y los perfiles de los comercios para ofrecer decisiones de autorización más precisas, creando una experiencia más fluida para los clientes.
Los modelos de IA que combinan datos históricos, señales en tiempo real y el contexto de gasto respaldan una prevención de fraude sólida. Los modelos ricos en datos pueden evaluar el riesgo de la transacción con mayor precisión en tiempo real, una ventaja clave a medida que los ataques de fraude crecen más rápido y se vuelven más sofisticados.
Este blog presenta información de una encuesta de Mastercard y Financial Times Longitude a 300 ejecutivos de toda la industria de pagos. La otra investigación citada en este artículo no está afiliada a Mastercard.