Mastercard apuesta por un nuevo modelo de IA para combatir fraudes financieros
Mastercard acaba de dar un paso bastante interesante en la lucha contra el fraude financiero. El gigante de los pagos desarrolló un nuevo modelo de inteligencia artificial llamado Large Tabular Model, el LTM, diseñado específicamente para analizar datos estructurados e identificar transacciones sospechosas con mucha más precisión de la que las soluciones tradicionales logran ofrecer.
Si alguna vez te preguntaste cómo una empresa que procesa miles de millones de transacciones por día consigue separar la paja del trigo en tiempo real, la respuesta empieza a quedar más clara aquí.
El sector financiero convive desde hace décadas con el problema de los fraudes, y la sofisticación de los ataques no para de crecer. Ya no es aquella historia de alguien clonando tarjetas en la calle. Hoy los esquemas son automatizados, distribuidos y difíciles de rastrear con herramientas convencionales. Es en este contexto donde Mastercard entra con un enfoque diferente, apostando por un modelo de IA que no trabaja con texto ni imágenes, sino con los datos estructurados que ya existen dentro de los sistemas de pago. La propuesta es ambiciosa, y los detalles de cómo funciona esto en la práctica, cuáles son los riesgos involucrados y qué tiene que decir la regulación sobre todo esto valen cada párrafo a continuación. 👇
Qué es el Large Tabular Model y por qué es diferente
Cuando la mayoría de las personas piensa en inteligencia artificial, imagina modelos que leen textos, reconocen rostros o generan imágenes. El LTM de Mastercard es otra cosa. Fue construido para trabajar con datos tabulares, esas tablas llenas de columnas y filas que describen cada detalle de una transacción: monto, horario, ubicación, historial del comercio, patrón de uso de la tarjeta, frecuencia de compras y así sucesivamente. Es exactamente el tipo de información que circula dentro de los sistemas de pago todo el tiempo, pero que solía ser procesada por reglas fijas y modelos estadísticos más simples, con desempeño limitado ante comportamientos nuevos de fraude.
La diferencia central está en la forma en que el LTM aprende. Los modelos tradicionales de detección de fraude dependen mucho de reglas definidas por especialistas humanos, del tipo: si la transacción ocurre fuera del país y el monto supera determinado límite, se bloquea. Esto funciona hasta cierto punto, pero los defraudadores aprenden rápido y ajustan los ataques para sortear esas barreras. El modelo de Mastercard va más allá porque aprende patrones a partir de una cantidad enorme de datos históricos, reconociendo anomalías sutiles que una regla simple jamás lograría capturar. Puede entender el contexto de una transacción de forma mucho más rica, teniendo en cuenta decenas de variables al mismo tiempo.
Otro punto que llama la atención es la escala en la que este modelo opera. Mastercard procesa, según la propia empresa, más de 143 mil millones de transacciones por año. Eso significa que cualquier solución de detección de fraude necesita funcionar en milisegundos, sin frenar el flujo de pagos, sin generar falsos positivos en exceso y sin dejar pasar transacciones ilegítimas. El LTM fue desarrollado con esa realidad en mente, estando optimizado para correr a alta velocidad dentro de la infraestructura de procesamiento de la empresa. Es una ingeniería bastante sofisticada detrás de algo que, para el usuario final, parece simplemente que la tarjeta funciona con normalidad. 💳
Estrategia de implementación gradual y los riesgos involucrados
Una de las decisiones más inteligentes de Mastercard fue no reemplazar de una sola vez todos sus sistemas de detección de fraude por el LTM. En su lugar, la empresa adoptó un enfoque de implementación paralela, corriendo el nuevo modelo junto a los sistemas ya existentes. Esa cautela tiene mucho sentido cuando se piensa en los riesgos de un enfoque multifuncional como el de un Large Tabular Model. Si un modelo ampliamente implementado presenta una falla, las consecuencias pueden ser sistémicas, afectando millones de transacciones de una sola vez. Al mantener las capas de protección anteriores activas mientras el LTM se valida en producción, la empresa reduce considerablemente el riesgo de un incidente a gran escala.
Reciba el mejor contenido sobre innovación en su correo electrónico.
Todas las noticias, consejos, tendencias y recursos que buscas, directamente en tu bandeja de entrada.
Al suscribirte al boletín informativo, aceptas recibir comunicaciones de Método Viral. Nos comprometemos a proteger y respetar siempre tu privacidad.
Esta estrategia de convivencia entre lo nuevo y lo antiguo también permite que Mastercard compare los resultados del LTM con los de los sistemas tradicionales en tiempo real, identificando puntos de mejora y ajustando el modelo antes de ampliar su rol en las decisiones de bloqueo o aprobación. Es una práctica bastante común en ingeniería de sistemas críticos, donde la fiabilidad necesita ser comprobada antes de cualquier transición definitiva.
La empresa también tiene planes de ampliar la escala de los datos utilizados en el entrenamiento del modelo y aumentar su sofisticación general a lo largo del tiempo. Además, Mastercard está planeando ofrecer acceso vía API y SDKs para que equipos internos puedan construir nuevas aplicaciones sobre el LTM. Esto sugiere que el modelo no será usado únicamente para detección de fraude, sino que podría convertirse en una plataforma más amplia de inteligencia sobre datos transaccionales, con aplicaciones que aún se están explorando internamente. 🔧
Cómo los datos alimentan la inteligencia del modelo
El corazón del LTM es la calidad y la cantidad de los datos que consume. Mastercard tiene acceso a un volumen de información transaccional que pocas empresas en el mundo pueden igualar, y eso es una ventaja competitiva enorme en la construcción de cualquier modelo de machine learning. Cada transacción aprobada o rechazada, cada disputa de cobro registrada por un cliente, cada patrón de comportamiento de uso de tarjeta a lo largo del tiempo, todo eso entra como insumo en el entrenamiento del sistema. Con ese nivel de riqueza en los datos, el modelo aprende a distinguir cuándo una compra inusual es simplemente unas vacaciones o cuándo es realmente un intento de fraude en curso.
Uno de los desafíos clásicos en detección de fraude es el llamado desequilibrio de clases. En el universo de transacciones, las fraudulentas representan una fracción mínima del total, lo que dificulta mucho el entrenamiento de modelos, ya que el sistema puede simplemente aprender a clasificar todo como legítimo y aun así tener una tasa de acierto aparente muy alta. El LTM fue desarrollado para lidiar con este problema de forma más eficaz, utilizando técnicas específicas de entrenamiento que dan más peso a las transacciones fraudulentas aunque sean poco frecuentes. El resultado es un modelo que logra ser más sensible a patrones de fraude sin disparar alertas innecesarias para transacciones completamente normales.
Además, Mastercard mencionó que el LTM tiene capacidad de generalización entre diferentes mercados y regiones. Esto significa que un patrón de fraude detectado en transacciones en Europa puede ayudar al modelo a identificar comportamientos similares en Latinoamérica o en Asia, incluso si las características locales son diferentes. Esa transferencia de aprendizaje entre contextos distintos es uno de los avances más relevantes del sistema, porque los fraudes modernos frecuentemente se propagan de forma global antes de que las defensas locales logren reaccionar. Tener un modelo que aprende de forma cruzada entre regiones le da a Mastercard una ventaja de velocidad considerable. 🌍
Regulación y los límites del uso de IA en pagos
Toda esta capacidad de procesar datos y tomar decisiones automatizadas no existe en el vacío. La regulación sobre el uso de inteligencia artificial en servicios financieros está evolucionando rápidamente en varias partes del mundo, y Mastercard necesita operar dentro de esos límites. En la Unión Europea, por ejemplo, el AI Act ya establece requisitos claros para sistemas de IA considerados de alto riesgo, y los sistemas de puntuación crediticia o decisión de bloqueo de transacciones entran en esa categoría. Esto significa que la empresa necesita garantizar transparencia sobre cómo el modelo toma decisiones, además de mantener mecanismos para que los clientes impugnen bloqueos injustificados.
Es importante destacar que el propio artículo publicado por Mastercard enfatiza las responsabilidades en torno a los datos que el LTM maneja. La empresa menciona explícitamente cuestiones de privacidad, transparencia, explicabilidad del modelo y auditabilidad como pilares de la operación del sistema. El escrutinio regulatorio de cualquier sistema que influya en decisiones de crédito o resultados de detección de fraude es esperable y tiende a intensificarse a medida que estos modelos ganan más responsabilidad dentro de la cadena de pagos.
En América Latina, diversos bancos centrales han avanzado en discusiones sobre el uso de IA en el sistema financiero, especialmente en el contexto del Open Finance y las regulaciones sobre prevención de lavado de dinero. El uso de modelos automatizados para bloqueo de transacciones plantea cuestiones importantes sobre responsabilidad: cuando un modelo de IA bloquea una transacción legítima y el cliente sufre algún perjuicio por eso, ¿quién responde? La regulación todavía se está construyendo para responder estas preguntas con claridad, y empresas como Mastercard tienen un papel activo en esas discusiones, ya que son las que más entienden las implicaciones prácticas de estas decisiones automatizadas en el día a día de los pagos.
Otro punto relevante en la discusión de regulación es la privacidad de los datos. Un modelo que aprende con miles de millones de transacciones inevitablemente maneja información sensible de consumidores a escala global. Mastercard necesita demostrar que esos datos son tratados de acuerdo con legislaciones como el GDPR europeo y las leyes de protección de datos de cada país, garantizando que el entrenamiento del LTM no viole derechos de los titulares. La empresa afirma trabajar con datos anonimizados y agregados en los procesos de entrenamiento, pero la auditabilidad de estas prácticas es algo que los reguladores tienden a exigir con cada vez más rigor a medida que estos sistemas ganan escala e influencia. 📋
¿Los modelos tabulares pueden ser el futuro de la IA bancaria?
Una de las perspectivas más interesantes que plantea esta iniciativa de Mastercard es la posibilidad de que los Large Tabular Models representen el inicio de una nueva generación de sistemas de IA orientados a la infraestructura bancaria y de pagos. Mientras el mercado tecnológico se ha enfocado intensamente en modelos de lenguaje y generación de imágenes, el mundo financiero opera fundamentalmente sobre datos estructurados en tablas. Montos, fechas, códigos de categoría, identificadores de terminal, secuencias de transacciones: todo esto vive en formato tabular, y construir modelos nativos para este tipo de dato tiene mucho más sentido que intentar adaptar arquitecturas desarrolladas para texto.
Sin embargo, hay que mantener los pies en la tierra. Hasta el momento, las evidencias de rendimiento del LTM están limitadas a reportes publicados por la propia Mastercard, es decir, información proveniente del proveedor de la tecnología. Esto no invalida los resultados, pero significa que las afirmaciones sobre rendimiento no deberían considerarse concluyentes hasta que haya validación independiente o datos de producción a gran escala disponibles para análisis externo. Es una distinción importante que el artículo original se encarga de resaltar.
Existen también desafíos prácticos significativos que van a determinar si los modelos tabulares realmente ganarán tracción en el sector. La robustez bajo condiciones adversariales es uno de ellos. Defraudadores sofisticados pueden intentar manipular sus patrones de transacción justamente para engañar al modelo, y la capacidad del LTM de resistir a este tipo de ataque todavía necesita ser comprobada a escala. Los costos de post-entrenamiento y mantenimiento a largo plazo también son una cuestión relevante, ya que un modelo de esta envergadura necesita ser continuamente actualizado para acompañar la evolución de las tácticas de fraude. Y, por supuesto, la aceptación regulatoria va a desempeñar un papel crucial en la definición del ritmo y la extensión de la adopción de estos sistemas. Son estos factores, al final de cuentas, los que van a decir si los modelos tabulares se convierten en una pieza central de la infraestructura financiera o si permanecen como una solución de nicho. 🧩
El impacto real para quien usa tarjeta en el día a día
Para el consumidor común, el efecto más inmediato de un sistema como el LTM debería ser la reducción de dos problemas que todo el mundo ya enfrentó: que te bloqueen una compra legítima sin motivo aparente, o descubrir un cargo desconocido en el estado de cuenta. Los dos lados de este problema son costosos. Los falsos positivos generan frustración, especialmente en momentos inconvenientes como un viaje o una compra importante. Los falsos negativos, es decir, cuando el fraude pasa desapercibido, causan perjuicio financiero directo. Un modelo más preciso ayuda a reducir los dos tipos de error al mismo tiempo, lo que mejora la experiencia de uso de la tarjeta y disminuye los costos operativos de disputas y reembolsos.
Herramientas que usamos a diario
Mastercard afirma que en las pruebas del LTM hubo una mejora significativa en la tasa de detección de fraudes en comparación con los sistemas anteriores, sin aumento proporcional en los bloqueos indebidos. Si estos números se confirman en producción real y a gran escala, el impacto puede ser bastante expresivo. Los bancos emisores que utilizan la plataforma de Mastercard podrán configurar sus umbrales de riesgo con más precisión, adaptando el comportamiento del modelo a las características de su propia base de clientes. Esto crea una capa de personalización que los sistemas más genéricos simplemente no logran ofrecer.
Vale recordar que el fraude financiero no es solo un problema de las grandes empresas. Pequeños comerciantes también se ven afectados por contracargos fraudulentos, y consumidores de todos los perfiles ya han tenido experiencias negativas con cobros indebidos. Un ecosistema de pagos más inteligente beneficia a toda la cadena, desde quien vende hasta quien compra. La apuesta de Mastercard por el LTM es, en el fondo, un intento de elevar el estándar de seguridad de forma sistémica, usando la escala y los datos que la empresa ya posee como materia prima para construir algo que los jugadores más pequeños difícilmente podrían replicar por sí solos. 🚀
Qué esperar de aquí en adelante
Mastercard dejó claro que el LTM es apenas el comienzo de una estrategia más amplia. Con planes de expandir la base de datos utilizada en el entrenamiento, aumentar la sofisticación del modelo y poner a disposición herramientas para que equipos internos desarrollen nuevas aplicaciones, la empresa está posicionando el Large Tabular Model como una pieza central de su infraestructura de inteligencia artificial en los próximos años.
El mercado de pagos en su conjunto debería observar este movimiento con atención. Si el enfoque de Mastercard se demuestra eficaz a escala, es probable que competidores y otros actores del sector financiero aceleren sus propias inversiones en modelos tabulares. La carrera por datos estructurados de calidad y por arquitecturas de IA optimizadas para este tipo de información puede convertirse en uno de los principales campos de competencia tecnológica en el sector de pagos en los próximos años.
Por ahora, el LTM representa una apuesta bien fundamentada de Mastercard en un área que todavía tiene mucho espacio para evolución. Los desafíos de robustez, costo operativo y cumplimiento regulatorio son reales y no deben ser subestimados. Pero la dirección es clara: la inteligencia artificial aplicada a datos tabulares puede transformar la forma en que el sector financiero lidia con el fraude, el riesgo y las decisiones en tiempo real. Y quien llegue primero con una solución que funcione de verdad en producción va a tener una ventaja difícil de alcanzar. 🏁
