IBM y Arab African International Bank muestran que un sistema antifraude se gana el negocio reduciendo pérdidas y falsos positivos al mismo tiempo

El caso desplaza la conversación desde precisión técnica hacia economía operacional. IBM informó el 23 de septiembre que Arab African International Bank avanzó en su programa de prevención de fraude mediante IBM Safer Payments, integrado con su infraestructura de pagos y core bancario junto a TECH-HUB e IBM Expert Labs. El banco reporta resultados que incluyen reducción de pérdidas asociadas a fraude, mayor precisión para identificar transacciones sospechosas, menos alertas falsas y mejor eficiencia operativa. El comunicado no publica porcentajes concretos, por lo que no corresponde inventarlos. Lo importante es la combinación: un sistema de riesgo crea valor cuando detiene actividad dañina sin convertir cada transacción legítima en fricción o trabajo manual.

Los falsos positivos son un costo de producto, no solo una métrica del modelo. Cuando una plataforma bloquea o deriva demasiadas operaciones legítimas, el costo aparece en llamadas de soporte, clientes frustrados, revisores saturados y pagos abandonados. Por eso optimizar exclusivamente recall contra fraude puede empeorar el negocio. El objetivo debe expresarse como una función de costos: pérdidas evitadas, falsas alarmas, revisión humana, tiempo de resolución y experiencia del cliente. Distintos segmentos pueden necesitar umbrales diferentes. Una transferencia grande y atípica no tiene el mismo perfil que una compra cotidiana, y una política rígida puede desperdiciar información contextual que un sistema adaptativo sí podría utilizar.

La analítica conductual convierte el tiempo en una fuente de señal. IBM describe monitoreo transaccional y modelos que observan patrones para identificar actividad inusual en tiempo real. Esa lógica recuerda que una transacción aislada rara vez contiene toda la historia. Secuencia, frecuencia, dispositivo, relación con comportamientos previos y cambios repentinos pueden modificar riesgo. Pero usar historia también exige gobernanza: qué datos entran, cuánto tiempo se conservan, cómo se explican las decisiones y cómo se gestionan sesgos. Un sistema que aprende patrones debe vigilar drift, porque clientes y atacantes cambian. La precisión de hoy no garantiza rendimiento en la próxima temporada o frente a una nueva modalidad de pago.

La integración con sistemas existentes es parte del resultado. El caso menciona conexión con infraestructura de pagos y core banking, además de una arquitectura preparada para escalar. En producción, una buena puntuación de riesgo sirve poco si llega después de que la transacción ya fue liquidada o si la integración añade latencia intolerable. El diseño debe decidir qué acciones ocurren en línea, cuáles pasan a revisión y cuáles se investigan posteriormente. También necesita reconciliación: si un evento se marca, la decisión final y su outcome deben volver al sistema para mejorar análisis futuro. La calidad del loop depende tanto de integración y etiquetado como del algoritmo.

La revisión humana debe concentrarse donde aporta información marginal. Si todo caso ambiguo llega a una cola, el sistema simplemente trasladó el problema. Conviene ordenar alertas por riesgo y valor, agrupar evidencia y capturar el motivo de la decisión del analista. Ese feedback puede servir para ajustar reglas y modelos, pero requiere distinguir error real de excepción de negocio. Además, los equipos deben medir tiempo de revisión y tasa de confirmación por segmento. La mejor automatización no elimina a los especialistas; reduce ruido para que su atención se concentre en casos donde contexto y juicio realmente cambian el resultado.

Lectura Goatify. Para Goatify, el patrón es aplicable más allá de banca: cualquier agente que clasifique riesgo necesita un decision economics layer. No basta con accuracy. Debemos traducir falsos positivos, falsos negativos, demora y revisión en costos del negocio. Esto permite seleccionar umbrales y rutas según contexto, y explicar por qué una automatización aparentemente “menos estricta” puede generar mejor resultado total. Comercialmente, podemos ofrecer auditorías de colas de decisión en fraude, leads, soporte o compliance: identificar dónde el sistema produce ruido, cuánto cuesta y qué evidencia permitiría automatizar más sin deteriorar experiencia. La inteligencia se vuelve valiosa cuando mejora la frontera entre riesgo y fricción.