 |
| Fuente de la imagen: Blanqueo de Capitales (M. Velasco, 2008) |
Estas tecnologías son un cambio de juego en la lucha contra el blanqueo. Piensa que son como un detective súper inteligente que puede analizar volúmenes de datos enormes en tiempo real y detectar patrones y anomalías muy sutiles que a un humano se le pasarían por alto (Amoako et al., 2025; Efijemue et al., 2023; Saleous et al., 2023). Además, lo genial es que estos modelos de IA aprenden y se adaptan continuamente a medida que los delincuentes cambian sus tácticas (Amoako et al., 2025). ¿Y cómo funciona esta "magia"? El aprendizaje automático permite que las computadoras aprendan de la experiencia sin ser programadas explícitamente (Alzubi et al., 2018). Hay varias formas de hacerlo: • El aprendizaje supervisado es como enseñarle a un niño con ejemplos. Le damos al modelo datos de transacciones que ya sabemos si son "buenas" o "malas", y él aprende a reconocer esas características (Bakhshinejad et al., 2022; Labib et al., 2020). Por ejemplo, un sistema de dos capas, como el que propusieron Tertychnyi et al. (2020), primero quita las transacciones obviamente seguras y luego examina las de mayor riesgo con un ojo más crítico. • El aprendizaje no supervisado es para cuando no tenemos etiquetas. El modelo busca patrones ocultos y similitudes en los datos por sí mismo (Bakhshinejad et al., 2022; Labib et al., 2020). Esto es muy útil para descubrir nuevas tácticas de blanqueo. Un sistema como LaundroGraph, por ejemplo, usa redes neuronales para mapear las relaciones entre clientes y transacciones, revelando así estructuras complejas de "lavado" (Cardoso et al., 2022). • Por último, el aprendizaje semi-supervisado o el aprendizaje activo combinan lo mejor de ambos mundos. Usan una pequeña cantidad de datos etiquetados y una gran cantidad de datos sin etiquetar (Chapelle et al., 2006). En el aprendizaje activo, el sistema incluso le pregunta a un experto humano qué datos debe etiquetar para mejorar su aprendizaje (Ma et al., 2020). Un buen ejemplo es Amaretto, que usa la intervención de un analista de blanqueo para que revise y etiquete las transacciones sospechosas, haciendo que el sistema sea más preciso y eficiente con el tiempo (Labanca et al., 2022).
En síntesis la IA y el ML mejoran la eficiencia al reducir las falsas alarmas y permitir que los equipos de cumplimiento se centren en los casos realmente importantes (Amoako et al., 2025). De hecho, los estudios sugieren que estos modelos son mucho más precisos que los sistemas de reglas básicos (Tertychnyi et al., 2020; Cardoso et al., 2022; Labanca et al., 2022). Pero no todo es color de rosa. Implementar la IA en la lucha contra el blanqueo tiene muchos retos: • Desde el punto de vista técnico, se necesita una infraestructura muy potente y personal con conocimientos muy específicos (Canhoto, 2021; Fabri et al., 2022). La tecnología avanza tan rápido y hay tantas transacciones que procesar que la capacidad de computación es un problema para algunos bancos (Canhoto, 2021). Además, todavía no hay una forma estándar de comparar los modelos de IA, lo que dificulta saber cuál es el más efectivo (Oeben et al., 2019). Y, claro, los sistemas automatizados pueden ser un blanco para ciberataques (Fabri et al., 2022). • Los datos son otro punto crítico. La IA necesita datos de muy alta calidad para aprender bien (Husnaningtyas et al., 2023). Pero la información financiera es súper confidencial, y los bancos están obligados a proteger la privacidad de sus clientes (Fabri et al., 2022). Esto hace que sea muy difícil conseguir datos reales para entrenar los modelos, lo que retrasa la investigación (Han et al., 2020; Chen et al., 2018). A menudo se usan datos "sintéticos", pero estos, aunque se parezcan, no siempre capturan la complejidad del comportamiento humano real (Pourhabibi et al., 2020). Otro problema es que los datos de blanqueo están muy desequilibrados: la mayoría de las transacciones son normales, lo que complica mucho que la IA detecte las pocas que son sospechosas (Kute et al., 2021; Chen et al., 2018). Y la calidad de los datos también sufre porque los bancos no reciben retroalimentación de las autoridades sobre si sus informes de actividad sospechosa (SAR) realmente sirvieron para algo, lo que les impide saber si sus sistemas están funcionando bien (Kute et al., 2021; Han et al., 2020).
• En el ámbito empresarial, los controles contra el blanqueo se ven a menudo como una carga costosa para los bancos, ya que no generan beneficios directos (Pontes et al., 2022). La inversión inicial y el mantenimiento de los sistemas de IA son altos (Lokanan, 2022). Además, no hay una ventaja competitiva clara para los bancos que adopten IA en esta área, lo que reduce el incentivo (Fabri et al., 2022). Y los bancos suelen ser reacios a compartir información sobre el blanqueo con otros, por miedo a revelar secretos de su funcionamiento o por cuestiones legales (Pontes et al., 2022). • Finalmente, los retos legales y éticos son un gran obstáculo. Las leyes de privacidad de datos, como el GDPR en Europa, pueden chocar con la necesidad de procesar grandes cantidades de datos para la IA (Bertrand et al., 2021). Es básico que las decisiones de la IA sean transparentes y explicables para los clientes (Bertrand et al., 2021), lo cual es difícil con los modelos de "caja negra" que no muestran cómo llegan a sus conclusiones (Zednik, 2021). Las guías éticas para la IA, aunque importantes, suelen ser muy abstractas y difíciles de aplicar en la práctica (European Commission, 2019b). Para intentar solucionar algunos de estos problemas, especialmente los de privacidad de datos y la falta de colaboración, ha surgido el aprendizaje federado (FL), que también se llama aprendizaje colaborativo (C. Zhang et al., 2021). Conjetura que es como entrenar a un equipo de estudiantes, pero sin que cada uno tenga que entregar sus apuntes al profesor central. Cada estudiante aprende con sus propios apuntes, y solo comparte con el profesor un resumen de lo que ha aprendido. Así, el profesor puede mejorar la forma de enseñar para todos, sin ver los apuntes individuales de nadie (Shiffman et al., 2022; Yang et al., 2019).
En el mundo bancario, esto se traduce en que los bancos pueden entrenar un modelo de IA común sin necesidad de compartir los datos sensibles de sus clientes (Kanamori et al., 2022). Cada banco entrena una parte del modelo con sus propios datos locales, y solo envía al servidor central los parámetros o "aprendizajes" cifrados. El servidor los combina para crear un modelo global mejorado, que luego los bancos descargan y usan en sus propios sistemas (Yang et al., 2019; Kanamori et al., 2022). Esta técnica ya se ha usado con éxito en la medicina, por ejemplo, para detectar tumores sin que los hospitales compartieran los datos privados de los pacientes (Pati et al., 2022). En el sector financiero significa que los bancos pueden crear modelos más precisos para situaciones raras pero críticas, como la financiación del terrorismo, incluso si un solo banco no tiene suficientes datos (Shiffman et al., 2022). Este enfoque, que protege la privacidad y reduce costes, ha mostrado un aumento del 75% en la eficiencia en el descubrimiento de delitos financieros (Shiffman et al., 2022). Si bien el aprendizaje federado tiene sus propios retos, como los costos de comunicación o la heterogeneidad de los datos entre bancos (T. Li et al., 2020), ofrece una forma de colaborar y mejorar la detección de delitos financieros que antes era impensable (Shiffman et al., 2022). De hecho, los reguladores en Estados Unidos ya están animando a la banca a experimentar con estas nuevas herramientas (Shiffman et al., 2022). En conclusión, el blanqueo de capitales es un problema complejo en constante evolución, y las herramientas tradicionales ya no son suficientes. La IA y el aprendizaje automático ofrecen un potencial enorme para mejorar la detección y hacerla más eficiente y precisa (Amoako et al., 2025; Husnaningtyas et al., 2023). Pero hay retos importantes en lo tecnológico, la calidad de los datos, los costes y, sobre todo, en los aspectos legales y éticos (Amoako et al., 2025; Eysenbrandt, 2023; Husnaningtyas et al., 2023). El aprendizaje federado es una solución prometedora para superar algunas de estas barreras, permitiendo la colaboración entre bancos sin sacrificar la privacidad (Shiffman et al., 2022; Eysenbrandt, 2023). Para que la IA alcance su máximo potencial en esta lucha, es necesario que las regulaciones se adapten y que todas las partes implicadas colaboren de cerca (Amoako et al., 2025).
________________________
Referencias bibliográficas
Ahmad, T. I. (2018). United States financial industry cybersecurity legislation: Regulatory considerations for cyber risk preparedness (Master’s thesis, Utica College).
Ahmed, S. A. (2017). Practical application of anti-money laundering requirements in Bangladesh an insight into the disparity between anti-money laundering methods and their effectiveness based on resources and infrastructure. Journal of Money Laundering Control, 20(4), 428–450. https://doi.org/10.1108/JMLC-09-2016-0042
Al-Shabandar, R., Lightbody, G., Browne, F., Liu, J., Wang, H., & Zheng, H. (2019). The Application of Artificial Intelligence in Financial Compliance Management. 2019 International Conference on Artificial Intelligence and Advanced Manufacturing.
Alexandre, C., & Balsa, J. (2015). A multiagent based approach to money laundering detection and prevention. ICAART 2015 - 7th International Conference on Agents and Artificial Intelligence, Proceedings, 1, 230–235. https://doi.org/10.5220/0005281102300235
Alzubi, J., Nayyar, A., & Kumar, A. (2018). Machine Learning from Theory to Algorithms: An Overview. Journal of Physics: Conference Series, 1142(1), 012015. https://doi.org/10.1088/1742-6596/1142/1/012015
Amoako, E. K., Boateng, V., Ajay, O., Adukpo, T. K., & Mensah, N. (2025). Exploring the role of Machine Learning and Deep Learning in Anti-Money Laundering (AML) strategies within U.S. Financial Industry: A systematic review of implementation, effectiveness, and challenges. Finance & Accounting Research Journal, 7(1), 22-36. https://doi.org/10.51594/farj.v7i1.1808
Bakhshinejad, N., Soltani, R., Nguyen, U. T., & Messina, P. (2022). A Survey of Machine Learning Based Anti-Money Laundering Solutions. arXiv preprint arXiv:2202.04097.
Bertrand, A., Maxwell, W., & Vamparys, X. (2020). Are AI-based Anti-Money Laundering (AML) Systems Compatible with European Fundamental Rights? ICML 2020 Law and Machine Learning Workshop.
Bertrand, A., Maxwell, W., & Vamparys, X. (2021). Do AI-based anti-money laundering (AML) systems violate European fundamental rights. International Data Privacy Law, 11(3), 276–293. https://doi.org/10.1093/idpl/ipab013
Canhoto, A. (2021). Leveraging machine learning in the global fight against money laundering and terrorism financing: An affordances perspective. Journal of Business Research, 131, 441–452. https://doi.org/10.1016/j.jbusres.2021.03.003
Cardoso, M., Saleiro, P., & Bizarro, P. (2022). LaundroGraph: Self-Supervised Graph Representation Learning for Anti-Money Laundering. 3rd ACM International Conference on AI in Finance. https://doi.org/10.1145/3573216.3573241
Chen, Z., Van Khoa, L. D., Teoh, E. N., Nazir, A., Karuppiah, E. K., & Lam, K. S. (2018). Machine Learning techniques for anti-money laundering (AML) solutions in suspicious transaction detection: a review. Knowledge and Information Systems, 57(1), 245–285. https://doi.org/10.1007/s10115-018-1188-7
Chapelle, O., Schölkopf, B., & Zien, A. (2006). Semi-Supervised Learning. MIT Press.
Efijemue, O., Obunadike, C., Taiwo, E., Kizor, S., Olisah, S., Odooh, C., & Ejimofor, I. (2023). Cybersecurity strategies for safeguarding customers' data and preventing financial fraud in the United States financial sectors. International Journal of Soft Computing, 14(3), 10-5121.
European Commission. (2019b). Ethics Guidelines for Trustworthy AI.
Eysenbrandt, Y. (2023). Artificial Intelligence to combat money laundering and terrorist financing - recent advances and outlook (Bachelor Thesis). Deutsche Bundesbank. https://doi.org/10.13140/RG.2.2.31714.75206
Fabri, L., Wenninger, S., Kaymakci, C., Beck, S., Klos, T., & Wetzstein, S. (2022). Potentials and Challenges of Artificial Intelligence in Financial Technologies. MCIS 2022 Proceedings 14.
FATF. (2022). The FATF Recommendations. FATF. https://www.fatf-gafi.org/en/publications/Fatfrecommendations/Fatf-recommendations.html
Han, J., Huang, Y., Liu, S., & Towey, K. (2020). Artificial intelligence for anti-money laundering: a review and extension. Digital Finance, 2(3–4), 211–239. https://doi.org/10.1007/s42521-020-00023-1
Husnaningtyas, N., Failazufah Hanin, G., Dewayanto, T., & Malik, M. F. (2023). A systematic review of anti-money laundering systems literature: Exploring the efficacy of machine learning and deep learning integration. JEMA: Jurnal Ilmiah Bidang Akuntansi dan Manajemen, 20(1), 91–116. http://dx.doi.org/10.31106/jema.v20i1.20602
Kanamori, S., Abe, T., Ito, T., Emura, K., Wang, L., Yamamoto, S., Phong, L. T., Abe, K., Kim, S., Nojima, R., Ozawa, S., & Moriai, S. (2022). Privacy-Preserving Federated Learning for Detecting Fraudulent Financial Transactions in Japanese Banks. Journal of Information Processing, 30, 789–795. https://doi.org/10.2197/ipsjjip.30.789
Kute, D. V., Pradhan, B., Shukla, N., & Alamri, A. (2021). Deep Learning and Explainable Artificial Intelligence Techniques Applied for Detecting Money Laundering - A Critical Review. IEEE Access, 9, 82300–82317. https://doi.org/10.1109/ACCESS.2021.3086359
Labanca, D., Primerano, L., Markland-Montgomery, M., Polino, M., Carminati, M., & Zanero, S. (2022). Amaretto: An Active Learning Framework for Money Laundering Detection. IEEE Access, 10, 41720–41739. https://doi.org/10.1109/ACCESS.2022.3167699
Labib, N. M., Rizka, M. A., & Shokry, A. E. M. (2020). Survey of Machine Learning Approaches of Anti-Money Laundering Techniques to Counter Terrorism Finance. In Ghalwash, El Khameesy, Magdi, Joshi (eds.), Internet of Things - Applications and Future (Lecture Notes in Networks and Systems 114, pp. 73–87). https://doi.org/10.1007/978-3-030-36691-9_8
Le-Khac, N. A., Markos, S., O'Neill, M., Brabazon, A., & Kechadi, T. (2016). An efficient search tool for an anti-money laundering application of an multi-national bank's dataset. arXiv preprint arXiv:1609.02031.
Li, T., Sahu, A. K., Talwalkar, A., & Smith, V. (2020). Federated Learning: Challenges, Methods, and Future Directions. IEEE Signal Processing Magazine, 37(3), 50–60. https://doi.org/10.1109/MSP.2020.2975618
Lokanan, M. (2022). Predicting Money Laundering using Machine Learning and Artificial Neural Networks Algorithms in Banks. SSRN. https://doi.org/10.2139/ssrn.4101967
Ma, L., Ding, B., Das, S., & Swaminathan, A. (2020). Active Learning for ML Enhanced Database Systems. Proceedings of the 2020 ACM SIGMOD International Conference on Management of Data, 175–191. https://doi.org/10.1145/3318464.3380720
Oeben, M., Goudsmit, J., & Marchiori, E. (2019). Prerequisites and AI challenges for model-based Anti-Money Laundering. arXiv preprint arXiv:1905.02949.
Pati, S., et al. (2022). Federated learning enables big data for rare cancer boundary detection. Nature Communications, 13(1), 7474. https://doi.org/10.1038/s41467-022-35313-9
Pontes, R., Lewis, N., McFarlane, P., & Craig, P. (2022). Anti-money laundering in the United Kingdom: new directions for a more effective regime. Journal of Money Laundering Control, 25(2), 401–413. https://doi.org/10.1108/JMLC-09-2021-0100
Pourhabibi, T., Ong, K.-L., Kam, B. H., & Boo, Y. L. (2020). Fraud detection: A systematic literature review of graph-based anomaly detection approaches. Decision Support Systems, 133, 112999. https://doi.org/10.1016/j.dss.2020.112999
PricewaterhouseCoopers, P. (2020). PwC's global economic crime and fraud survey 2020. PwC.
Salehi, A., Ghazanfari, M., & Fathian, M. (2017). Data mining techniques for anti money laundering. International Journal of Applied Engineering Research, 12(20), 10084–10094.
Saleous, H., Ismail, M., AlDaajeh, S. H., Madathil, N., Alrabaee, S., Choo, K. K. R., & Al-Qirim, N. (2023). COVID-19 pandemic and the cyberthreat landscape: Research challenges and opportunities. Digital Communications And Networks, 9(1), 211–222. https://doi.org/10.1016/j.dcan.2022.10.007
Savage, D., Wang, Q., Chou, P., Zhang, X., & Yu, X. (2016). Detection of money laundering groups using supervised learning in networks. http://arxiv.org/abs/1608.00708
Shiffman, G. M., Liposky, S., & Hamilton, R. (2022). Artificial Intelligence and the Revolution in Financial Crimes Compliance. Risk Intelligence White Paper.
Soltani, R., Nguyen, U. T., Yang, Y., Faghani, M., Yagoub, A., & An, A. (2016). A new algorithm for money laundering detection based on structural similarity. 2016 IEEE 7th Annual Ubiquitous Computing, Electronics and Mobile Communication Conference (UEMCON), 1–7.
Suresh, C., Reddy, K. T., & Sweta, N. (2016). A Hybrid Approach for Detecting Suspicious Accounts in Money Laundering Using Data Mining Techniques. International Journal of Information Technology and Computer Science, 8(5), 37–43. https://doi.org/10.5815/ijitcs.2016.05.04
Tertychnyi, P., Slobozhan, I., Ollikainen, M., & Dumas, M. (2020). Scalable and Imbalance-Resistant Machine Learning Models for Anti-Money Laundering: A Two-Layered Approach. In Clapham, Koch (eds.), Enterprise Applications, Markets and Services in the Finance Industry, FinanceCom (pp. 43–58). https://doi.org/10.1007/978-3-030-63955-4_4
Velasco-Carretero, Manuel (2025). Revolución en la Lucha contra el Crimen Financiero. Sitio Prevención del Blanqueo de Capitales. Visitado el 01/08/2025.
Vulchi, J. R., & Ackerman, E. (2024). Exploring OWASP Top 10 Security Risks in LLMs with Practical Testing and Prevention.
Yang, Q., Liu, Y., Chen, T., & Tong, Y. (2019). Federated Machine Learning: Concept and Applications. ACM Transactions on Intelligent Systems and Technology, 10(2), 1–19. https://doi.org/10.1145/3297757
Zednik, C. (2021). Solving the Black Box Problem: A Normative Framework for Explainable Artificial Intelligence. Philosophy and Technology, 34(1), 265–288. https://doi.org/10.1007/s13347-020-00407-7 Zhang, C., Xie, Y., Bai, H., Yu, B., Li, W., & Gao, Y. (2021). A survey on federated learning. Knowledge-based Systems, 216, 106833. https://doi.org/10.1016/j.knosys.2021.106833.