Un exdirectivo de fraude de Mastercard: la defensa antifraude ya no gana con mejor IA, sino con datos conectados

Por Zendoric · 31 de julio de 2026.

Rohit Chauhan, que dirigió el área de Inteligencia Artificial y Soluciones contra el Fraude en Mastercard, abre una serie de tres entrevistas de CDO Magazine —medio dirigido a Chief Data Officer (CDO), el máximo responsable de datos de una organización— con una idea directa: en la banca, el cuello de botella del fraude ya no es el modelo de IA, es la arquitectura de datos que lo alimenta. La conversación, conducida por Robert Lutton, vicepresidente de la consultora Sandhill Consultants, es la primera de una serie que CDO Magazine continuará en próximas entregas.

La tesis de Chauhan, según el propio artículo: una transacción vista de forma aislada puede parecer perfectamente legítima. El fraude aparece cuando se cruzan patrones entre cuentas, identidades, dispositivos, ubicaciones y comportamientos a la vez. Pone un ejemplo concreto: dos transacciones que por separado no levantan ninguna alarma pueden delatar un fraude en cuanto se evalúan juntas su momento, su ubicación y la relación entre ellas. Por eso, sostiene, aplicar un modelo de IA más sofisticado sobre los mismos datos incompletos y centrados solo en la transacción produce, en sus palabras, mejoras marginales.

De ahí se deriva su recomendación para los CDO: priorizar la infraestructura de datos conectados antes que perseguir el siguiente modelo. Añade dos matices relevantes. Primero, que la IA ya está ampliamente al alcance de los defraudadores igual que al de los bancos, así que la ventaja competitiva se desplaza hacia los datos propietarios que cada institución ya posee y que el atacante no tiene. Segundo, que el fraude es un contraste asimétrico: al atacante le basta acertar una sola vez, mientras la institución debe frustrar prácticamente todos los intentos, lo que obliga a priorizar velocidad y contexto sobre precisión aislada.

Conviene leer esto con las cautelas propias de una entrevista de posicionamiento: no hay cifras de pérdidas evitadas, tasas de detección ni casos de despliegue citados, y tanto el entrevistador (de una consultora de datos) como el medio tienen interés directo en que los CDO inviertan en proyectos de este tipo. Es una tesis razonable, no un estudio con evidencia cuantificada, y así debe tomarse.

Dicho esto, el argumento de fondo encaja con algo que venimos viendo en otros frentes de la industria: la ventaja competitiva en IA se está desplazando del modelo a la infraestructura que lo rodea. Ya lo vimos en la disputa por controlar la distribución y los estándares de los agentes frente al modelo más listo; aquí aparece la misma lógica aplicada al fraude. El banco con mejores datos conectados gana aunque use un modelo de IA algo peor; el banco con el modelo más avanzado pero datos fragmentados por silos internos, pierde.

También conecta con un problema de fondo que ya hemos señalado: la IA agéntica está abaratando y automatizando el fraude a corto plazo, antes de que ningún riesgo de superinteligencia lejana entre en juego. Ese es exactamente el terreno donde se libra hoy la partida: no en laboratorios de investigación, sino en la asimetría diaria entre atacantes que solo necesitan acertar una vez y bancos obligados a acertar siempre. Nuestra lectura es que esa asimetría no se resuelve con un modelo mejor, sino con menos fricción entre los datos que cada institución ya tiene, lo cual —aunque suene a trabajo de fontanería poco vistoso— es precisamente el tipo de inversión aburrida que, sostenida en el tiempo, reduce el riesgo sistémico del sistema financiero y libera capacidad para que la IA se dedique a detectar el fraude real en vez de perseguir falsos positivos.