Visa declaró haber evitado aproximadamente 40.000 millones de dólares en pérdidas relacionadas con fraude en 2023, apoyándose en modelos de inteligencia artificial que analizan datos históricos de transacciones para detectar patrones sospechosos en tiempo real. La compañía ha invertido más de 11.000 millones de dólares en tecnología para reducir el fraude y reforzar la ciberseguridad de su red. No es la única: Mastercard proyecta que las pérdidas globales por fraude bancario podrían pasar de 23.000 millones de dólares en 2025 a 58.300 millones en 2030 —un aumento del 153%— si las entidades no consiguen anticiparse a las señales de alerta temprana, en lugar de reaccionar después del incidente.
Estas cifras concretas son las que dan peso real a la idea central de cualquier artículo sobre IA y fraude: el cambio de un modelo reactivo (investigar después del incidente) a uno preventivo (detectarlo antes de que se materialice) ya no es una aspiración teórica, es una carrera que las grandes redes de pago están documentando con datos auditables.
Cómo funciona en la práctica, con cifras de rendimiento real
La lógica de un sistema antifraude basado en IA sigue siendo la misma que planteaba el enfoque original: analizar simultáneamente cientos de variables —ubicación, hora, importe, historial, dispositivo— para detectar combinaciones que, de forma aislada, parecerían normales. Lo que ha cambiado es la magnitud de esos sistemas. Mastercard Decision Intelligence Pro, su plataforma de análisis de riesgo, escanea más de un billón de puntos de datos para puntuar cada transacción, y ha conseguido reducir hasta en un 80% las falsas alertas —esas operaciones legítimas que un sistema antiguo marcaba erróneamente como sospechosas, generando fricción innecesaria para el cliente—. En instituciones que adoptaron modelos de machine learning en tiempo real, como Visa y PayPal, se registraron aumentos de hasta diez veces en la detección de fraude durante 2023 y 2024, con reducciones equivalentes en falsas alertas.
Este último dato es tan importante como el de detección: un sistema que bloquea demasiadas operaciones legítimas por exceso de cautela genera un coste real —clientes frustrados, ventas perdidas—, así que el verdadero avance no es solo detectar más fraude, sino hacerlo sin sacrificar la experiencia de quienes no están haciendo nada malo.
El ejemplo cotidiano, actualizado con más contexto
El caso de una tarjeta usada en Madrid que minutos después registra una compra en otro continente sigue siendo el ejemplo más claro para explicar esto a cualquiera. Lo que el artículo original no explicaba es cuánto ha mejorado la infraestructura detrás de esa alerta: NVIDIA ha desarrollado un modelo de referencia (AI Blueprint) para detección de fraude financiero que ya utilizan entidades como American Express para mejorar la precisión de sus propios modelos, y bunq —un banco digital europeo— ha conseguido entrenar sus sistemas de detección de fraude y blanqueo de capitales hasta 100 veces más rápido gracias a esta misma infraestructura de computación acelerada. BNY se convirtió en 2024 en el primer gran banco en desplegar un superordenador NVIDIA DGX dedicado en parte a este tipo de detección. La proyección de fondo que justifica esta inversión es contundente: las pérdidas globales por fraude en transacciones con tarjeta podrían superar los 403.000 millones de dólares durante la próxima década si la tecnología de detección no sigue avanzando al mismo ritmo que las técnicas de los estafadores.
Sectores donde ya es una herramienta habitual, no experimental
Comercio electrónico y pagos. Más allá de la banca tradicional, las propias redes de pago han pasado a un rol activo: Mastercard lanzó en 2025 una solución de inteligencia de amenazas que conecta a los equipos de fraude con los de ciberseguridad, partiendo de un dato revelador —el 57% de los responsables de fraude a nivel global no detectan una brecha de ciberseguridad hasta que las pérdidas por fraude ya se han producido, precisamente porque ambos equipos históricamente han trabajado de forma aislada dentro de la misma organización.
Criptomonedas. El análisis de movimientos inusuales en redes blockchain sigue siendo un terreno activo de aplicación de IA, especialmente relevante dado el crecimiento de estafas con criptoactivos que ya analizamos con datos de Chainalysis en nuestro artículo sobre altcoins y estafas cripto.
Administraciones públicas y otros sectores. El análisis masivo de datos para detectar irregularidades financieras sigue expandiéndose, aunque a un ritmo más desigual que en el sector privado, donde la presión competitiva —y el coste directo del fraude no detectado— acelera la adopción.
La carrera armamentística sigue siendo real, y ahora con datos de ambos lados
El propio Mastercard reconoce que buena parte del fraude no empieza en el momento de la transacción, sino en una brecha de seguridad previa cuyos datos robados se venden y reutilizan después. Esto confirma la idea del artículo original sobre una «guerra tecnológica permanente»: mientras las entidades mejoran sus modelos de detección, los delincuentes también incorporan IA generativa para crear ataques más convincentes y difíciles de distinguir de una actividad legítima —un fenómeno que también recogimos con datos concretos en nuestro artículo sobre fraudes online.
Los límites que siguen sin resolverse del todo
La inteligencia artificial sigue pudiendo equivocarse en ambas direcciones: marcar como sospechosa una operación legítima, o no detectar un fraude especialmente sofisticado. La reducción del 80% en falsas alertas que ofrece Mastercard demuestra que esta tecnología ha mejorado mucho en ese equilibrio, pero no lo ha resuelto por completo —de ahí que las organizaciones más avanzadas sigan combinando IA con supervisión humana, no como una fase transitoria, sino como el modelo de trabajo que mejor funciona a día de hoy.
Lo que separa este momento del anterior
A mi juicio, lo más relevante de 2025 no es que la IA detecte fraude —eso ya se sabía—, sino que las grandes redes de pago han empezado a publicar cifras auditables sobre su efectividad: 40.000 millones de dólares evitados, hasta 10 veces más detección, hasta 80% menos falsas alertas. Estos números convierten un argumento que antes era casi de fe («la IA mejorará la seguridad») en algo que se puede medir y comparar entre proveedores. Cuando una tecnología pasa de la promesa a la métrica auditable, suele ser la señal de que ha dejado de ser experimental para convertirse en infraestructura estándar del sector.
Lo que cambia cuando la prevención llega antes que el delito
La diferencia entre detectar un fraude y anticiparlo, que el artículo original ya apuntaba como la siguiente frontera, empieza a tener ejemplos concretos: sistemas que no solo puntúan una transacción en el momento, sino que cruzan señales de ciberseguridad previas para anticipar el riesgo antes de que se traduzca en una operación fraudulenta real. Con pérdidas proyectadas de cientos de miles de millones de dólares en la próxima década si esta carrera se pierde, la inversión en esta dirección —11.000 millones solo por parte de Visa— no es una apuesta de futuro, es ya una necesidad operativa para cualquier gran red de pagos.
Este artículo tiene fines informativos y educativos.
Fuentes: iProUP, Mastercard Newsroom, CLAI, NVIDIA Blogs, Revista Byte.