Su pila de fraude se construyó para adversarios humanos

Durante los últimos 30 años, CAPTCHA ha cumplido una sola función: hacer que una máquina falle una prueba que una persona supera sin pensar. Esa función ha terminado. Investigadores, probando solucionadores automáticos contra los retos de imágenes reCAPTCHA v2 de Google, reportaron una tasa de éxito del 100 %, frente al aproximadamente 68 %‑71 % en trabajos anteriores, y no encontraron una diferencia significativa entre la cantidad de desafíos que necesitaba superar un bot y la que superaba un humano.

Si consideramos CAPTCHA como un sustituto de toda una categoría de controles basados en la misma premisa —que ciertas tareas son triviales para un humano y difíciles para una máquina, y por lo tanto superarlas prueba que eres humano— es momento de revisar los parámetros de control. Los agentes de IA han borrado silenciosamente esa premisa en el reconocimiento de imágenes, el llenado de formularios y la navegación de varios pasos, y la mayoría de los equipos de riesgo aún no han reconstruido su pila en respuesta.

Calibrado contra el enemigo equivocado

Cada regla en una pila de fraude madura se ajustó contra un oponente específico, ya sea un humano que se hace pasar por otro humano o una granja de bots que imita a muchos humanos a la vez. Los controles de velocidad detectan a quien abre cuentas más rápido de lo que una persona plausiblemente podría. Las reglas de reutilización de dispositivos detectan a quien recicla hardware entre identidades. Ambas se construyeron en torno a los límites humanos, el tiempo físico que lleva completar un formulario y el costo práctico de adquirir nuevos dispositivos.

Los mismos límites no restringen a un agente de IA como lo hacen a nosotros, los humanos. Puede completar un formulario en el tiempo que le lleva a un humano leer el primer campo, y puede provisionarse, usarse una sola vez y descartarse a un costo cercano a cero. El tráfico automatizado ahora representa más del 53 % de todo el tráfico web, frente al 51 % del año anterior, mientras que la actividad humana ha descendido al 47 % y sigue cayendo. Más de una cuarta parte de los ataques de bots (27 %) ahora apuntan directamente a APIs, eludiendo por completo la interfaz de usuario para operar a velocidad de máquina, y los servicios financieros por sí solos absorbieron el 24 % de todos los ataques de bots y el 46 % de los incidentes de toma de control de cuentas en 2025. Las reglas basadas en el ritmo humano nunca podrían detectar una clase de tráfico que no tiene ritmo alguno.

Donde aparecen las grietas

El instinto inicial de la industria ha sido combatir la IA con más IA, tratando un modelo de caja negra como una solución milagrosa para un adversario de caja negra. Ese instinto empeora el problema por sí mismo. Un modelo de fraude que no puede explicar su propia decisión es casi imposible de defender ante un regulador, un cliente o un auditor interno una vez que esa decisión es cuestionada, y un modelo opaco entrenado para detectar una amenaza opaca agrava la opacidad en lugar de resolverla. La defensibilidad aquí no es una nicetía filosófica; también implica poder demostrar la gobernanza del modelo: exactamente qué modelo está activo, qué cambió respecto a la versión anterior, qué información se usó para entrenarlo, quién aprobó el cambio y por qué. Un sistema diseñado para actualizar automáticamente el propio modelo de IA nunca se concibió para generar ese tipo de rastro documental.

Otra defensa necesaria para distinguir lo bueno de lo travieso es la inteligencia en capas: profundidad de señal a través de suficientes dimensiones independientes de modo que una identidad fabricada, una cuenta secuestrada o un mule de dinero se queden sin lugares donde ocultarse. Cada dimensión adicional es una oportunidad separada para detectar una inconsistencia, una pieza de infraestructura fraudulenta compartida o un comportamiento que no coincide con la persona registrada. Ninguna señal única tiene que cargar con todo el peso de la decisión. Cuanto más amplio sea el contexto, más una pista aislada y ambigua se convierte en algo que un equipo de fraude puede respaldar. 

Ese mismo principio se mantiene tanto si la decisión la toma una persona como un modelo. Un motor de riesgo de IA no es más inteligente que los datos que recibe. Si eliminas la mitad de las dimensiones, obtienes un sistema que razona con total confianza a partir de la mitad de la imagen, y eso es tan cierto para un modelo de aprendizaje automático que puntúa una transacción en milisegundos como lo es para un analista que trabaja un caso a mano. Se vuelve más verdadero, no menos, a medida que más de esa toma de decisiones se traslada a sistemas agentes que hacen la llamada sin ninguna persona en el proceso. La profundidad del contexto no solo sirve para atrapar a un agente que comete fraude. Es la condición previa para confiar en la decisión de un agente sobre cualquier asunto.

Alimentar ese contexto a un modelo cuyo razonamiento sigue siendo legible, en lugar de a un único sistema de caja negra que adivina la intención a partir de una sola señal, hace que la decisión deje de ser solo precisa. Se vuelve defendible. Esa distinción importa más contra agentes de IA que contra anillos de fraude humano, porque un agente deja un tipo de rastro diferente. No se inquieta, vacila ni comete los pequeños errores que la biometría conductual fue diseñada para detectar. En su lugar deja una huella; en la era de las credenciales que utiliza y la coherencia del historial de un dispositivo que sí o no se extiende más allá de la transacción que tienes delante. Ejecuta una herramienta de acceso remoto silenciosamente en segundo plano mientras se gastan las credenciales de otra persona. Nada de eso requiere leer una cara. Solo requiere la capacidad de leer los detalles completos de la sesión contra un amplio conjunto de señales.

La señal humana que ya no está

En ningún lugar la recalibración es más urgente que en la verificación de identidad, donde los equipos de fraude construyeron toda una disciplina centrada en detectar señales humanas, como una tasa de parpadeo antinatural, una sincronización de labios desalineada o un artefacto texturizado en una foto. Las herramientas de deepfake han cerrado la mayoría de esas brechas, y los criminales ya no necesitan crear esas herramientas por sí mismos.

Evaluación Global de la Amenaza de Fraude Financiero de Interpol, publicada en marzo, encontró que el fraude financiero drenó más de $442 mil millones de la economía global en 2025, y que el fraude potenciado por IA es ahora aproximadamente 4.5 veces más rentable que los métodos tradicionales. El informe identifica operaciones de “deepfake-as-a-service” en mercados de la dark web que venden kits de identidad sintética, completos con avatares de video generados por IA, clones de voz y datos biométricos, que permiten a un atacante crear un clon digital convincente a partir de solo 10 segundos de audio extraído de una publicación en redes sociales.

La señal fiable nunca fue el documento de identidad. Es la continuidad: la historia digital que una identidad real acumula a lo largo de años de actividad ordinaria de cuentas y patrones de comportamiento, el tipo de historial que una identidad sintética, o un agente que la representa, no tiene tiempo de construir. Un sistema que solo busca un documento de identidad falsificado seguirá fallando. Un sistema que busca una historia faltante tiene un objetivo más difícil de falsificar.

Reequipando para un adversario diferente

Nada de esto es un argumento para entrar en pánico, ni tampoco indica que el fraude humano haya desaparecido. No lo ha hecho. Es un argumento de que una pila ajustada completamente a los límites, ritmos y señales humanas tiene un punto ciego estructural justo donde operan los agentes de IA, y ese punto ciego no se cerrará por sí solo. Cualquiera de estos controles, probado de forma aislada, aún puede resultar limpio. Solo cuando esos controles se analizan juntos, a través de suficientes dimensiones independientes, el patrón que un control aislado fue diseñado para pasar por alto se vuelve visible.

Los sistemas de IA agente ahora pueden planificar y ejecutar de forma autónoma una campaña de fraude completa, desde el reconocimiento hasta la demanda de rescate, en gran medida sin un operador humano en el proceso. La solución no es una regla añadida a la pila antigua. Es una premisa reconstruida. La prueba ya no es si algo parece un estafador humano, sino si alguna vez hubo un humano genuino detrás de ello.