Fraude federal en EE.UU.: CMS y Educación cifran en miles de millones lo que ahorra frenar el pago antes de que salga

Por Federal News Network · 6 de noviembre de 2026.

Los Centros de Servicios de Medicare y Medicaid de EE.UU. (CMS) afirman que su Centro para la Integridad de Programas logró 42.000 millones de dólares de ahorro anual, sobre un gasto de unos 2 billones de dólares al año en Medicare y Medicaid. Es decir, en torno al 2% del total. La cifra la dio Bethany Messick, subdirectora del grupo de analítica y sistemas del centro, en un webinar de NextGov el 5 de noviembre.

El Departamento de Educación aporta otro dato. Richard Lucas, jefe de operaciones en funciones de la oficina de Ayuda Federal al Estudiante, dijo que una herramienta de detección en tiempo real en el formulario FAFSA (la solicitud de ayudas para estudiar) va camino de evitar unos 1.200 millones de dólares en fraude. Según Educación, la herramienta se implantó este año con una «firma líder de servicios financieros» sin identificar.

Cómo funciona, según los propios organismos. El sistema de prevención de fraude de CMS usa más de 300 modelos que vigilan de forma continua a los proveedores y alertan de comportamientos «fuera de la norma». Los investigadores revisan después esas alertas. Si hay una acusación creíble de fraude, CMS puede suspender el pago mientras investiga y, si se confirma, expulsar al proveedor de los programas. En la FAFSA, el sistema evalúa el riesgo mientras la familia rellena el formulario. La mayoría avanza sin fricción y una minoría debe completar pasos extra para confirmar su identidad.

Messick afirmó que los centros de CMS dedicados al fraude ya usan herramientas de IA para bloquear con rapidez sospechas de fraude. También insistió en que la decisión final sobre un pago sigue siendo de un analista humano, porque la IA «puede alucinar». Lucas añadió que Educación observa ataques que pasaron de un único vector a varios, y a menudo dirigidos a varios programas a la vez.

Nuestra lectura. El cambio de fondo es el paso del «pay-and-chase» (pagar y perseguir después) a frenar el dinero antes de que salga. Es una mejora real de lógica: recuperar un pago fraudulento ya cobrado suele ser mucho más difícil que no hacerlo. Y encaja con una tesis que defendemos: el riesgo de la IA agéntica a corto plazo es la automatización del fraude, y la respuesta razonable es una defensa que también se automatice.

Aun así, conviene leer estas cifras con cautela. Son autodeclaradas, y el artículo no detalla cómo se calcula un «ahorro» ni qué parte corresponde a fraude confirmado frente a pagos evitados por sospecha. Lo de Educación es además una proyección («va camino de»), no un resultado cerrado. No sabemos tampoco cuántos solicitantes legítimos sufren fricción o retrasos por falsos positivos, y ese es el coste oculto de cualquier sistema que bloquea antes de investigar.

Por eso es relevante que CMS mantenga a una persona responsable de la decisión final. Cuando un algoritmo puede suspender un pago a un hospital o impedir una beca a un estudiante, la rendición de cuentas y las vías de apelación importan tanto como la tasa de detección. En general, la gobernanza de estos sistemas, con auditoría y derecho a réplica, será el verdadero diferenciador entre una IA que protege el dinero público y una que genera injusticias a escala.

A largo plazo, la lección es optimista pero exigente. Si la IA puede hacer que los servicios públicos sean más eficientes y menos expuestos al fraude, hay más recursos para sanidad y educación. Pero esa abundancia solo se materializa si los sistemas son medibles, auditables y justos con quien no ha hecho nada malo.