A las 2:14 de la madrugada, una tarjeta de crédito que normalmente se usa para comprar alimentos en Ohio se utiliza para adquirir productos electrónicos en Rumania. El sistema de detección de fraude del banco lo detecta antes de que se complete la transacción. Se envía un mensaje de texto al titular de la tarjeta. El cargo es rechazado. Esta secuencia se repite millones de veces al día y se basa en el reconocimiento de patrones, no en la revisión humana.

Los sistemas modernos de detección de fraude combinan reglas y aprendizaje automático. Las reglas sencillas detectan problemas evidentes: una transacción en un país que nunca ha visitado, tres cargos en gasolineras en diez minutos, una compra muy superior a su gasto habitual. Los modelos de aprendizaje automático van más allá. Aprenden el comportamiento habitual de cada cliente y evalúan el riesgo de cada transacción. Si la puntuación supera un umbral, el banco toma medidas.

Las herramientas incluyen monitoreo de transacciones en tiempo real, identificación de dispositivos, verificación de geolocalización y datos biométricos de comportamiento, como la forma en que se escribe la contraseña. Los bancos comparten datos a través de consorcios para detectar redes de fraude que operan entre instituciones. Sin embargo, nada es perfecto. Los falsos positivos molestan a los clientes y generan pérdidas de ventas para los comerciantes. Los estafadores se adaptan constantemente.

Los riesgos siguen aumentando. Las pérdidas globales por fraude con tarjetas superan los 30 mil millones de dólares anuales, y las estafas relacionadas con pagos autorizados mediante transferencia bancaria crecen más rápido que el fraude con tarjetas. Los bancos ahora alertan a los clientes en la aplicación antes de que envíen dinero a una cuenta sospechosa.