Detección de identidades sintéticas mediante IA

Las identidades sintéticas están diseñadas para superar los procesos tradicionales de «conozca a su cliente» (KYC) mezclando datos reales y falsos, por lo que su detección requiere ir más allá de la verificación básica de la identidad. Los enfoques eficaces combinan el análisis de grafos de identidad, las señales de comportamiento y las comprobaciones de coherencia de los datos en múltiples fuentes. Esto implica examinar cómo se han utilizado los elementos de identidad a lo largo del tiempo, identificar anomalías en los patrones de emisión del número de la Seguridad Social, la frecuencia de cambio de correo electrónico y número de teléfono, y las discrepancias entre los atributos de identidad y el comportamiento digital. La clave no es solo verificar si la identidad existe, sino si se comporta como una persona real a lo largo de su ciclo de vida.

La mayoría de las herramientas tradicionales contra el fraude están optimizadas para detectar identidades robadas o comprometidas, no identidades inventadas. Las identidades sintéticas suelen parecer «limpias» porque no están vinculadas a informes de fraude conocidos ni a listas negras. Van ganando credibilidad poco a poco, a veces a lo largo de meses, antes de utilizarse con fines fraudulentos. Si su sistema se basa en gran medida en reglas estáticas o bases de datos negativas, no detectará estos casos. La detección de identidades sintéticas requiere modelos de aprendizaje automático entrenados en relaciones de identidad, patrones de velocidad y señales de comportamiento a largo plazo, en lugar de limitarse a comprobaciones puntuales.

Los modelos de IA pueden analizar grandes volúmenes de datos estructurados y no estructurados para identificar patrones que no resultan evidentes solo a partir de reglas. Esto incluye vincular identidades aparentemente inconexas a través de atributos compartidos, detectar anomalías sutiles en los datos de las solicitudes e identificar comportamientos coordinados entre cuentas. La IA resulta especialmente eficaz a la hora de detectar identidades sintéticas en una fase temprana, antes de que se conviertan en fraudes de gran valor. Sin embargo, su eficacia depende en gran medida de la calidad de los datos de entrenamiento y de la capacidad de volver a entrenar los modelos de forma continua a medida que evolucionan las tácticas de fraude.

Las señales más valiosas son aquellas que revelan relaciones e incoherencias. Entre ellas se incluyen los datos de validación y emisión del número de la Seguridad Social, el historial de correo electrónico y teléfono, la información sobre dispositivos e IP, la velocidad de las solicitudes y la biometría conductual. La comparación cruzada de los elementos de identidad con fuentes de datos fiables es fundamental, pero igual de importante es analizar con qué frecuencia y en qué combinaciones aparecen dichos elementos. Las identidades sintéticas suelen reutilizar fragmentos de datos reales de formas inusuales, y es precisamente en esos patrones donde la detección se hace posible.

Este es uno de los mayores retos. Una detección agresiva puede aumentar los falsos positivos, especialmente en el caso de usuarios con un historial crediticio escaso o «invisibles» que pueden parecerse a perfiles sintéticos. La clave está en utilizar una toma de decisiones basada en el riesgo, en la que solo las solicitudes de alto riesgo activen pasos de verificación adicionales. La combinación de señales —en lugar de basarse en un único indicador— ayuda a reducir las fricciones innecesarias. Es fundamental supervisar las tasas de aprobación, el volumen de revisiones manuales y el fraude posterior para ajustar este equilibrio a lo largo del tiempo.

La detección de identidades sintéticas debe complementarse con sus sistemas de KYC y de prevención del fraude, no sustituirlos. Debe proporcionar señales de riesgo a su motor de toma de decisiones en tiempo real, influyendo en los flujos de aprobación, rechazo o verificación reforzada. La integración debe permitir la coordinación entre la verificación de identidad, la inteligencia de dispositivos y el análisis de comportamiento. El objetivo es crear un perfil de riesgo unificado, en lugar de realizar comprobaciones aisladas, para que sus sistemas puedan tomar decisiones más fundamentadas tanto en el momento de la incorporación como a lo largo de todo el ciclo de vida del cliente.

Debes contar con un aumento inicial de las alertas y de las posibles revisiones manuales, ya que el sistema comenzará a identificar riesgos que antes pasaban desapercibidos. Es posible que las pérdidas por fraude disminuyan, pero los equipos operativos deben estar preparados para gestionar investigaciones más complejas. Con el tiempo, a medida que se ajusten los modelos y se optimicen los flujos de trabajo, el volumen de falsos positivos debería reducirse. Es importante coordinar desde el principio a los equipos de lucha contra el fraude, de cumplimiento normativo y de operaciones para definir umbrales, vías de escalación e indicadores de éxito, de modo que el sistema aporte un valor cuantificable sin sobrecargar los recursos.