{"id":182341,"date":"2025-09-03T10:41:20","date_gmt":"2025-09-03T13:41:20","guid":{"rendered":"https:\/\/nuevoitsitio1.wpenginepowered.com\/ar\/sin-categoria\/el-machine-learning-detecta-fraudes-en-milisegundos-y-anticipa-amenazas-emergentes\/"},"modified":"2025-11-21T15:59:30","modified_gmt":"2025-11-21T18:59:30","slug":"el-machine-learning-detecta-fraudes-en-milisegundos-y-anticipa-amenazas-emergentes","status":"publish","type":"post","link":"https:\/\/www.itsitio.com\/ar\/seguridad\/el-machine-learning-detecta-fraudes-en-milisegundos-y-anticipa-amenazas-emergentes\/","title":{"rendered":"El Machine Learning detecta fraudes en milisegundos y anticipa amenazas emergentes"},"content":{"rendered":"

Mientras la transformaci\u00f3n digital redefine la relaci\u00f3n entre usuarios e instituciones financieras, los delitos financieros avanzan m\u00e1s r\u00e1pido que las defensas tradicionales<\/strong>. Frente al uso creciente de inteligencia artificial por parte de los estafadores, Lynx Tech<\/strong>, empresa l\u00edder en tecnolog\u00edas basadas en Inteligencia Artificial (IA) y Machine Learning (ML), advierte que los sistemas basados \u00fanicamente en reglas est\u00e1ticas ya no son suficientes<\/strong> para contener amenazas cada vez m\u00e1s sofisticadas.<\/p>\n

Los equipos que integran IA y automatizaci\u00f3n<\/strong> en todas las etapas de la seguridad reducen en 80 d\u00edas el tiempo de contenci\u00f3n de incidentes y ahorran 1,9 millones de d\u00f3lares por vulneraci\u00f3n<\/strong>, seg\u00fan el Cost of a Data Breach Report 2025<\/a> de IBM<\/strong>. Sin embargo, su adopci\u00f3n apenas creci\u00f3 el \u00faltimo a\u00f1o, y la mayor\u00eda de organizaciones a\u00fan no perciben estos beneficios.<\/p>\n

\"Carlos
Carlos Santa Cruz, CTO de Lynx.<\/figcaption><\/figure>\n

\u201cMuchas instituciones financieras todav\u00eda conf\u00edan en defensas retrospectivas, analizando los ataques de ayer para desarrollar reglas que a menudo est\u00e1n desactualizadas cuando se implementan. Esto crea una desventaja estructural, lo que permite a los estafadores mantenerse un paso por delante<\/strong>, los cuales se adaptan en tiempo real, sondeando constantemente las defensas, identificando brechas y ajustando sus t\u00e1cticas para explotarlas\u201d<\/em>, se\u00f1ala Carlos Santa Cruz, CTO de Lynx<\/strong>.<\/p>\n

Ante este panorama, los modelos r\u00edgidos deben dar paso a sistemas de Machine Learning<\/strong> (aprendizaje autom\u00e1tico) supervisado capaces de procesar grandes vol\u00famenes de datos<\/strong>, detectar anomal\u00edas con precisi\u00f3n y actualizarse continuamente para anticipar amenazas emergentes.<\/p>\n

Estas soluciones eval\u00faan transacciones en milisegundos<\/strong>, analizando miles de variables sin fricci\u00f3n para el usuario, lo que mejora la prevenci\u00f3n y reduce falsos positivos. Al integrar datos de m\u00faltiples canales, ofrecen una visi\u00f3n completa del comportamiento financiero<\/strong>, clave para descubrir redes de lavado de dinero o fraudes colaborativos.<\/p>\n

Este enfoque no solo mejora la eficacia operativa, sino que libera a los analistas para que se concentren en los casos m\u00e1s cr\u00edticos<\/strong>, optimizando recursos y acelerando los tiempos de respuesta. Lynx Tech comparte cuatro beneficios clave de los sistemas de IA autoaprendizaje en la lucha contra el fraude:<\/p>\n

\"Machine
Los estafadores ahora utilizan herramientas de IA para esquivar controles y adaptar sus ataques en tiempo real.<\/figcaption><\/figure>\n
    \n
  1. Prevenci\u00f3n en tiempo real<\/strong>: eval\u00faan transacciones en milisegundos sin afectar la experiencia del usuario.<\/li>\n
  2. Precisi\u00f3n y reducci\u00f3n de falsos positivos<\/strong>: analizan miles de variables para generar alertas m\u00e1s acertadas y evitar bloqueos innecesarios.<\/li>\n
  3. Adaptabilidad continua<\/strong>: se actualizan constantemente para anticipar nuevas t\u00e1cticas criminales y patrones emergentes.<\/li>\n
  4. Visi\u00f3n integral y eficiencia operativa<\/strong>: cruzan datos de m\u00faltiples canales, detectan esquemas complejos y liberan a los analistas para enfocarse en los casos m\u00e1s cr\u00edticos.<\/li>\n<\/ol>\n

    \u201cLas instituciones que adoptan el Machine Learning supervisado y los modelos continuamente actualizados obtienen ventajas combinadas en precisi\u00f3n, eficiencia y resiliencia. En Lynx, nuestra tecnolog\u00eda de Machine Learning ya ha ayudado a prevenir m\u00e1s de 1,6 mil millones de d\u00f3lares en p\u00e9rdidas. Estos sistemas han demostrado que pueden operar a la velocidad, escala y sofisticaci\u00f3n que exige el panorama actual de la delincuencia financiera\u201d<\/em>, concluye Carlos Santa Cruz, CTO de Lynx<\/strong>.<\/p>\n

    Leer m\u00e1s<\/span><\/h3>\n