Cómo las señales más inteligentes y la identidad de dispositivos avanzan la protección contra el fraude digital

¿Su equipo de fraude habla sobre amenazas abstractas? Si se parecen en algo a los profesionales con los que hemos hablado en Feedzai, probablemente no. En cambio, hablan de la brecha entre las señales de datos que recopilan y las decisiones que esas señales deben respaldar en tiempo real, a través de diferentes canales, sin crear fricción para los clientes que intentan proteger. Pero eso no es todo. Cada vez más, surge una nueva pregunta: ¿Qué sucede cuando la interacción del otro lado ni siquiera es humana?

En este artículo, profundizaremos en cómo dos actualizaciones recientes de las capacidades de Digital Trust (Confianza Digital) de Feedzai (el Fraud Score Model v2.0 y el modelo Web Device Identity) están aportando inteligencia especializada en fraude y reconocimiento de dispositivos que prioriza la privacidad para cada identidad, cada trayecto y en cada canal. Conozca cómo la solución mejorada de Feedzai va más allá de tratar la identidad como un momento estático en el tiempo para reconocer constantemente a la persona detrás de los datos.

Puntos clave

• Las instituciones financieras deben satisfacer la doble demanda de los consumidores: Mayor seguridad y mayor privacidad, elevando la experiencia y la confianza de los clientes a medida que el fraude evoluciona.
• Dos actualizaciones recientes de la solución Digital Trust de Feedzai (Fraud Score Model v2.0 y el modelo Web Device Identity) permiten a los bancos conectar señales de datos y direcciones en tiempo real a través de cada identidad, trayecto y canal.
• El Fraud Score Model v2.0 de Feedzai implementa una capa de entrenamiento diseñada específicamente para superar las nuevas tendencias de fraude y reconocer los patrones matizados detrás de la actividad actual que imita el comportamiento humano.
• El modelo Web Device Identity utiliza un entrenamiento continuo en línea para superponer el análisis de similitud mediante aprendizaje automático a las señales tradicionales. Mantiene la precisión del reconocimiento a pesar de los cambios en el entorno aprovechando el contexto de la sesión y la identidad.

De la identidad estática a la confianza continua

A medida que el fraude se vuelve cada vez más sofisticado, no basta con detener las amenazas. Es vital tratar a sus clientes con el respeto y la confianza que esperan, no como extraños que inician sesión en una cuenta por primera vez.

Las expectativas de los consumidores están cambiando. La gente exige cada vez más experiencias digitales que respeten su privacidad. Quieren que su banco los proteja sin vigilarlos, que los reconozca sin rastrearlos como lo haría un anunciante. Las instituciones financieras navegan ante un mandato doble: Mayor seguridad Y mayor privacidad, sin concesiones.

Cumplir este mandato requiere algo más que mejores datos; requiere una arquitectura diferente. La industria de la IA en general aprendió esta lección en los últimos dos años, cuando los modelos de propósito general alcanzaron un límite. Los avances provinieron de arquitecturas especializadas creadas para un propósito específico. El fraude no es diferente. El cambio se dirige ahora hacia la confianza adaptativa contínua: Inteligencia diseñada específicamente que gana o erosiona la confianza con cada interacción, basándose en quién es el usuario, en qué dispositivo está y cuál es su intención. No solo al iniciar sesión, sino a lo largo de todo el trayecto del cliente.

Cómo el Fraud Score Model v2.0 mejora la detección sin aumentar las alertas

Cuando las instituciones financieras integran biometría del comportamiento, inteligencia de dispositivos, señales de inteligencia de red y análisis de sesiones en su estrategia contra el fraude, el potencial es enorme. Pero también lo es el riesgo de generar “ruido”. Más entradas de datos no significan automáticamente mejores decisiones. Sin un modelo diseñado específicamente para sintetizar señales, se termina con más alertas, no con más respuestas.

El fraude no se detiene. Los atacantes refinan constantemente sus técnicas, imitando el comportamiento legítimo del usuario a través de sofisticados fraudes de ingeniería social y estafas dirigidas por humanos. Para mantenerse a la vanguardia, nosotros tampoco podemos detenernos.

El modelo de puntuación de fraude de Feedzai ha ofrecido durante mucho tiempo una defensa líder en la industria, identificando una amplia gama de señales de riesgo en las sesiones y asegurando millones de interacciones en todo el mundo. Sigue siendo un motor probado y fiable en el que nuestros clientes confían.

El Fraud Score Model v2.0 de Feedzai toma esa base sólida y la convierte en inteligencia especializada. Partiendo de la arquitectura probada del modelo, hemos añadido una capa de entrenamiento diseñada específicamente para superar los patrones de fraude más recientes. Entrenado con los datos de producción más recientes de 2025, el v2.0 reconoce patrones matizados detrás del fraude actual que imita a los humanos. Este es el tipo de ataques sofisticados donde la detección especializada ofrece la mayor ventaja.

Los beneficios clave del Modelo v2.0 incluyen:

• Tasa de alerta estandarizada del 0.1%. Al calibrar según un umbral consistente, nuestro modelo reduce el ruido que agota las operaciones fraudulentas. Los analistas pueden dedicar menos tiempo a perseguir falsos positivos y más tiempo a actuar ante amenazas reales.
• Casi un 20% más de fraude detectado. Con esa tasa de alerta estandarizada, el v2.0 logra una mejora aproximadamente del 20% en la tasa de verdaderos positivos; se detecta más fraude sin aumentar el volumen de revisión manual ni añadir fricción a la experiencia del consumidor.

“Al correlacionar señales que tradicionalmente se evaluaban de forma aislada, el Fraud Score Model 2.0 ofrece a los equipos evaluaciones explicables y accionables sobre las que pueden actuar. A medida que evolucionan las amenazas de fraude agéntico y aquellas que imitan a los humanos, esa profundidad de inteligencia correlacionada es lo que separa la señal del ruido.”

— Andrew Fryckowski, Gerente Senior de Producto para Digital Trust, Feedzai

Inteligencia de fraude accionable, no puntuaciones de “caja negra”

Cuando se evalúa una sesión, el modelo produce una evaluación de riesgo clara (Crítica, Alta, Moderada o Baja) con contexto explicable sobre las señales que contribuyeron a la puntuación. Esto hace que la inteligencia sea inmediatamente accionable sin requerir que los analistas interpreten un resultado numérico bruto.

Las predicciones del modelo funcionan junto con las puntuaciones de riesgo de sesión y los indicadores de alerta existentes, lo que otorga a los equipos de fraude la flexibilidad de integrar conocimientos impulsados por IA en sus flujos de trabajo bajo sus propios términos. En lugar de sustituir la toma de decisiones humana, la inteligencia la aumenta, preservando la capacidad del analista para profundizar en los detalles de cómo se derivó una puntuación de riesgo y aplicar su propio juicio.

Debido a que el modelo se nutre de patrones en nuestra red global de instituciones financieras, el fraude detectado en una organización fortalece la protección en todas ellas. Un nuevo vector de ataque identificado en un entorno refuerza proactivamente las defensas de cada cliente, cambiando la postura de una detección reactiva a una inteligencia proactiva y compartida.

Web Device Identity: Inteligencia de dispositivos que prioriza la privacidad para los bancos

Históricamente, el mercado ha tratado la inteligencia de dispositivos como una forma de etiquetar dispositivos “malos”. Principalmente, la práctica ha sido incluirlos en listas negras, marcarlos y bloquearlos. Ese enfoque tenía sentido cuando los dispositivos tenían huellas digitales únicas y los estafadores eran descuidados al reutilizar las mismas máquinas.

Hoy, ese mundo ya no existe. Los métodos tradicionales de huella digital de dispositivos (fingerprinting) son intrínsecamente frágiles. Incluso cambios menores, como actualizar el navegador, pueden romper la identificación por completo. Investigaciones académicas recientes confirman la magnitud de este problema: Los enfoques convencionales no logran mantener una coincidencia de dispositivos consistente cuando los usuarios realizan actualizaciones de configuración rutinarias.

Mientras tanto, los clientes esperan experiencias que respeten su privacidad. Borran sus cachés, usan el modo incógnito y rechazan las cookies de rastreo, no por malicia, sino porque creen que su actividad digital no debe ser vigilada. Los navegadores están respondiendo endureciendo los controles de privacidad, eliminando las cookies de terceros y limitando activamente las técnicas de fingerprinting.

Cualquier estratega de fraude en un banco importante se enfrenta a tres problemas distintos respecto al riesgo de los dispositivos:

• Reconocimiento: ¿Puedo seguir sabiendo que es el mismo dispositivo después de una actualización del navegador, una nueva fuente o una actualización del SO sin pedir validaciones adicionales al cliente cada vez que algo cambia?
• Ofuscación: ¿Está alguien usando un dispositivo para solicitar servicios bajo mil identidades diferentes, ocultando activamente que es la misma máquina?
• Señales de riesgo: Independientemente de si el dispositivo es nuevo o conocido, ¿hay algo fundamentalmente sospechoso en él? (¿un emulador, un dispositivo rooteado, un entorno manipulado?)

Se necesita un nuevo enfoque en la industria. Uno que proteja a los consumidores del fraude sin utilizar las mismas técnicas de rastreo invasivas que ellos han estado rechazando. En lugar de depender de una única huella digital estática, el modelo Web Device Identity superpone el análisis de similitud impulsado por el aprendizaje automático a las señales tradicionales, se adapta mediante un entrenamiento continuo en línea y aprovecha el contexto de la sesión y la identidad para mantener la precisión del reconocimiento.

El resultado es una identidad de dispositivo persistente y una puntuación de confianza que los equipos de fraude pueden integrar directamente en sus estrategias. La precisión de los dispositivos que regresan comienza cerca del 99.7%, manteniéndose por encima del 98.5% mes tras mes.

Cerrando la brecha de señales para una protección más fuerte contra el fraude digital

El fraude no ataca de forma aislada. Explota las brechas entre herramientas desconectadas, señales fragmentadas y plataformas de detección que no fueron creadas para comunicarse entre sí. Cuando las señales de dispositivo, comportamiento y amenazas convergen en una sola plataforma, se obtiene algo que los enfoques fragmentados no pueden producir: Inteligencia persistente, correlacionada y explicable en el momento en que más importa.

Para los consumidores, significa una protección que funciona de forma invisible y respeta la privacidad, todo mientras se detectan las amenazas antes de que se conviertan en pérdidas. Para los líderes de seguridad de identidad y fraude que construyen su estrategia para las amenazas de hoy y mañana, la pregunta no es si los componentes individuales funcionan bien de forma aislada. Es si su plataforma puede ofrecer inteligencia continua y coordinada en toda la experiencia del cliente.

Recursos clave

• Blog: ¿Qué es Network Intelligence y cómo puede prevenir el fraude y los delitos financieros?
• Webinar: Orquestación de Datos: Inteligencia Contra el Fraude
• Guía de investigación: Feedzai IQ para la gestión de riesgos del adquirente
• Solución: Apertura de cuentas: Deje entrar a los buenos clientes, mantenga fuera a los estafadores