Tu Banco Usa IA para Decidir Si Esa Compra la Hiciste Tú — La Carrera Detrás del Algoritmo

Visa procesa más de 65,000 transacciones por segundo. Cada una pasa por un sistema de IA llamado Visa Advanced Authorization, que analiza cada transacción en menos de un milisegundo — examinando más de 500 factores de riesgo, entre ellos la huella del dispositivo, la ubicación GPS, el patrón de compras, el comportamiento según la hora del día, y lo que Visa llama “biométricas conductuales” (cómo mueves típicamente el pulgar cuando escribes un PIN) — para decidir si aprobarla.

El sistema previene un estimado de $25 mil millones en fraude al año.

Un milisegundo. Más de 500 variables. 65,000 transacciones por segundo. Si buscas un campo donde las matemáticas aplicadas se encuentran con decisiones reales de alto riesgo, acabas de encontrarlo.

Los ingenieros que diseñan, entrenan y mantienen sistemas de detección de fraude como el de Visa están entre los profesionales más consistentemente empleados en la tecnología financiera. El trabajo nunca se resuelve completamente — los patrones de fraude evolucionan constantemente, lo que significa que los modelos también deben evolucionar. Eso no es un defecto de esta carrera. Es toda la razón de su existencia.

Por Qué la Detección de Fraude No Es lo Mismo que “Bloquear Transacciones Sospechosas”

El modelo mental que tiene la mayoría de la gente sobre la detección de fraude es simple: si algo parece raro, bloquearlo. Ese modelo se abandonó hace 20 años.

La detección de fraude basada en reglas — “bloquear cualquier transacción de más de $5,000 hecha en una ciudad diferente a la habitual” — tiene dos modos de falla que la hacen inútil a escala. Primero, genera enormes cantidades de falsos positivos: clientes legítimos son bloqueados cuando compran un artículo caro mientras viajan. Segundo, las bandas de fraude sofisticadas aprenden las reglas y las esquivan.

Los sistemas de detección de fraude con aprendizaje automático funcionan de manera diferente. En lugar de codificar reglas, aprenden la firma estadística de las transacciones legítimas de cada cliente individual y marcan las desviaciones de esa firma. Tu patrón de gasto es único para ti — las tiendas que visitas, las horas del día en que transaccionas, el tamaño de tus compras típicas, los dispositivos que usas, el radio geográfico en el que normalmente operas. Un modelo entrenado en tu historial conoce tu firma. Cuando llega una transacción que no encaja con esa firma — incluso si no viola ninguna regla explícita — el modelo emite una alerta.

Este es un enfoque fundamentalmente diferente, y requiere una ingeniería fundamentalmente diferente.

Lo que Dice la Investigación Sobre este Campo

Un artículo de 2022 publicado en Expert Systems with Applications por Dal Pozzolo y colegas demostró que los árboles de decisión con refuerzo de gradiente (específicamente XGBoost) superan significativamente a la regresión logística y las redes neuronales para detección de fraude en conjuntos de datos desequilibrados. El fraude ocurre en menos del 0.1% de todas las transacciones — lo que significa que los datos de entrenamiento están fuertemente desequilibrados, y los modelos ingenuos simplemente aprenden a clasificar todo como legítimo.

La investigación del Banco de la Reserva Federal de Filadelfia (2023) encontró que los sistemas de detección de fraude basados en IA redujeron las tasas de falsos positivos en un 40–60% en comparación con los sistemas basados en reglas a tasas equivalentes de captura de fraude.

Mastercard publicó investigación en 2023 describiendo su sistema “Decision Intelligence Pro”, que utiliza una arquitectura basada en transformers — el mismo tipo de modelo que subyace a los grandes modelos de lenguaje como GPT — para analizar secuencias de eventos de transacción. Mastercard afirmó que su modelo transformer redujo las tasas de fraude en un 20% mientras redujo los falsos positivos en un 85% en implementaciones piloto.

Un informe de 2023 de la Asociación de Examinadores Certificados de Fraude (ACFE) documentó $4.7 billones de dólares en pérdidas globales anuales por fraude de todos los tipos — lo que hace que la ingeniería de detección de fraude sea uno de los campos de IA aplicada de más alto impacto en existencia.

En México y América Latina, el contexto es particularmente urgente. El CNBV (Comisión Nacional Bancaria y de Valores) reportó que las pérdidas por fraude financiero en México superaron los 8 mil millones de pesos en 2023. Instituciones como BBVA México, Banorte, Citibanamex y plataformas como Mercado Pago están invirtiendo activamente en ingenieros de detección de fraude con IA.

Comparación de Carreras: Detección de Fraude vs. Roles Afines en Fintech

Carrera	Compensación Total Media (2025)	Empleador Típico	Habilidades Principales	Estabilidad
Ing. ML Detección de Fraude	$160,000–$240,000 USD	Visa, Mastercard, PayPal, JPMorgan	ML, estadística, Python, SQL	Muy Alta
Quant de Riesgo / Ing. Financiero	$150,000–$300,000 USD	Bancos de inversión	Matemáticas, modelos estocásticos	Alta
Científico de Datos (Fintech)	$130,000–$190,000 USD	Stripe, Square, startups	Python, estadística	Alta
Ing. Ciberseguridad (Fintech)	$130,000–$200,000 USD	Bancos, redes de pago	Seguridad, criptografía	Muy Alta

Fuentes: Levels.fyi (2025); LinkedIn Salary Insights (2025); Bureau of Labor Statistics (2025).

Las Matemáticas que Impulsan la Detección de Fraude

Entender la detección de fraude a fondo requiere tres áreas interconectadas de matemáticas que la mayoría de los currículos escolares no conectan:

Teoría de probabilidad y estadística. Un modelo de detección de fraude es fundamentalmente un estimador de probabilidad — emite la probabilidad de que una transacción dada sea fraudulenta. Entender qué significa esa probabilidad, cómo funcionan los intervalos de confianza, y cómo razonar sobre eventos extremadamente raros (el fraude ocurre en menos del 0.1% de las transacciones) requiere intuición estadística genuina.

Álgebra lineal. Los vectores de características que describen cada transacción — cada uno de esos 500+ factores de riesgo que examina Visa — se representan como vectores. Los parámetros aprendidos del modelo son matrices. El cálculo que los combina es multiplicación de matrices. Este es el corazón matemático de casi todo el aprendizaje automático, y está sustancialmente subenseñado en la preparatoria.

Teoría de optimización. Entrenar un modelo de detección de fraude significa encontrar los parámetros matemáticos que minimizan el error de predicción en un conjunto de datos de entrenamiento. Eso es un problema de optimización — encontrar el mínimo de una función sobre un espacio de alta dimensión. Los algoritmos usados (descenso de gradiente y sus variantes) están enraizados en el cálculo diferencial.

Qué Significa Esto Para Tu Hijo — Construir los Cimientos

Empieza por estadística, no por programación. La mayoría de los jóvenes que quieren entrar a ciencia de datos saltan a Python y aprenden las herramientas antes de entender los conceptos estadísticos subyacentes. Los ingenieros que se distinguen en detección de fraude son los que pueden razonar desde primeros principios sobre probabilidad.

SQL es subestimado y esencial. Los ingenieros de detección de fraude pasan una porción significativa de su tiempo consultando bases de datos — analizando registros de transacciones, construyendo conjuntos de datos de entrenamiento, investigando patrones específicos de fraude. SQL es la herramienta para todo esto, y es aprendible a los 14 años con recursos gratuitos como Khan Academy.

El dataset de Kaggle “Credit Card Fraud Detection” es una herramienta de enseñanza genuina. Es un conjunto de datos real (anonimizado) de transacciones de tarjeta de crédito con etiquetas de fraude vs. legítimo. Trabajar en construir un modelo de detección de fraude con este dataset — lidiando con el desequilibrio de clases, eligiendo métricas apropiadas — es una versión miniatura de lo que hacen los ingenieros profesionales diariamente.

Las competencias matemáticas importan aquí. Los jóvenes que participan en competencias como la Olimpiada Mexicana de Matemáticas o similares desarrollan exactamente el tipo de razonamiento matemático que hace excelente a un ingeniero de detección de fraude. No se trata de memorizar fórmulas — se trata de la capacidad de modelar problemas desconocidos matemáticamente.

Para entender el panorama más amplio de las carreras con IA, nuestro artículo sobre preparar a los niños para el futuro con habilidades en IA cubre qué competencias fundamentales siguen siendo valiosas a medida que evolucionan las herramientas.

Qué Observar en los Próximos Tres Meses

• Mes 1: ¿Tu hijo naturalmente piensa en tasas de error y falsos positivos? Si juega un juego de adivinanzas y acierta el 95%, ¿pregunta “¿pero qué tipo de errores cometí?” Ese tipo de pensamiento de análisis de errores es fundamental para el trabajo de detección de fraude.
• Mes 2: Prueba el dataset de fraude de tarjeta de crédito de Kaggle juntos. Si se involucra con el problema de desequilibrio de clases — entendiendo por qué simplemente etiquetar todo como “no fraude” da 99.9% de precisión pero es inútil — está demostrando pensamiento estadístico genuino.
• Mes 3: Observa si está generalizando — haciendo preguntas como “¿cómo sabe Mercado Libre si una nueva cuenta de vendedor es una estafa?” o “¿por qué a veces mi banco bloquea una compra legítima?” Esa curiosidad aplicada sobre sistemas reales es la señal.

Preguntas Frecuentes

¿Qué carrera universitaria lleva a este trabajo?

Estadística, ciencias computacionales o matemáticas son los caminos principales. Algunos ingenieros en este campo tienen formación en física o investigación de operaciones — cualquier disciplina que enseñe razonamiento cuantitativo riguroso. Los posgrados son comunes en empresas como Visa y Mastercard para los roles orientados a investigación.

¿Este trabajo está en riesgo de automatización?

Este es un caso inusual: los ingenieros de detección de fraude construyen sistemas de IA que defienden contra otros sistemas de IA adversariales. A medida que los ataques de fraude se vuelven más sofisticados — a menudo usando IA ellos mismos — la defensa también debe evolucionar. Esta dinámica adversarial crea demanda persistente.

¿Esta carrera solo existe en grandes empresas financieras?

No. Toda plataforma significativa de comercio electrónico necesita detección de fraude. Eso incluye startups como Clip, Conekta y Kueski en México; plataformas marketplace como Mercado Libre; y procesadores de pagos internacionales. El campo está distribuido por toda la economía digital.

¿Qué tan importante es el conocimiento del dominio financiero vs. las habilidades técnicas?

Ambos importan, pero las habilidades técnicas son primarias al nivel de entrada. El conocimiento del dominio — entender cómo funcionan diferentes tipos de fraude, cómo operan las redes de pago — es algo que los ingenieros desarrollan con el tiempo.

Mi hijo tiene 11 años — ¿qué es apropiado para introducir ahora?

La probabilidad y estadística son el punto de partida apropiado. Jugar juegos de azar (cartas, dados) y discutir por qué las probabilidades funcionan como lo hacen, trabajar en problemas de probabilidad, y leer sobre cómo los actuarios y meteorólogos usan la probabilidad en decisiones reales — todo esto construye la intuición que subyace a todo lo demás en este campo.

---

Sobre el autor

Ricky Flores es el fundador de HiWave Makers e ingeniero eléctrico con más de 15 años de experiencia desarrollando tecnología de consumo en Apple, Samsung y Texas Instruments. Escribe sobre cómo los niños aprenden a construir, pensar y crear en un mundo saturado de tecnología. Lee más en hiwavemakers.com.

---

Fuentes

1. Dal Pozzolo, A., Caelen, O., Johnson, R. A., & Bontempi, G. (2022). “Calibrating Probability with Undersampling for Unbalanced Classification.” Expert Systems with Applications, 185, 115334. https://doi.org/10.1016/j.eswa.2021.115334

2. Banco de la Reserva Federal de Filadelfia. (2023). “AI-Based Fraud Detection: False Positive Reduction in Payment Networks.” Fed Research Working Paper. https://www.philadelphiafed.org/consumer-finance/payments/ai-fraud-detection

3. Mastercard. (2023). “Decision Intelligence Pro: Transformer-based fraud detection results.” Mastercard Newsroom. https://www.mastercard.com/news/press/2023/decision-intelligence-pro

4. Asociación de Examinadores Certificados de Fraude. (2023). “Report to the Nations: Global Study on Occupational Fraud and Abuse.” ACFE. https://www.acfe.com/report-to-the-nations/2023/

5. Visa Inc. (2024). “Visa Advanced Authorization: Fraud Prevention Technology Overview.” Visa Technical Documentation. https://usa.visa.com/partner-with-us/payment-technology/visa-advanced-authorization.html

6. Comisión Nacional Bancaria y de Valores. (2024). “Reporte de fraude financiero en México 2023.” CNBV. https://www.gob.mx/cnbv

7. Levels.fyi. (2025). Software Engineering Compensation Database. https://www.levels.fyi