SEON amplía sus señales para frenar redes de fraude e identidades falsas creadas con IA

SEON, el AI Command Center para la prevención del fraude y el cumplimiento en materia de prevención del blanqueo de capitales (AML), ha anunciado hoy la ampliación de Signal Intelligence, que eleva la base de señales de la plataforma de más de 900 a más de 1.100 puntos de datos propios y obtenidos directamente. La nueva cobertura abarca inteligencia de direcciones, comportamiento de sesión y datos de teléfono y operador, junto con señales más profundas de huella digital y de dispositivo. La ampliación ayuda a los equipos de riesgos a detectar incoherencias en las identidades y la infraestructura que conecta a las redes de fraude, sin añadir un paso más al recorrido del cliente.

Cada vez resulta más difícil saber si un cliente es auténtico. Antes, los defraudadores tenían que reunir pruebas de identidad, rellenar cada formulario y gestionar las cuentas una a una. Falsificar la identidad de un cliente exigía esfuerzo; ahora basta con una conexión a internet y una instrucción. Las herramientas de IA generativa pueden crear perfiles creíbles e historiales de dispositivo coherentes en cuestión de minutos. Según el Grupo de Acción Financiera Internacional (GAFI), cualquier persona con un smartphone puede generar deepfakes convincentes en el tiempo que se tarda en crear un perfil en redes sociales. ACAMS informa de que el 75% de los profesionales de la lucha contra los delitos financieros sitúa el uso indebido de la IA generativa como su principal riesgo emergente por tercer año consecutivo. Aunque el defraudador sigue eligiendo la identidad y el objetivo, los agentes de IA se encargan de la producción a velocidad de máquina.

El reto para los equipos antifraude es que cada señal, por separado, puede parecer legítima. Un correo electrónico supera la validación. Un dispositivo parece limpio. Una dirección resulta correcta. El fraude solo se hace visible cuando esas señales se contrastan entre sí. La ampliación de SEON proporciona a los equipos de riesgos más pruebas independientes en cada una de esas capas, lo que crea nuevas oportunidades para descubrir qué se ha fabricado, qué se ha reutilizado y qué ha cambiado. Profundiza en tres partes de la imagen de la identidad: el historial, la infraestructura conectada y el comportamiento en tiempo real, y después pone ese contexto al servicio de las decisiones posteriores que toman las reglas, los analistas y los agentes de IA.

Revelar el historial que la IA no puede crear al instante

• Las comprobaciones de Digital Footprint muestran dónde aparece un correo electrónico o un teléfono en los servicios que las personas utilizan a lo largo del tiempo. La cobertura ampliada incluye plataformas para desarrolladores de IA, portales de empleo, sitios inmobiliarios y aplicaciones de citas.
• Phone Intelligence añade el historial de duplicado de SIM (SIM swap) y de portabilidad.
• En conjunto, estas señales ayudan a los equipos a valorar si una identidad y un número de teléfono han existido más allá de este momento concreto.

Descubrir la infraestructura que reutilizan las redes de fraude

• Address Intelligence convierte cadenas de direcciones desordenadas en una señal de riesgo al verificar y normalizar direcciones en más de 240 países, asignando identificadores coherentes a la dirección y al edificio exactos. Esos identificadores revelan cuándo cuentas sin relación entre sí van rotando números de piso o variaciones de formato en una misma ubicación.
• Las señales ampliadas de Device Intelligence también detectan actividad de agentes de IA, dispositivos iOS comprometidos, discrepancias de eSIM en Android y desajustes entre la red y el país cuando una VPN oculta la IP visible.
• En conjunto, estas señales ayudan a los equipos a identificar cuentas vinculadas a infraestructura reutilizada y a evaluar si se puede confiar en el entorno del dispositivo.

Comprender la intención a medida que se desarrolla

• Session Monitoring sigue el comportamiento del cliente desde el alta hasta el inicio de sesión, la recuperación de la cuenta, el proceso de compra y el pago.
• Los equipos pueden detectar automatización, acceso remoto, actividad fuera de pantalla y llamadas activas mientras la sesión está en curso, de modo que pueden intervenir antes de que la actividad sospechosa se convierta en una apropiación de cuenta.

Afinar cada decisión, agéntica y humana, con más contexto de señales

• Dentro del AI Command Center de SEON, los equipos de fraude y riesgos pueden utilizar las nuevas señales en reglas, alertas, revisiones de clientes e investigaciones de redes, de modo que cada decisión se apoye en la imagen completa.
• Todas las señales de esta ampliación también pueden conectarse a las herramientas de IA que elija el investigador a través del servidor Model Context Protocol (MCP) de SEON, para que los agentes razonen a partir de pruebas reales con todo el contexto en un solo lugar.
• Los analistas humanos y los agentes de IA pueden trabajar sobre la misma base de señales y trasladar las pruebas desde la detección hasta la investigación y la acción.

«La IA ha abaratado la creación de una identidad creíble. Lo que los defraudadores no pueden hacer fácilmente a gran escala es construir un historial coherente para cada cuenta sin reutilizar infraestructura», afirmó Tamas Kadar, CEO y cofundador de SEON. «Ahí es donde nuestra base de señales marca la diferencia. Cuantas más dimensiones pueda comprobar simultáneamente un equipo antifraude, más difícil resulta ocultar una identidad que no cuadra».

SEON también ha lanzado su serie Hidden Risk Files, un conjunto de breves investigaciones redactadas por sus consultores de fraude que muestran cómo determinadas señales detectan fraudes que otros pasan por alto. Cada caso parte de una pista sospechosa y la sigue hasta la infraestructura compartida que hay detrás de una red de fraude más amplia. La serie ofrece a los responsables de prevención del fraude una visión práctica de cómo la inteligencia de señales cambia una investigación. La primera entrega revela cómo un único atributo de dispositivo, una lectura del brillo de pantalla, conectó miles de cuentas de una red de fraude que operaba con hardware Android real.