Inteligencia Artificial para fortalecer la prevención de lavado de dinero

La IA aporta valor cuando permite ordenar datos, acelerar análisis, reducir errores humanos y mejorar la consistencia del cumplimiento; sin embargo, su uso requiere límites claros, ya que las respuestas generadas por modelos deben ser verificadas, documentadas y sometidas a juicio humano dentro de un marco de control interno.

La evolución de la IA explica su utilidad actual en cumplimiento. Desde la prueba de Turing y la conferencia de Dartmouth hasta el perceptrón, los sistemas expertos, el aprendizaje profundo y la IA generativa, el campo ha pasado de reglas rígidas a modelos capaces de detectar patrones.

En PLD, esta evolución importa porque los riesgos no siempre se presentan como eventos simples. Una operación puede parecer ordinaria si se observa aislada, pero volverse relevante al combinar monto, frecuencia, forma de pago, intermediarios, beneficiario controlador, relación comercial y documentación disponible; por ello, la IA permite ampliar la capacidad analítica, siempre que sus resultados sean interpretables y trazables.

Los sistemas basados en reglas son útiles porque operan con criterios explícitos; si ocurre una condición, se genera una alerta. Su principal fortaleza es la justificación ante la auditoría, ya que la alerta puede vincularse con una regla documentada. Su límite está en que las tipologías cambian y una regla puede quedar corta frente a esquemas nuevos. El aprendizaje automático supervisado agrega otra capa: aprende con datos etiquetados, como operaciones clasificadas por nivel de riesgo, y puede apoyar la priorización de expedientes. El aprendizaje no supervisado, por su parte, busca agrupamientos y anomalías sin depender de etiquetas previas, lo que resulta útil para detectar comportamientos atípicos.

En PLD, la IA no sustituye al responsable de cumplimiento; su verdadero valor radica en generar análisis trazables, verificables y respaldados por evidencia documental.

El aprendizaje profundo y las redes neuronales permiten procesar relaciones más complejas. Una red neuronal recibe datos en una capa de entrada, los transforma en capas ocultas y entrega una salida, como una clasificación o predicción. Durante el entrenamiento, ajusta pesos y sesgos mediante comparación entre resultado obtenido y esperado.

En términos de PLD, esto puede ayudar a detectar patrones no lineales; no obstante, también introduce riesgos técnicos: sobreajuste cuando el modelo memoriza ejemplos y falla con casos nuevos; o la baja interpretabilidad cuando no se entiende con claridad por qué se generó un resultado. En cumplimiento, no basta con acertar, sino que debe poder explicarse y documentarse la razón del análisis.

Las aplicaciones prácticas en PLD incluyen monitoreo transaccional, detección de anomalías, evaluación dinámica de riesgos, identificación de clientes y negocios, reducción de falsos positivos, apoyo en avisos o informes y análisis documental con modelos de lenguaje.

Estas funciones pueden utilizarse para revisar operaciones de actividades vulnerables reguladas por el artículo 17.° de la LFPIORPI. El objetivo técnico es transformar datos dispersos en señales revisables: operaciones cercanas a umbrales, pagos en efectivo, documentación incompleta, falta de beneficiario controlador, justificación económica insuficiente o relaciones de negocios poco claras, entre otras.

El procesamiento de lenguaje natural y los modelos de lenguaje son relevantes para formular preguntas, resumir expedientes, detectar información faltante y generar borradores de análisis. Para obtener respuestas útiles, el prompt debe estructurarse con rol, tarea, contexto, formato y restricciones; por ejemplo, actuar como analista de cumplimiento, revisar un caso, identificar señales de alerta, responder en tabla y no concluir si existe delito. Esta estructura evita preguntas vagas y orienta al modelo hacia una salida verificable. También permite generar prompts específicos para mutuos, joyas, relojes, activos virtuales o compraventa de inmuebles, entre otras actividades vulnerables.

Un procedimiento técnico consiste en proporcionar una fuente, ordenar que la IA responda solo con base en ella, pedir que señale el fragmento que respalda cada conclusión, revisar la coincidencia entre respuesta y texto fuente, exigir que indique información insuficiente cuando falten datos y cerrar con la revisión humana; con esta práctica se reducen errores, omisiones y respuestas inventadas. En PLD, la trazabilidad es parte del control al conservarse qué se preguntó, qué respondió el sistema, qué fuente se utilizó, qué validó el analista y qué decisión final se tomó.

La gobernanza de IA debe cubrir cuatro dimensiones: reglas y responsabilidades, mapeo del caso de uso, medición de desempeño y gestión de mejoras. En la práctica, esto significa definir quién puede usar IA, para qué fines, con qué información, bajo qué límites y con qué evidencia. También exige identificar riesgos como saturación de alertas, falsos negativos, sesgos, uso indebido, exposición de información sensible y dependencia excesiva del modelo. Bajo ese principio, el uso de modelos se integra al enfoque basado en riesgos sin desplazar las obligaciones regulatorias. Por ejemplo:

• En un caso de relojes de alta gama, la IA puede ordenar obligaciones de identificación, aviso, restricciones de efectivo y datos faltantes del expediente.
• En la compra de un inmueble, la herramienta puede estructurar un informe sobre forma de pago, documentación, señales de alerta e infracciones posibles.
• En activos virtuales, esta tecnología puede ayudar a preparar un requerimiento documental para revisar identidad, beneficiario controlador, finalidad de la operación, trazabilidad y relación comercial.

Estos usos no resuelven por sí mismos el cumplimiento, sino que lo hacen más sistemático, consistente y auditable. La decisión final debe sustentarse en fuentes normativas y evidencia del expediente. Además, el uso de esta herramienta debe documentar entradas, salidas, criterios y validación para que cada alerta pueda reconstruirse ante una auditoría. Por otra parte, la calidad del expediente continúa siendo la base del análisis porque ningún modelo compensa datos incompletos o fuentes no verificadas. La utilidad real aparece cuando reglas, modelos estadísticos y revisión humana operan como un solo flujo de control.

Una implementación responsable de IA exige gobernanza, control interno, trazabilidad y revisión humana para convertir datos en mejores decisiones.

Conclusiones

La IA puede fortalecer la PLD en actividades vulnerables si se utiliza con un enfoque técnico, controlado y verificable. Su mayor aporte está en acelerar el análisis, detectar patrones, formular mejores preguntas y documentar revisiones; sin embargo, sus límites son igual de importantes, ya que puede generar sesgos, omisiones o interpretaciones incorrectas si se usa sin controles.

Una implementación responsable requiere gobierno, trazabilidad, validación humana y prompts bien diseñados; con esto, la IA no sustituye el cumplimiento, sino que lo potencia como herramienta de apoyo para decisiones mejor fundamentadas.