En la última reunión antes de un lanzamiento, un gerente de producto, una ingeniera y un diseñador repasan los detalles finales. El nuevo método de pago sale en tres semanas y nadie en la mesa trabaja en fraude. Las consecuencias llegan un trimestre después, en forma de pérdidas.
Todo producto nuevo trae ingresos y riesgo a la vez. Los ingresos llegan con un plan bien pensado. El riesgo, casi nunca. Y entre lo que se planifica y lo que se pasa por alto, cada nueva superficie de fraude queda expuesta hasta que el programa antifraude se pone al día.
Que nadie de fraude esté en esa reunión no es casualidad. En el sector financiero, muy pocos responsables de fraude forman parte de las operaciones digitales, muchos menos que en otras industrias. Quienes mejor saben hacia dónde irá el fraude rara vez participan en las decisiones de producto. Y la exposición crece igual.
La ventana entre el lanzamiento y la pérdida
Los equipos de producto lanzan según su calendario de versiones. Los programas antifraude avanzan al ritmo de los incidentes. Los dos relojes no suelen coincidir, y ese desajuste explica la mayoría de los vacíos de cobertura del sector.
Los programas antifraude son reactivos por diseño. Un equipo escribe una regla después de detectar un patrón, evalúa un proveedor después de confirmar un vacío y reentrena un modelo cuando acumula suficientes casos etiquetados. Cada paso tiene sentido por separado, pero todos dependen de que algo ya haya salido mal.
Así, cada lanzamiento abre una ventana. El producto sale a tiempo, pero el programa antifraude solo empieza a ajustarse cuando las pérdidas hacen visible el problema. Cuánto dura esa ventana depende casi por completo de cuándo se entera el equipo de fraude del lanzamiento. Si lo descubre con el producto ya en marcha, la ventana se alarga de semanas a meses. Y cada semana suma pérdidas evitables y, en productos transfronterizos o con mucho volumen de transferencias, más exposición en PLD.
El fraude encuentra el vacío antes que usted
Cada producto nuevo atrae tipos de fraude que la oferta anterior nunca vio. Una tarjeta física trae fraude con tarjetas. Una billetera digital invita a retiros rápidos de fondos y a cuentas mula. Las transferencias instantáneas por SPEI o Pix y las remesas abren la puerta al lavado de dinero. Un saldo almacenado crea objetivos para la apropiación de cuentas que el sistema actual nunca se configuró para detectar. Estas amenazas no crecen de forma gradual con la adopción: llegan en cuanto la superficie entra en funcionamiento.
El fraude que aparece en este primer periodo es también el más difícil de revertir. Los defraudadores siembran identidades sintéticas antes de que exista monitoreo y organizan redes de cuentas mula antes de que el equipo haya escrito una sola regla para la nueva superficie. Cuando la detección se pone al día, la ventana del lanzamiento ya se ha convertido en una base operativa que el programa tiene que desmontar.
Por qué la IA empeora el problema antes de mejorarlo
La IA suele presentarse como la respuesta, pero cuando solo se entrena con datos históricos de fraude, puede ampliar el vacío antes de cerrarlo. Un modelo aprende de patrones que ya ocurrieron. No tiene visibilidad sobre el fraude que atraerá un producto nuevo ni forma de detectarlo hasta que se acumulen suficientes casos etiquetados para justificar un reentrenamiento.
Cuanto más depende un programa de modelos entrenados con el pasado, con más precisión aplica los supuestos de un contexto que ya no existe. Cada lanzamiento cambia lo que se considera normal más rápido de lo que los datos de entrenamiento pueden seguir, y los modelos que eran de vanguardia para la oferta anterior terminan calibrando la detección para un negocio que ya cambió.
El mapa de superficies de fraude que le falta a su plan de producto
Cerrar el vacío empieza con un ejercicio de planificación. Antes de lanzar una funcionalidad, el equipo de fraude debería poder responder tres preguntas: ¿qué tipos de fraude atraerá esta superficie? ¿En qué etapas del ciclo de vida del cliente interviene? ¿Qué señales que ya existen hay que ampliar para cubrirla?
El punto de partida más práctico es el flujo de valor. Cualquier funcionalidad que mueva, almacene o emita algo con valor monetario de una forma que el producto anterior no hacía amplía la exposición. El siguiente paso es encontrar lo que falta antes de que una pérdida lo revele. Por ejemplo, una funcionalidad de pagos que se lanza sin datos del dispositivo ni de comportamiento en esa etapa deja al equipo de fraude sin visibilidad. No hay con qué comparar ni forma de distinguir una transacción legítima de una fraudulenta hasta que un patrón de pérdidas lo pone en evidencia.
El mismo principio se aplica a los umbrales de cobertura. Definir qué es normal en una nueva superficie antes del lanzamiento es mucho más útil que reconstruirlo después de que el primer incidente obligue a hacerlo.
Una cobertura que avanza al ritmo del producto
Mapear la superficie de fraude antes del lanzamiento solo sirve si la cobertura puede ponerse en marcha a tiempo. La mayoría de los programas antifraude tradicionales no pueden avanzar tan rápido porque su lógica de reglas depende de un proveedor, de un sprint de ingeniería o de un ciclo de revisión trimestral, y ninguno de esos ritmos coincide con una hoja de ruta de producto.
Lo que cierra el vacío en la práctica es una lógica de reglas configurable. El equipo de fraude debería poder desplegar reglas para una nueva superficie por su cuenta y ajustarlas por mercado, canal y tipo de producto la misma semana en que se lanza la funcionalidad.
La IA necesita el mismo enfoque. Los modelos que se actualizan de forma continua con señales en tiempo real detectan anomalías en una nueva superficie más rápido que los que esperan suficientes casos etiquetados para reentrenarse. El intercambio de señales entre etapas también debe estar activo desde el primer día: la inteligencia de dispositivos, la huella digital y los patrones de comportamiento obtenidos en el registro deben alimentar las capas de transacciones y pagos desde que la funcionalidad entra en producción, no después de que un patrón de pérdidas obligue a conectarlas.
Sumar otro proveedor suele ser la respuesta por defecto ante un nuevo requisito de cobertura. La mayoría de los responsables de fraude y PLD en fintech y pagos planea incorporar un proveedor nuevo este año, sin importar el vacío concreto que intentan cubrir. Pero los equipos que realmente cierran el vacío son los que consolidan en plataformas capaces de avanzar al ritmo del producto, en lugar de sumar herramientas que refuerzan el retraso que ya tiene su sistema actual.
El papel del equipo de fraude tiene que cambiar
Todo esto apunta a un cambio en el lugar que ocupa el equipo de fraude dentro del negocio. Su papel pasa de investigador reactivo, al que se llama después de una pérdida para explicar qué salió mal, a responsable de mapear superficies de forma proactiva, presente en la planificación de producto junto a los equipos que definen hacia dónde va la empresa.
Este cambio importa porque el fraude rara vez es una sorpresa. Las tipologías que atraerá un producto nuevo o ya han aparecido en el sector, o se pueden anticipar con la experiencia y la tecnología adecuadas. En cualquier caso, la preparación es lo que convierte la cobertura antifraude de una tarea de limpieza en una protección real. Las empresas que lo logren primero tratarán cada decisión de producto como una decisión de fraude.
Artículo original de Jane Singh, gerente de Marketing de Producto (Fintech y Comercio) en SEON, publicado el 21 de agosto de 2026. Traducido y revisado por el equipo hispanohablante de SEON.
