Cómo crear tu primera skill de IA para investigaciones de fraude y AML

Llevas días ejecutando el mismo tipo de consulta cada mañana. Extraer los rechazos de las últimas 24 horas. Agruparlos por regla activada. Marcar todo lo que parezca un falso positivo. Destacar patrones que valga la pena investigar.

Las transacciones cambian a diario. Tu marco de análisis no. Y aun así, cada vez que abres tu herramienta de IA vuelves a explicar todo el proceso: qué extraer, cómo agrupar los resultados, qué cuenta como falso positivo en tu entorno, cómo debe verse el resultado. La IA sigue las instrucciones, produce un resultado útil y luego lo olvida todo cuando cierras la conversación.

Una skill resuelve eso. Codificas tu metodología una vez y la IA la aplica de forma consistente cada vez, sin que tengas que repasar los pasos de nuevo.

Qué es una skill

Piénsalo como incorporar a un analista de nivel inicial. Cuando enseñas a alguien a hacer verificaciones puntuales de rechazos, no le entregas los datos en bruto y le dices “arréglatelas”. Le explicas el proceso: extraer el lote, identificar las reglas activadas, marcar anomalías, evaluar el riesgo de falso positivo y dar formato al resultado. Una skill codifica ese mismo recorrido, para que la IA siga el mismo proceso cada vez que la activas.

Cada herramienta de IA usa su propio nombre para el concepto, pero la función es idéntica en todas.

Herramienta de IA	Cómo lo llaman	Dónde crear una
Claude	Skills	Customize → Skills → Create skill
ChatGPT	Custom GPTs	Explore GPTs → Create
Gemini	Gems	Gem manager → New Gem

Escribes un conjunto de instrucciones que definen cómo aborda la IA un tipo concreto de tarea, lo guardas y lo activas cuando lo necesitas. Las interfaces cambian, pero el concepto no.

El método de entrevista

La mayoría de las personas abren un documento en blanco e intentan escribir las instrucciones de la skill desde cero. Producen instrucciones genéricas y superficiales que pasan por alto los casos límite y los matices operativos que hacen que una skill sea útil en la práctica. El mejor enfoque es dejar que la IA te entreviste.

Paso 1: dile a la IA qué skill quieres crear

Abre una conversación nueva y describe el flujo de trabajo que quieres automatizar. Sé específico sobre lo que debe hacer la skill, pero no te preocupes por escribir instrucciones perfectas. Explícalo como se lo describirías a un colega sentado a tu lado

“Quiero crear una skill para mi verificación matutina de rechazos. Cada día extraigo un lote de rechazos de los tipos de acción clave, reviso qué reglas se activaron, marco falsos positivos y anoto patrones. Entrevístame sobre mi flujo de trabajo para que puedas crear las instrucciones de la skill.”

Paso 2: deja que la IA te entreviste

Una herramienta de IA bien orientada empezará a hacer preguntas detalladas sobre el flujo de trabajo. Deja que profundice. La entrevista es donde se captura el verdadero valor, porque la IA pregunta por dimensiones que quizá no se te ocurriría incluir por tu cuenta.

Categoría	Qué preguntará la IA
Alcance	¿Qué tipos de acción revisas? ¿Cuántos días hacia atrás? ¿Miras todos los rechazos o los filtras por rango de puntuación?
Metodología	¿Cómo agrupas los resultados? ¿Por regla activada? ¿Por banda de puntuación? ¿Qué revisas primero?
Criterios de falso positivo	¿Qué señales te indican que una transacción rechazada podría ser legítima? ¿La antigüedad del correo? ¿La unicidad del dispositivo? ¿El historial del teléfono?
Casos límite	¿Qué pasa cuando no hay rechazos en un periodo? ¿Y si una regla se activó en cientos de transacciones? ¿Y si faltan los datos de etiquetado?
Resultado	¿Cómo se ve el resultado final? ¿Una tabla resumen? ¿Una lista priorizada? ¿Agrupado por regla? ¿Con cuánto detalle debe ir cada entrada?
Contexto	¿Qué modelo de puntuación usas? ¿Cuáles son tus umbrales de aprobar/revisar/rechazar? ¿Alguna particularidad de las señales que la skill deba conocer?

Responde con honestidad, incluidas las partes desordenadas. Si tu proceso tiene un paso inconsistente (“a veces reviso la velocidad primero, a veces la salto si los volúmenes son bajos”), dilo. La IA puede incorporar lógica condicional a la skill para manejar ambos escenarios.

Paso 3: revisa el borrador y pruébalo

Después de la entrevista, pide a la IA que compile todo en instrucciones de skill. El primer borrador no será perfecto. Pruébalo con datos reales y anota dónde se queda corto. Problemas comunes en la primera ejecución: la skill hace referencia a señales a las que no tienes acceso, usa umbrales que no coinciden con tu modelo, produce un resultado en un formato que no es el que necesitas o se salta un paso que describiste durante la entrevista. Todo se corrige con un seguimiento: “El resultado debe agruparse por regla activada, no por banda de puntuación.”

Paso 4: itera y guarda

La mayoría de las skills necesitan dos o tres iteraciones antes de ser fiables. Cada prueba con datos reales revela un vacío. Cada vacío lleva a un ajuste. Tras tres rondas, normalmente tienes una skill que funciona como trabajas de verdad. Guárdala en tu herramienta de IA y úsala la próxima vez que surja la tarea. Después de una semana de uso diario, es probable que hagas una ronda más de ajustes. Luego la skill queda fijada.

Punto clave: el enfoque basado en entrevista captura conocimiento operativo que no sabías que llevabas encima. Tus umbrales. Tus atajos de triaje. Tus heurísticas mentales para separar el fraude real del ruido. Escribir instrucciones desde una página en blanco se pierde todo eso. Dejar que la IA haga las preguntas lo saca a la luz.

Decisiones de diseño que hacen que las skills funcionen

La diferencia entre una skill que ayuda un poco y una que ahorra tiempo real se reduce a un puñado de decisiones. Incorpóralas desde el principio.

Haz que la skill pregunte antes de empezar

Las mejores skills no asumen los datos de entrada: los preguntan. Antes de ejecutar cualquier análisis, la skill debe pedirte los parámetros que cambian cada vez: el rango de fechas, los tipos de acción, los umbrales de puntuación y si quieres una vista resumen o de detalle. Una skill que asume “los últimos 7 días” cuando en realidad necesitas “desde el viernes” da resultados equivocados en silencio. Una skill que pregunta “¿Qué rango de fechas debo extraer?” da resultados correctos siempre.

Ejemplo de instrucción para incluir en tu skill:

Antes de ejecutar el análisis, pregúntame:
1. ¿Qué rango de fechas debo extraer?
2. ¿En qué tipos de acción debo centrarme?
3. ¿Uso la vista resumen o el detalle completo?
Luego procede con el análisis usando mis respuestas.

Haz que la skill calcule primero los valores de referencia y luego compare

Los números en bruto sin contexto no sirven. Una tasa de rechazo del 12 % no significa nada hasta que sepas si tu promedio móvil es del 10 % o del 15 %. Incorpora el cálculo de referencia como primer paso de la skill para que cada hallazgo venga con contexto automático.

Ejemplo de instrucción:

Paso 1: antes de analizar los datos actuales, calcula el promedio móvil de 7 días para cada métrica (volumen, tasa de rechazo, puntuación media de fraude) por tipo de acción. Usa estos valores de referencia como punto de comparación para todo el análisis posterior. Al reportar un hallazgo, incluye siempre el valor de referencia junto al valor actual para que vea la diferencia de inmediato.

Define cómo se ve un buen resultado

Si no especificas el formato del resultado, la IA lo adivinará. A veces un muro de texto cuando necesitabas una tabla, a veces una tabla cuando necesitabas una lista ordenada. Especifícalo de forma explícita.

Da formato al resultado así:
1. Resumen ejecutivo (3 frases como máximo: qué es normal, qué no lo es, dónde mirar primero)
2. Detalle de anomalías (una sección por cada métrica marcada, cada una con: valor actual, valor de referencia, diferencia y las 5 transacciones que más vale la pena investigar)
3. Omite cualquier cosa que esté dentro del rango normal. No reportes buenas noticias. Marca solo lo que requiere atención.

Dile a la skill qué hacer con los casos límite

Las skills se rompen cuando encuentran datos para los que no fueron diseñadas. Ningún rechazo en el periodo, una regla que se activó en 10.000 transacciones, datos de etiquetado ausentes que hacen imposible calcular la precisión.

Ejemplo de instrucción:

Si no hay transacciones rechazadas en el periodo solicitado, indícalo y sugiere ampliar el rango de fechas.
Si una sola regla representa más del 50 % de todos los rechazos, señálalo como un hallazgo aparte antes del análisis principal.
Si faltan datos de etiquetado, omite los cálculos de precisión y exhaustividad, señala que no se pueden calcular y recomienda activar el etiquetado.

Versiona tus skills

Cuando ajustes una skill, anota qué cambió y por qué. Tras un mes de uso diario, habrás hecho una docena de pequeños ajustes. Sin versionado, no puedes saber qué cambio corrigió un problema de falsos positivos ni cuál rompió por accidente el formato del resultado.

Ejemplo:

# Skill de verificación de rechazos v3
# v3: se añadió el manejo de casos límite para resultados vacíos
# v2: se cambió el resultado para agrupar por regla activada en vez de por banda de puntuación
# v1: versión inicial de la entrevista

Dile a la skill qué NO debe hacer

Las instrucciones negativas son tan importantes como las positivas. La skill no debe inventar datos que no tiene, y hay que decírselo. Si no debe recomendar valores de puntuación concretos (porque eso requiere pruebas retrospectivas que harás por separado), díselo.

Ejemplo de instrucción:

Nunca inventes estadísticas. Si no tienes datos suficientes para calcular una métrica, indícalo.
No recomiendes valores de puntuación concretos para las reglas. Recomienda solo la dirección (subir, bajar, investigar). Las puntuaciones exactas requieren pruebas retrospectivas.
No promedies métricas entre distintos tipos de acción. Reporta siempre por tipo de acción.
Mezclar métricas de registro e inicio de sesión en un solo número oculta la señal.

Las mejores skills tienen criterio. No solo procesan datos: codifican tu juicio sobre qué importa, qué no, qué marcar y qué ignorar. Cuanto más específicas sean tus instrucciones, menos tiempo pasarás corrigiendo el resultado.

Empieza aquí

Abre tu herramienta de IA. Copia este prompt:

“Quiero crear una skill de IA para [nombra la tarea]. Entrevístame sobre mi flujo de trabajo. Hazme preguntas detalladas sobre qué datos extraigo, cómo los analizo, qué busco, qué casos límite encuentro y cómo debe verse el resultado. Luego compila mis respuestas en un conjunto de instrucciones de skill que pueda guardar y reutilizar.”

Dedica 15 minutos a la entrevista. Prueba el borrador con datos reales. Ajusta lo que no funcione. Tras tres iteraciones, tendrás una skill que te ahorra 30 minutos cada vez que se ejecuta. Luego crea la segunda. Cada skill que creas se acumula, y para fin de mes la IA ejecuta tu metodología. Quien crea cinco skills hace en 30 minutos lo que antes tomaba media jornada.

Las skills funcionan mejor cuando tu herramienta de IA ya tiene tu contexto operativo. Si aún no has configurado tu perfil persistente, empieza con Dile a tu IA quién eres. Para instrucciones de configuración sobre cómo conectar con SEON, consulta la Guía de investigación de SEON MCP.

Siguiente en la serie: Skills que los analistas de fraude deberían crear, seis ideas de skills con prompts para iniciar la entrevista, además de archivos de skills prediseñados que puedes descargar y personalizar.

Requisitos previos: Dile a tu IA quién eres (contexto persistente) y una conexión SEON MCP en funcionamiento.

Preguntas frecuentes

Traducido y revisado por el equipo hispanohablante de SEON. Versión original de Daniel Gerhart consultor de fraude en SEON