Más allá de ChatGPT, el potencial de la IA en la prevención del lavado de dinero

Ante el riesgo por los falsos positivos, el verdadero rol de la IA se encuentra en los datos según expertos

Ante la fiebre por la inteligencia artificial (IA), que incrementó la adopción de herramientas generativas, las instituciones bancarias se vieron obligadas a mirar lacalidad de los datos antes de seguir modas. En un clima de riesgos financieros marcado por el lavado de dinero, losbancos no están destinando sus recursos para prevenir las etapas críticas de estos ataques cibernéticos al mirar la IA.

Con motivo de la conferencia ACAMS CDMX 2026, organizada el 27 de julio por la Asociación de Especialistas en Certificación contra el Lavado de Dinero, SAS presentó una serie de observaciones sobre el papel de la IA entre las instituciones financieras. Para la compañía especializada en analítica, el costo de cumplimiento contra el lavado de dinero (AML, por sus siglas en inglés) es elevado. Sin embargo, no garantiza seguridad ante falsos positivos.

De acuerdo conChristopher Ghene, global lead banking compliance de SAS, la IA es una herramienta clave para responder al lavado de dinero. No obstante, laadopción de inteligencia artificial en la banca tradicional se encuentra en un nivel básico, y en lugar de reforzar la seguridad, los actores prefieren invertir en la adopción de IA generativa.

Frente al hábito deinversión y gasto tecnológicode las instituciones financieras que tiende a las modas de LLM, las herramientas como ChatGPTpresentan una asistencia limitada. Ello se debe a un error de origen: este nivel de IAno está equipada para prevenir falsos positivos, cuya incidencia cuesta tiempo y dinero a las financieras.

En elámbito bancario, la batalla contra el lavado de dinero no se gana con resúmenes automatizados y asistentes de voz, sino con datos bien estructurados. Para SAS, el conocimiento de clientes y sus riesgos a partir de datos personalizados puede reducir los falsos positivos hasta en 40%.

Las tecnologías de IA en el sector bancario presentan tanto una oportunidad, como un desafío en materia de datos. Este campo requiere que se utilicen herramientas para estandarizar y corregir la información crítica relacionada con los clientes en lugar de la mera automatización de reportes.

Gracias a técnicas estadísticas de resolución de entidades, laIA puede crear un perfil único para cada cliente. Con la unificación de sus cuentas, tarjetas y productos, los modelos puedenevaluar las alertas generadas para prevenir falsos positivos. Asimismo, lasegmentación de clientes por pares ofrece una ventaja competitiva, donde lasalertas por lavado de dinero se generan solo en caso de comportamientos no reconocidos.

Por ello, la clave consiste en prevenir el uso de IA generativa como moda costosaque no resuelve el problema de fondo. Sin datos limpios y una estrategia preventiva, los bancos seguirán con falsos positivos mientras los criminales avanzan, aseveró SAS.

ChatGPTInteligencia ArtificialDinero