Argentina estudia usar IA para analizar reportes de operaciones sospechosas

Qué anunció Argentina —y qué no anunció

La formulación oficial es deliberadamente inicial: las instituciones “analizaron posibles líneas de trabajo”. El proyecto busca aplicar nuevas tecnologías al análisis y monitoreo de reportes de operaciones sospechosas, junto con otras fuentes, para construir una visión más completa del riesgo asociado a operaciones, entidades e individuos.

No se anunció que una IA determine culpabilidad, bloquee fondos, denuncie personas ni sustituya a los analistas. Tampoco existe evidencia pública de que haya un prototipo. Presentarlo como una herramienta ya operativa confundiría una conversación institucional con un despliegue.

La distinción importa porque el flujo jurídico tiene etapas. Los sujetos obligados reportan hechos u operaciones cuando existen motivos razonables para sospechar una vinculación con un ilícito. La UIF recibe, relaciona y analiza esa información. Solo cuando el análisis produce elementos de convicción suficientes, los comunica al Ministerio Público Fiscal o, según el caso, al juez interviniente.

Una puntuación de riesgo puede ayudar a decidir qué expediente revisar primero. No convierte el expediente en prueba. La arquitectura, la interfaz y los manuales de operación deben preservar esa frontera en cada pantalla, registro y decisión.

La Ley 25.246 no describe un algoritmo: distribuye competencias. Distinguir cada estación evita atribuir a una herramienta una autoridad que pertenece a sujetos obligados, analistas, autoridades de la UIF, fiscales o jueces. El siguiente mapa combina el flujo legal con usos técnicos posibles; no describe un sistema ya elegido.

1. 01 · Origen

   Reporte fundado

   El sujeto obligado identifica una operación que no pudo justificar y explica sus motivos. La IA de la UIF no debería reescribir ni borrar ese razonamiento de origen.

   →
2. 02 · Ingreso

   Validación

   Se comprueban integridad, formato, identidad de entidades y permisos. Automatizar controles mecánicos puede mejorar calidad sin asignar sospecha nueva.

   →
3. 03 · Asistencia

   Conexión y prioridad

   Aquí podrían operar búsqueda semántica, resolución de entidades, grafos o puntuaciones. Cada resultado necesita fuente, versión y explicación recuperable.

   →
4. 04 · Juicio

   Análisis humano

   Un analista contrasta fuentes, contexto y explicaciones, puede apartarse de la prioridad automática y deja constancia de su razonamiento.

   →
5. 05 · Autoridad

   Comunicación

   Solo tras agotar el análisis y reunir elementos suficientes, la UIF comunica al Ministerio Público Fiscal o al juez de una causa existente.

Precisión

De los casos que el sistema prioriza, cuántos contienen señales útiles después de la revisión humana. Una precisión baja consume tiempo y expande el universo de personas examinadas.

Cobertura

De los casos relevantes que la institución conoce posteriormente, cuántos habían sido detectados. Optimizar solo precisión puede dejar patrones importantes fuera.

Prevalencia

Cuando el fenómeno buscado es infrecuente, incluso una herramienta aparentemente exacta puede generar muchas más falsas alertas que hallazgos verdaderos.

Cuando el resultado buscado es poco frecuente, la tasa base domina. Ajusta este escenario hipotético de 10.000 casos y observa la composición de la cola que recibiría un analista. Sensibilidad es la proporción de casos relevantes detectados; especificidad, la proporción de casos no relevantes descartados correctamente.

Ejercicio didáctico: las cifras no son datos de la UIF, no estiman delitos y no evalúan el proyecto argentino. Sirven para comprender por qué deben publicarse matrices de error y cargas de revisión, no un único porcentaje de exactitud.

El cuello de botella no siempre es encontrar más alertas

Los reportes de operaciones sospechosas son documentos fundados: deben explicar por qué un sujeto obligado considera que una operación merece análisis. Un sistema puede extraer entidades, agrupar transacciones, detectar relaciones o recuperar antecedentes. La mejora depende de si esas tareas reducen trabajo mecánico sin ocultar el razonamiento original.

Más señales no significan necesariamente más inteligencia. Si el modelo multiplica alertas de baja calidad, traslada el costo a los analistas y puede demorar casos importantes. Si filtra demasiado, introduce puntos ciegos. La evaluación necesita medir tiempos, calidad, expedientes reabiertos y errores, no solo cuántos registros fueron procesados.

También debe compararse con alternativas más simples: reglas actualizadas, mejor estructuración de los reportes, búsqueda federada o herramientas de visualización. La IA solo agrega valor si supera una línea de base razonable considerando costo total, mantenimiento, seguridad y capacidad humana.

1. 01

   Definir la tarea

   Separar búsqueda, extracción, agrupamiento, priorización y generación de resúmenes. Cada función tiene errores, riesgos y pruebas diferentes.

2. 02

   Crear una línea de base

   Medir el proceso actual: tiempos, acumulación, consistencia entre analistas, hallazgos y retrabajo. Sin esa referencia no puede atribuirse una mejora al sistema.

3. 03

   Separar datos y periodos

   Entrenamiento, ajuste y prueba deben estar aislados. Una validación temporal muestra si el modelo resiste patrones nuevos en vez de memorizar el pasado.

4. 04

   Probar distribución del error

   Comparar sectores, regiones, tipos de entidad y clases de operación, sin inferir características protegidas innecesarias ni publicar datos confidenciales.

5. 05

   Ensayar seguridad

   Control de acceso, aislamiento, registro de consultas, prevención de extracción, respuesta a incidentes y límites a proveedores externos.

6. 06

   Fijar una regla de salida

   Criterios previos para detener, corregir o revertir el piloto cuando el error, el costo, el sesgo o un incidente excedan el umbral aceptado.

Un reporte sospechoso no es una sentencia y una comunicación al fiscal tampoco equivale a una condena. Si el sistema se entrena tomando cualquiera de esas etapas como etiqueta de “delito”, aprenderá una aproximación institucional, no una verdad jurídica. La documentación debe nombrar con precisión el resultado predicho: prioridad para revisión, relación entre entidades, similitud con un patrón o probabilidad de que un analista solicite más información.

Existe además un sesgo de observación: se conoce más sobre los casos que recibieron atención. Si las alertas del modelo determinan qué se investiga y luego esas investigaciones alimentan al modelo, el sistema puede confirmar sus propias prioridades. Para romper el circuito se necesitan muestras aleatorias de casos no priorizados, evaluación fuera de línea y una etiqueta independiente de la puntuación anterior.

Linaje y calidad

Registrar fuente, fecha, transformación, correcciones y permisos de cada dato. Una entidad mal resuelta —dos personas unidas o una separada en duplicados— puede contaminar toda la red de relaciones.

Validación temporal

Entrenar con un periodo y evaluar en otro posterior. El orden temporal reduce filtraciones de información futura y revela si las reglas se degradan cuando cambian productos, conductas o reportes.

Registro de versiones

Vincular cada resultado con modelo, parámetros, fuentes consultadas y umbral vigentes. Sin ese registro no se puede reconstruir una recomendación ni medir el efecto de una actualización.

Muestreo de control

Revisar una fracción de los casos que quedaron debajo del umbral. Es la vía para estimar omisiones y evitar que la institución solo vea el mundo que su herramienta decidió mostrarle.

Confidencialidad no significa ausencia de rendición de cuentas

La Ley 25.246 protege la identidad de quien reporta y obliga a mantener en secreto información operativa. Esa reserva cumple una función: impedir alertas a personas investigadas y proteger métodos y cooperación. Pero no exige ocultar la existencia, finalidad y gobernanza de la herramienta analítica.

La UIF puede publicar una ficha sin revelar expedientes: tarea, responsable, tipo de modelo, procedencia, proveedor, fecha, versión, clases de datos, periodo de retención, controles de acceso, evaluación, métricas agregadas, incidentes estadísticos y autoridad que autoriza cada uso. También puede informar cuántas recomendaciones humanas contradicen al sistema y con qué resultado.

La Ley 25.326 exige datos adecuados, pertinentes, no excesivos, exactos y vinculados a una finalidad. La guía argentina para IA responsable recomienda documentar sistemas automatizados y evaluar riesgos de transparencia y protección de datos. Un proyecto que reúne fuentes y construye perfiles de riesgo necesita aplicar esas obligaciones desde el diseño.

El GAFI reconoce que la analítica avanzada puede mejorar velocidad y calidad, pero condiciona su uso responsable a privacidad, protección de datos, supervisión informada y evaluación basada en resultados. La referencia internacional respalda explorar; no certifica una implementación concreta.

Qué puede aprender América Latina de este proyecto temprano

Las unidades de inteligencia financiera trabajan con información fragmentada, confidencial y de alto volumen. Son candidatas naturales para herramientas de búsqueda y vinculación, pero también concentran el riesgo de que un indicador se interprete como culpabilidad o se amplifique un patrón histórico sin contexto.

Argentina puede establecer una referencia regional si publica el diseño de gobernanza antes del contrato y evalúa el piloto con datos históricos aislados, revisión independiente y límites de uso. La transparencia posible no está en abrir nombres ni operaciones: está en hacer auditable la institución que analiza.

La señal decisiva no será el lanzamiento de una interfaz. Será una comparación reproducible que muestre dónde el sistema ahorró tiempo, dónde se equivocó, quién pudo corregirlo y por qué la mejora justifica tratar más datos con una herramienta nueva.