Trabajamos sobre la ventana de milisegundos en la que se ordena una transferencia interbancaria. Ahí se cruzan la huella del dispositivo, el historial de la cuenta receptora, la velocidad de dispersión posterior y las señales biométricas del titular. Nuestros modelos señalan cuentas de alquiler y cadenas de perfiles sintéticos sin esperar al cierre del día, cuando el dinero ya está repartido en varias entidades.
El sistema no bloquea por defecto: prioriza, explica y deja la decisión final al equipo de riesgo. Cada alerta llega con el motivo, el tramo del grafo que la activó y el nivel de confianza, para que un analista pueda resolverla en segundos y no en una cola de revisión manual.
Ver cómo funciona el enfoqueSi quieres el contexto técnico completo, revisa las capacidades del motor o escríbenos directamente desde la página de contacto.
Estas son las dudas que más se repiten en las primeras conversaciones con equipos de riesgo, producto y cumplimiento. Van al grano: qué mira el modelo, cuándo actúa y qué pasa cuando se equivoca.
La evaluación se dispara cuando la orden de transferencia interbancaria se está construyendo, antes de que el banco emisor libere los fondos. En esa ventana se cruzan señales del dispositivo de origen, la huella biométrica de la sesión, la antigüedad de la cuenta receptora y la velocidad con la que esa cuenta dispersa lo recibido en las horas siguientes. No esperamos al cierre del día ni a un lote nocturno: si la señal es fuerte, la operación se retiene o se marca para revisión en el mismo flujo.
Es la pregunta más incómoda y la que más calibración exige. Una cuenta nueva puede parecerse mucho a una mula en las primeras semanas: pocos movimientos, dispositivo reciente, montos irregulares. Por eso el modelo no puntúa solo la cuenta, sino la relación entre varias cuentas y el patrón temporal de activación. Los umbrales se ajustan por segmento: banca retail, nómina, cuentas de comercio y perfiles corporativos no comparten la misma línea de corte. Un falso positivo en una cuenta nómina cuesta una reclamación; en una cuenta mula cuesta dinero que ya salió del sistema.
Ninguna señal aislada alcanza. Lo que delata una cadena de identidades sintéticas es la coordinación: varios perfiles que comparten dispositivo aunque cambien de titular, sesiones que se turnan en franjas horarias muy concretas, selfies con patrones de iluminación o microgestos repetidos, y cuentas receptoras que permanecen estables mientras los emisores rotan. El modelo aprende a mirar esas transiciones, no solo la verificación inicial de cada selfie.
Se genera una alerta con el motivo concreto, no un rechazo opaco. El analista ve qué señales dispararon la retención y puede liberar la operación en minutos si el contexto lo justifica. Cada liberación se registra y vuelve al entrenamiento como ejemplo negativo, lo que reduce la probabilidad de repetir el mismo error en el mismo tipo de cuenta. La idea no es bloquear más, sino bloquear mejor: recall alto sirve de poco si la precisión destruye la confianza del cliente.
Sí. La capa de detección se conecta al flujo de autorización existente y devuelve una puntuación con explicación, no una decisión cerrada. El banco decide si retiene, marca para revisión o deja pasar, según sus propias políticas. En la práctica convive con reglas heredadas y con el motor antifraude que ya está en producción; lo que cambia es la calidad de la señal en la ventana crítica de la transferencia interbancaria.
Básicamente tres cosas: acceso a un histórico de transferencias con etiquetas de casos confirmados, claridad sobre qué segmentos se van a priorizar y un responsable de riesgo que pueda validar los umbrales. Con eso se calibra un piloto acotado y se mide precisión y recall por separado. Si querés ver el detalle operativo, podés escribirnos desde contacto o revisar cómo tratamos los datos en la política de privacidad.
Equipos de riesgo, cumplimiento y operaciones en entidades de pagos y banca digital usan nuestros modelos para frenar transferencias asociadas a cuentas mula antes de que el dinero salga del banco emisor. Estas son sus lecturas, sin edulcorar.
Antes de hablar de modelos conviene fijar el terreno. Estas son las precisiones que aplicamos cuando describimos el sistema, para que nadie lea más de lo que hay.
El sistema señala operaciones y cuentas con probabilidad elevada de estar vinculadas a una red de mulas. No determina quién cometió el delito ni sustituye la investigación posterior. Una alerta es un punto de partida para el equipo de fraude, no una conclusión cerrada.
Hablamos de la ventana que va desde que se ordena la transferencia interbancaria hasta que el dinero sale del banco emisor. Son milisegundos, no segundos. Si el modelo necesita consultar fuentes externas que tardan más que esa ventana, la señal llega tarde y la operación ya se ejecutó.
Una cuenta mula es un titular real que cede su cuenta a cambio de un pago. Un drop account es una cuenta abierta específicamente para recibir fondos ilícitos. Un perfil biométrico sintético es una identidad construida con documentos y rostros que no corresponden a una persona existente. Los tres aparecen en la misma cadena, pero las señales que los delatan son distintas y se calibran por separado.
Un modelo entrenado con cuentas de banca retail se comporta de forma muy distinta en banca corporativa o en cuentas nómina con años de historial. Ajustar el mismo umbral para todos los segmentos produce falsos positivos que erosionan la confianza del cliente legítimo. Cada segmento requiere su propia calibración.
En el momento de la ordenación no siempre hay historial suficiente, huella de dispositivo reciente o datos biométricos actualizados. El sistema está diseñado para operar con información parcial y para declarar explícitamente su nivel de confianza. Una señal débil no se presenta como certeza.
La verificación biométrica inicial filtra muchos casos, pero no todos. Las redes de fraude por capas rotan perfiles y dispositivos de forma coordinada, de manera que cuando un perfil se quema, otro toma el relevo sin cambiar el titular de la cuenta receptora. La detección de esas transiciones es un problema aparte del reconocimiento facial.
MuleTrace AI trabaja en la ventana de milisegundos que separa la orden de transferencia de la liquidación interbancaria. Ahí se decide si una cuenta receptora es un cliente legítimo o un perfil de alquiler que lleva semanas esperando su turno.
El modelo evalúa la operación cuando todavía se puede detener. Cruza antigüedad de la cuenta, dispositivo de origen, huella biométrica de la sesión y velocidad de dispersión esperada hacia terceros. No espera al cierre del día ni al reporte de sospecha posterior.
Las redes no usan una sola identidad: rotan perfiles con dispositivos e historiales distintos. El sistema compara patrones de sesión entre cuentas que en teoría no tienen relación y marca las transiciones cuando un perfil se apaga y otro toma el relevo sin cambiar de titular receptor.
Una mula rara vez actúa sola. Se reconstruyen los enlaces por transferencias previas, IP compartida, horarios de operación y beneficiarios comunes. El grafo se actualiza con cada operación y permite ver el conjunto antes de que la red se desmonte por sí sola.
Una cuenta nómina con años de historial no se comporta como una cuenta abierta hace tres semanas. Los umbrales se ajustan por tipo de cliente, antigüedad y volumen habitual, para no bloquear operaciones legítimas que solo se salen de la media.
Cada bloqueo llega con las señales que lo dispararon: qué dispositivo, qué patrón temporal, qué relación con otras cuentas. El equipo de cumplimiento revisa el caso con contexto suficiente para decidir sin depender de una caja negra.
Para ver cómo se integra este motor en la operación diaria, revisa las capacidades completas o entra en el enfoque de despliegue.