Saltar al contenido
  • BTC $59.005 +5,4%
  • ETH $1.659 +5,8%
  • SOL $69,01 +4,8%
  • BNB $538,77 +5,7%
  • XRP $0,9160 +5,2%
  • DOGE $0,0542 +5,1%
  • ADA $0,1418 +4,7%

La detección de fraude con IA de SEON ahora analiza más de 1.100 señales para detectar identificaciones falsas

Suplantar la identidad de un cliente solía requerir un trabajo real. Ahora basta con poco más que una conexión a internet y un mensaje bien elaborado. Ese cambio es precisamente lo que está detrás del último movimiento de SEON: la plataforma de prevención de fraude ha ampliado su biblioteca de señales de detección de fraude SEON AI de más de 900 puntos de datos a más de 1.100, añadiendo…

SEON AI fraud detection
SEON AI Fraud Detection Expands Signal Intelligence

Falsificar la identidad de un cliente solía requerir un trabajo real. Ahora requiere poco más que una conexión a internet y un prompt bien elaborado. Ese cambio es exactamente lo que está detrás del último movimiento de SEON: la plataforma de prevención de fraude ha ampliado su biblioteca de señales de detección de fraude con SEON AI de más de 900 puntos de datos a más de 1.100, añadiendo nuevas capas de inteligencia de dirección, dispositivo, teléfono y sesión diseñadas para detectar identidades que parecen reales pero que se construyeron en minutos en lugar de vivirse durante años.

Conclusiones clave

  • SEON amplió su base de señales propietarias de más de 900 a más de 1.100 puntos de datos obtenidos directamente.
  • Las nuevas señales cubren inteligencia de direcciones, comportamiento de sesión, datos de teléfono y operador, huella digital y señales de dispositivo.
  • Address Intelligence ahora verifica y estandariza direcciones en más de 240 países.
  • ACAMS afirma que el 75% de los profesionales de lucha contra los delitos financieros sitúan el uso indebido de GenAI como su principal riesgo emergente por tercer año consecutivo.
  • Las nuevas señales se integran en el AI Command Center de SEON, donde respaldan reglas, alertas, revisiones e investigaciones.

SEON amplía sus señales propietarias de detección de fraude

SEON, que se presenta como un AI Command Center para la prevención del fraude y el cumplimiento de AML, afirma que la ampliación está pensada para ayudar a los equipos de riesgo a detectar inconsistencias de identidad y la infraestructura compartida que vincula entre sí a las redes de fraude, sin añadir fricción al recorrido del cliente. La empresa enmarca esto como una respuesta directa a lo barato y rápido que se ha vuelto fabricar una identidad digital convincente.

De más de 900 a 1.100 señales en datos de dirección, dispositivo, teléfono y sesión

La ampliación abarca cinco categorías amplias: inteligencia de direcciones, comportamiento de sesión, datos de teléfono y operador, verificaciones de huella digital y señales de dispositivo. Cada capa está diseñada para ser contrastada con las demás, ya que SEON señala que cualquier señal individual —un correo electrónico limpio, un dispositivo con apariencia legítima, una dirección verificada— puede pasar la inspección por sí sola y aun así formar parte de una identidad fabricada una vez que se coteja con el resto.

Por qué el fraude generado por IA supera a la detección tradicional

La IA generativa ha reducido drásticamente el tiempo y el esfuerzo necesarios para construir una identidad falsa que parezca legítima sobre el papel. Donde antes los estafadores tenían que reunir documentos, rellenar formularios y operar cuentas una por una, las herramientas de GenAI ahora pueden producir perfiles creíbles e historiales de dispositivos coherentes en cuestión de minutos. Esa velocidad es precisamente lo que preocupa a los reguladores y a los profesionales de cumplimiento que observan este ámbito.

El Grupo de Acción Financiera Internacional ha advertido que cualquier persona con un smartphone puede generar un deepfake convincente en aproximadamente el mismo tiempo que se tarda en crear un perfil en una red social. El grupo sectorial ACAMS respalda esa preocupación con datos: el 75% de los profesionales de lucha contra los delitos financieros sitúan ahora el uso indebido de GenAI como su principal riesgo emergente, una posición que ha mantenido durante tres años consecutivos. Los estafadores siguen eligiendo la identidad y el objetivo, pero cada vez más, los agentes de IA se encargan del trabajo de producción a velocidad de máquina.

Detección de fraude mejorada mediante capas detalladas de señales

El conjunto ampliado de señales de SEON se basa en tres preguntas a las que los investigadores vuelven una y otra vez: ¿tiene esta identidad un historial real?, ¿está conectada a infraestructura utilizada en otros lugares? y ¿cómo se está comportando ahora mismo? Cada nueva categoría de señales se dirige directamente a una de esas preguntas.

Verificación del historial mediante huella digital y datos de teléfono

Las verificaciones de huella digital ahora rastrean dónde ha aparecido una dirección de correo electrónico o un número de teléfono en distintos servicios a lo largo del tiempo, con una cobertura ampliada que incluye plataformas para desarrolladores de IA, portales de empleo, sitios inmobiliarios y aplicaciones de citas. Junto a ello, Phone Intelligence añade historial de SIM-swap y portabilidad, dando a los equipos de riesgo una forma de juzgar si un número de teléfono y su identidad asociada han existido realmente antes de esta transacción en particular, en lugar de aparecer de la nada.

Exposición de infraestructura compartida mediante inteligencia de direcciones y dispositivos

Address Intelligence ahora verifica y estandariza direcciones en más de 240 países, asignando identificadores coherentes a una dirección y edificio específicos en lugar de tratar cada entrada como una cadena de texto nueva y no relacionada. Esto hace posible detectar cuándo cuentas supuestamente no relacionadas siguen pasando por la misma ubicación utilizando números de unidad diferentes o trucos de formato. Device Intelligence, por su parte, se ha ampliado para sacar a la luz actividad de agentes de IA, dispositivos iOS comprometidos, discrepancias entre eSIMs de Android y países de red que aparecen cuando una VPN oculta la dirección IP real.

Seguimiento del comportamiento en vivo con monitorización de sesión

Session Monitoring sigue el comportamiento de un cliente desde el onboarding hasta el inicio de sesión, la recuperación de cuenta, el checkout y el pago. Esto permite a los equipos de fraude detectar automatización, acceso remoto, actividad fuera de pantalla o una llamada activa en segundo plano mientras la sesión sigue abierta, dándoles la oportunidad de intervenir antes de que se convierta en una toma de control completa de la cuenta.

Integración de señales en el AI Command Center de SEON

Ninguna de estas señales funciona de forma aislada. Dentro del AI Command Center de SEON, los equipos de fraude y riesgo pueden conectar los nuevos puntos de datos directamente a reglas, alertas, revisiones de clientes e investigaciones de red, de modo que cada decisión —ya sea tomada por un analista humano o por un sistema automatizado— se base en la misma evidencia. SEON también ha puesto a disposición cada señal de la ampliación a través de su servidor Model Context Protocol, lo que permite a los investigadores conectar los datos con sus propias herramientas de IA para que esos sistemas puedan razonar a partir de evidencia real en lugar de instantáneas incompletas.

Esto es importante para cualquiera que intente entender hacia dónde se dirige la prevención del fraude: a medida que GenAI reduce el coste de crear una identidad falsa, la ventaja competitiva se desplaza hacia quien pueda verificar el historial y cotejar la infraestructura más rápido. La apuesta de SEON es que apilar más señales independientes y obtenidas directamente unas contra otras —en lugar de confiar en una única verificación— es lo que hace que la infraestructura reutilizada y los historiales fabricados sean más difíciles de ocultar.

Lo que dice el CEO de SEON sobre falsificar historiales creíbles

Tamas Kadar, CEO y cofundador de SEON, expuso el problema central en términos contundentes. «La IA ha hecho que una identidad creíble sea barata de producir. Lo que los estafadores no pueden hacer fácilmente a escala es construir un historial coherente para cada cuenta sin reutilizar infraestructura. Ahí es donde nuestra base de señales marca la diferencia. Cuantas más dimensiones pueda comprobar simultáneamente un equipo de fraude, más difícil será ocultar una identidad que no encaja», dijo Kadar.

SEON ha combinado la ampliación de señales con un nuevo proyecto editorial llamado Hidden Risk Files, una serie de breves investigaciones de sus consultores de fraude que muestran cómo señales específicas detectan fraudes que otras verificaciones pasan por alto. Según se informa, la primera entrega rastrea cómo un único atributo de dispositivo —una lectura de brillo de pantalla— conectó miles de cuentas dentro de una red de fraude que operaba con hardware Android real.

Preguntas frecuentes

¿Qué nuevos puntos de datos ha añadido SEON a su plataforma de detección de fraude?

SEON amplió sus señales para incluir inteligencia de direcciones, comportamiento de sesión, datos de teléfono y operador, huella digital y señales de dispositivo.

¿Cómo desafían las identidades falsas generadas por IA a la detección de fraude?

Las herramientas de GenAI pueden crear perfiles creíbles e historiales de dispositivos coherentes en minutos, lo que dificulta la detección de identidades falsas.

¿Qué dice el Grupo de Acción Financiera Internacional sobre los deepfakes generados por IA?

Según el GAFI, prácticamente cualquier persona que tenga un smartphone puede producir un deepfake convincente en aproximadamente el mismo tiempo que se necesita para crear una cuenta en una red social.

¿Cómo ayuda la inteligencia de señales de SEON a exponer redes de fraude?

Expone inconsistencias de identidad e infraestructura reutilizada que vincula redes de fraude al verificar múltiples capas de datos como direcciones, dispositivos e historiales de teléfonos.

Artículo producido con la ayuda de inteligencia artificial y revisado por el equipo editorial.

Francesco Antonio Russo

Todos los artículos de Francesco Antonio Russo