El fraude no se detiene. Nuestra respuesta tampoco debería hacerlo.

La prevención del fraude siempre ha implicado una carrera contra el cambio. Los estafadores encuentran la forma de eludir un control. Nosotros identificamos el patrón, creamos una regla y lo detenemos. Luego, el ciclo comienza de nuevo.

Ese modelo sigue siendo importante. Pero el fraude evoluciona más rápido, y creo que vale la pena ser honestos sobre los límites del enfoque tradicional.

El problema de combatir el fraude conocido

Los sistemas basados en reglas y la interconexión son componentes centrales de nuestro sistema más amplio de prevención del fraude. Las reglas nos ayudan a identificar patrones que ya hemos aprendido a asociar con actividades fraudulentas, por ejemplo, una combinación de uso de VPN y un tipo de documento propenso al fraude. La interconexión conecta la actividad entre verificaciones, revelando relaciones que no son visibles al observar un solo intento de forma aislada.

Pero ambas capacidades tienen algo en común: dependen del conocimiento previo. Una regla solo puede detener un ataque que se parece a algo que ya hemos documentado. La interconexión revela un rastro solo después de que se ha dejado.

Un nuevo ataque no tiene por qué parecerse al anterior. Los estafadores pueden experimentar con técnicas nuevas, combinar métodos existentes de formas inesperadas o introducir características que antes no se asociaban con el fraude. Eso crea una ventana de oportunidad entre las primeras señales de un ataque y el momento en que las defensas se adaptan. Una ventana que un estafador decidido puede aprovechar.

Cuando una nueva técnica funciona, se vuelve a probar. Si sigue funcionando, se perfecciona y se escala. La ventana entre el descubrimiento y la adaptación es exactamente donde ocurre esa escalada.

Por eso he llegado a pensar que el tiempo de adaptación, es decir, la rapidez con la que la prevención del fraude puede responder cuando aparece algo nuevo, es una de las dimensiones más importantes del problema. No basta con preguntar si podemos detectar un nuevo ataque eventualmente. También debemos preguntarnos cuánto tiempo tiene el ataque para escalar antes de que podamos responder.

Inteligencia Adaptativa en Acción

Lee el caso de estudio de movilidad global

Descubre cómo la detección de fraude de Veriff ayudó a una plataforma global de entrega de comida a reducir el fraude y agilizar el onboarding de conductores.

Leer ahora

Qué nos pueden decir las señales

Una forma de hacer que la prevención del fraude sea más adaptativa es mirar más allá de la evidencia de identidad en sí.

Cada verificación se lleva a cabo en un entorno más amplio. El dispositivo que se utiliza, la red a través de la que se conecta y las características técnicas de una sesión. A medida que las técnicas de inyección de medios y los deepfakes se vuelven más sofisticadas, este contexto circundante se vuelve cada vez más valioso.

Un deepfake puede ser visualmente convincente. Una campaña de fraude coordinada puede ser difícil de detectar a partir de una sola verificación. Pero las señales del dispositivo y de la red asociadas con sesiones fraudulentas a menudo muestran patrones que son detectables a nivel agregado, incluso cuando los intentos individuales parecen normales por sí solos.

Ninguna señal por sí sola te dice que un intento es fraudulento. Pero los patrones en la actividad fraudulenta pueden revelar características asociadas con un ataque emergente: características que comienzan a aparecer antes de que el ataque se comprenda por completo.

Eso crea una oportunidad: aprender de lo que está sucediendo ahora, en lugar de depender exclusivamente de los patrones establecidos en el pasado.

Una capa adaptativa basada en señales recientes

El enfoque en el que he trabajado en Veriff se basa en esta idea. El sistema aprende de las señales recientes de dispositivos y redes en actividades fraudulentas. Luego, usa esa inteligencia para adaptar la protección automáticamente, sin que una persona tenga que crear una nueva regla manualmente.

Las señales pueden ir más allá del dispositivo y la red. Por ejemplo, el sistema puede identificar cuándo un campo de un documento, como la fecha de emisión, se repite con una frecuencia inusual en intentos fraudulentos y marcar nuevos intentos que usan el mismo valor en ese campo.

El objetivo es dar a los nuevos vectores de ataque el menor tiempo posible para escalar. En la práctica, esto significa que un nuevo patrón de ataque generalmente puede ser neutralizado a las pocas horas de su primera aparición, y en un máximo de 24 horas, antes de que tenga la oportunidad de convertirse en un problema a gran escala.

Esto no pretende reemplazar las capas existentes de prevención del fraude. Las reglas y la interconexión siguen siendo importantes. Gestionan eficazmente los patrones conocidos, y ese trabajo no se detiene. Lo que esto añade es una capacidad complementaria que responde a las amenazas emergentes que aún no se han visto con la suficiente claridad como para codificarlas. En última instancia, el mayor valor reside en esta defensa invisible y proactiva: detener los sondeos iniciales antes de que los ataques puedan escalar, porque detener el fraude antes de que ocurra es siempre más poderoso que atraparlo después del hecho.

La cadena se ve más o menos así:

El valor no está en una sola señal. Está en la capacidad de aprender de la actividad fraudulenta reciente y usar esa inteligencia para fortalecer las defensas contra la próxima ola, mientras aún se está formando.

Qué ha significado esto en la práctica

El sistema ya se ha implementado en el tráfico real, demostrando lo que la detección adaptativa puede lograr cuando opera en el campo:

• Impacto dirigido: En una reciente ola de ataques que afectó a un cliente importante de movilidad, esta capacidad evitó miles de aprobaciones fraudulentas que de otro modo habrían pasado desapercibidas.
• Protección amplia: En todo nuestro tráfico global, el sistema identifica el 10 % de todas las verificaciones rechazadas semanalmente y es el único factor decisivo en aproximadamente el 2-4 % de las verificaciones rechazadas, aumentando drásticamente durante los ataques activos.

En lugar de ofrecer promesas fijas para cada situación, estas cifras sirven como una ilustración en vivo de lo que ofrece la detección basada en señales. Demuestran que adaptarse al fraude emergente casi en tiempo real acorta drásticamente la ventana en la que un ataque puede escalar.

Para integrar esta capacidad directamente en los flujos de trabajo de riesgo existentes, los resultados de la Inteligencia de Señales Adaptativa se han integrado recientemente en nuestro Fraud Risk Score, parte del paquete más amplio de Fraud Intelligence.

Por qué esto importa a medida que evolucionan las técnicas de fraude

A medida que avanzan las técnicas de fraude como los deepfakes y la inyección de medios, las verificaciones de identidad individuales (como nuestro conjunto de verificaciones de documentos y biométricas) ya no son suficientes por sí solas. La combinación de verificaciones individuales con un contexto más amplio de dispositivo y red proporciona una imagen de riesgo más completa para detectar ataques coordinados u ocultos.

En última instancia, la prevención del fraude moderna debe combinar la detección tradicional y retrospectiva («¿Hemos visto esto antes?») con la inteligencia adaptativa en tiempo real («¿Qué estamos viendo en este momento?»). Los sistemas como el de Veriff utilizan ambas capas para detener las amenazas conocidas mientras se adaptan continuamente a vectores de ataque nuevos y desconocidos.