Director Global de Auditoría Interna
en Grupo Bimbo
El uso de herramientas tecnológicas facilita la detección temprana de posibles irregularidades y mejora la eficiencia y profundidad de las investigaciones. La analítica de datos, la Inteligencia Artificial (IA) y el monitoreo continuo permiten identificar patrones inusuales, automatizar procesos de revisión y reducir los tiempos de respuesta ante indicios de fraude.
El análisis de datos ha sido una revolución en la manera en que las organizaciones combaten el fraude. Mientras que los enfoques tradicionales se basaban en auditorías periódicas y revisiones manuales, los analíticos permiten una evaluación continua y automatizada de grandes volúmenes de información.
La minería de datos es una técnica que permite analizar grandes volúmenes de información para identificar patrones sospechosos; por ejemplo, en la industria bancaria se han desarrollado modelos predictivos que detectan transacciones fraudulentas en tiempo real. Un caso emblemático es el de J.P. Morgan Chase, que ha implementado algoritmos de machine learning para analizar millones de transacciones diarias y señalar aquellas con características atípicas, lo que ha permitido reducir significativamente las pérdidas por fraude.
En el sector retail se utiliza el análisis de patrones de compra para identificar fraudes en devoluciones de productos. Si un cliente o empleado realiza un número anormal de devoluciones en un corto periodo de tiempo, el sistema puede marcar la actividad para su revisión. Cada vez se dan más devoluciones con intenciones fraudulentas, como alegar problemas de calidad para justificar una devolución de un producto que ya se usó, o bien cuando se utiliza la prenda una vez para luego devolverla.
Empresas fintech, aseguradoras, compañías de juegos en línea, casinos o plataformas de apuestas virtuales necesitan verificar que tratan con usuarios reales y no con estafadores. Ante esto, utilizan algoritmos que son entrenados con información previa que permite bloquear ciertas acciones de los usuarios, como accesos sospechosos, robos de identidad o transacciones fraudulentas. Lo que hacen las organizaciones es entrenar a la IA con casos de fraude y no fraude, esto a fin de evitar falsos positivos y contar con mayor precisión en la selección de las acciones del usuario.
Estos sistemas analizan cada transacción en cuestión de milisegundos mediante el uso de modelos de scoring de riesgo para determinar la probabilidad de fraude. Este tipo de herramientas permite bloquear transacciones sospechosas antes de que se concreten y reduce el impacto financiero de actividades fraudulentas. Los modelos de scoring pretenden analizar variables, como montos atípicos en transacciones, uso de horarios no laborales o frecuencias de uso; asimismo, asignan un puntaje que indica el nivel de riesgo asociado a cada posible caso o individuo.
En el sector de seguros, las compañías han implementado sistemas de análisis de reclamos para detectar fraudes en pólizas. Estos sistemas comparan nuevos reclamos con bases de datos históricas para identificar patrones sospechosos, como reclamaciones repetitivas o inconsistencias en la información del asegurado, así como cuando se procura intencionalmente un siniestro o se exageran sus consecuencias para indemnizarse de manera indebida.
Una de las condiciones para detectar posibles anomalías en las bases de datos es la selección adecuada de variables que entran en el proceso de análisis: tipo de pólizas, formas de pago, variaciones al contrato, antigüedad, edad del asegurado, número de siniestros anteriores, fecha del accidente cercana a la contratación de la póliza o coincidencia de apellidos entre siniestros. Posteriormente, se definen las posibles interacciones entre variables y se entrena al algoritmo para que aprenda de las posibles inconsistencias.
La IA y el machine learning han demostrado que son herramientas poderosas en la lucha contra el fraude. Estas tecnologías pueden aprender de datos históricos para mejorar continuamente la detección de fraudes y prevenirlos antes que sucedan. Las compañías de tarjetas de crédito las utilizan para analizar patrones de gasto y detectar transacciones fraudulentas antes de que afecten a los consumidores; por ejemplo, la IA puede detectar cuándo los hábitos de gasto típicos de un cliente cambian repentinamente, como una transacción de alto valor que se origina en un país extranjero donde el usuario no tiene historial de actividad.
En la banca se utilizan estas herramientas para detectar transferencias internacionales sospechosas que se originan de direcciones IP (Internet Protocol) de países sospechosos. Al identificar estas anomalías a tiempo, los bancos pueden evitar millones en pérdidas potenciales.
Una de las ventajas más significativas de la IA es su capacidad de aprendizaje y adaptación. A medida que los estafadores desarrollan nuevos métodos, los sistemas de IA también evolucionan. El Procesamiento del Lenguaje Natural (NLP, por sus siglas en inglés) ayuda a identificar comunicaciones fraudulentas mediante el análisis de textos como correos electrónicos de clientes y registros de chat. Al reconocer patrones lingüísticos inusuales o palabras clave relacionadas con el phishing, el sistema puede interceptar intentos de estafa antes de que sucedan.
Ahora bien, en el ámbito corporativo, las grandes empresas utilizan estas herramientas para auditar automáticamente grandes volúmenes de datos financieros y detectar irregularidades en reportes contables. Este tipo de análisis ha permitido identificar fraudes internos de manera más eficiente que las auditorías tradicionales.
Existen herramientas que permiten analizar de forma masiva correos electrónicos que buscan patrones o palabras clave que podrían indicar actividades de corrupción o confirmación de posibles conflictos de interés.
Estas herramientas utilizan el NLP y la IA para entender palabras específicas y el contexto de las conversaciones que se muestran en los correos propiedad de las empresas; de esta forma se pueden detectar alertas sutiles que no serían visibles a través de búsquedas manuales. Entienden el contexto semántico, analizan el tono emocional, detectan posibles intenciones fraudulentas e, incluso, malas conductas por el simple texto escrito, en el cuerpo del correo o los enunciados.
Empresas como Enron, en el famoso caso de fraude corporativo, podrían haber identificado irregularidades aplicando técnicas para analizar las comunicaciones internas de sus ejecutivos.
Ahora bien, se presentan algunas prácticas, como la definición de objetivos, la integración de fuentes, el monitoreo continuo y la depuración de datos, las cuales son de utilidad en la gestión del riesgo de fraude:
La gestión del riesgo de fraude ha evolucionado gracias al uso de analíticos avanzados y herramientas tecnológicas. Desde la minería de datos hasta el machine learning, las organizaciones tienen a su disposición poderosas soluciones para detectar y prevenir actividades fraudulentas.
Casos reales de empresas líderes en distintos sectores demuestran que la adopción de estas tecnologías no sólo mejora la detección de fraudes, sino que también optimiza los procesos internos y reduce pérdidas económicas; sin embargo, independientemente del tamaño de una organización, empezar con una propuesta de recolección, análisis e interpretación de los datos es un primer paso para avanzar en el uso de herramientas para la detección y prevención del fraude empresarial.
El alignment inverso en la IA es cuando un sistema optimiza una función insuficiente; la potencia del cálculo no corrige una mala formulación del problema.
Christian Vázquez Sánchez
Según indicadores, las vacantes generadas en la economía mundial que requieren habilidades y entrenamiento en IA pasaron del 5% en 2021 al 24% en 2025.
Salvador Rivas Aceves
Ante el auge de herramientas tecnológicas, la ciberseguridad se convierte en una extensión de la ética profesional del contador y un pilar de confianza.
Ana Guadalupe Avila Albarrán
Los datos son una forma emergente de capital económico, comparable a otros activos intangibles como las marcas, las patentes o el capital intelectual.
Christian Vázquez Sánchez
© 2026 Colegio de Contadores Públicos de México, A.C.
Directorio Contacto Aviso legal Acerca de Veritas
Inicia sesión o suscríbete para continuar leyendo.