La fricción entre el comercio impulsado por IA y los controles tradicionales de fraude en pagos ha alcanzado un punto de inflexión crítico. A medida que los agentes de compra autónomos—potenciados por modelos de lenguaje grande y aprendizaje por refuerzo—se escalan en ecosistemas comerciales, cada vez quedan más atrapados en el fuego cruzado de sistemas heredados de detección de fraude diseñados para el comportamiento humano. El resultado: transacciones legítimas marcadas, rechazadas y abandonadas. El comerciante pierde ingresos. El titular de la tarjeta pierde conveniencia. Y toda la cadena de infraestructura—desde adquirentes hasta procesadores de pagos hasta redes de tarjetas—enfrenta un arrastre oculto en el volumen de transacciones que los análisis convencionales rara vez detectan.

Chargebacks911, una consultoría de resolución de disputas y riesgo de pago, ha intervenido en esta brecha con un conjunto de herramientas destinadas a desambiguar el comercio agencial del fraude. La intervención de la firma subraya un problema más profundo: el aparato de prevención de fraude de la industria de pagos fue arquitecturado para una era diferente. La mayoría de los modelos basados en reglas y aprendizaje automático desplegados por redes de tarjetas, adquirentes y procesadores de pagos fueron entrenados en patrones de comportamiento de transacciones humanas—velocidad, geografía, categoría comercial, huella digital del dispositivo, biometría del comportamiento. Un agente de IA, por diseño, no exhibe ninguna de estas señales. Ejecuta transacciones por lotes. Opera desde la misma dirección IP en múltiples geografías. Completa compras en milisegundos, sin tiempo de permanencia humano. Para un motor de fraude heredado, parece una toma de cuenta. Para un comerciante, parece pérdida de ventas.

La escala de este problema aún no puede cuantificarse con precisión. A diferencia de los contracargos, que se documentan y disputan, los rechazos falsos son pérdidas silenciosas—erosión de ingresos invisible. La investigación de la industria sugiere que por cada transacción fraudulenta capturada, se rechazan de tres a cinco transacciones legítimas. En la era del comercio agencial, esa proporción probablemente empeore significativamente. Considérese un agente de adquisición B2B comprando suministros en nombre de una empresa de tamaño medio, o un bot de gestión patrimonial de consumidor ejecutando operaciones de reequilibrio, o un agente de planificación de viajes reservando habitaciones de hotel en múltiples propiedades en rápida sucesión. Cada uno de estos flujos de trabajo es legítimo, de alta confianza y sólido algorítmicamente. Cada uno es también, según los estándares tradicionales de detección de fraude, anómalo.

Las implicaciones se propagan en toda la pila de pagos. Para plataformas de Banking-as-a-Service y proveedores de finanzas integradas, los rechazos falsos representan una fuga en el embudo de experiencia del cliente—un vector de abandono difícil de instrumentar pero fácil de sentir. Las empresas fintech que despliegan soluciones de pago de marca blanca ahora deben contender no solo con sus propios modelos de riesgo sino también con las capas de fricción opacas introducidas por redes de tarjetas y bancos adquirentes aguas abajo. Para procesadores de tarjetas y operadores de liquidación, rechazar agentes de IA significa ingresos de intercambio perdidos y rendimiento de transacciones reducido sin una reducción correspondiente en gastos operativos. Los economía se vuelven desfavorables en todas las partes simultáneamente.

Lo que Chargebacks911 y otros proveedores emergentes de inteligencia de riesgo intentan resolver es un problema de clasificación que no puede ser resuelto solo por reglas tradicionales. La distinción entre una cuenta comprometida que ejecuta un bot agencial y un flujo de trabajo de comercio agencial legítimo requiere contexto: el modelo de negocio del comerciante, los parámetros de entrenamiento del agente, la relación semántica de la transacción con interacciones previas del cliente, las puntuaciones de confianza del sistema de IA que orquesta la compra. Esto es, en efecto, una nueva capa de inteligencia de fraude que se sitúa entre el comerciante y la red de tarjetas—un middleware que traduce la intención del agente en señales que los sistemas de fraude heredados pueden analizar. Es validación a través de transparencia, y exige que las plataformas fintech y redes de pago comiencen a instrumentar el comercio agencial como una clase de transacción distinta, separada tanto de los flujos iniciados por humanos como de los fraudulentos.

Las implicaciones regulatorias y arquitectónicas son profundas. Los reguladores de la Autoridad Bancaria Europea y la Reserva Federal de EE.UU. han comenzado a señalar preocupación sobre la actividad financiera impulsada por IA, pero su enfoque ha sido principalmente en el riesgo sistémico, la manipulación del mercado y el sesgo algorítmico—no en el problema granular de los rechazos falsos. Sin embargo, los rechazos falsos son, a su manera, un problema de estabilidad: representan un impuesto implícito sobre la automatización, un coeficiente de arrastre en las ganancias de eficiencia que la IA promete entregar. Si la infraestructura de pagos no puede distinguir de manera confiable transacciones agenciales legítimas del fraude, la curva de adopción del comercio autónomo se aplana. Los comerciantes revierten a flujos de trabajo con humano en el bucle. Las ganancias de productividad desaparecen. El caso económico para la IA se deteriora.

El camino hacia adelante requiere una recalibración de cómo se detecta y comunica el fraude en el ecosistema de pagos. Las redes de tarjetas y los adquirentes deberán adoptar nuevos enfoques de ingeniería de características que den cuenta del comportamiento del agente: no solo características de transacciones, sino procedencia del agente, gobernanza del modelo, registros de auditoría. Las plataformas de orquestación de pagos deberán exponer estas señales bidireccionalemente—permitiendo que los comerciantes certifiquen sus agentes, y permitiendo que las redes ajusten la puntuación de riesgo en consecuencia. Esto no es ni un problema puramente técnico ni puramente operacional; se sitúa en la intersección, y requiere coordinación interinstitucional del tipo que la industria de pagos históricamente ha tenido dificultades en ejecutar.

Para Codego y otros constructores de infraestructura, el desafío es integrar esta inteligencia de riesgo consciente de agentes en el núcleo del procesamiento de pagos, no como un complemento. A medida que las plataformas fintech escalan ofertas de comercio agencial—ya sea en gestión de gastos, adquisiciones, trading o compras de consumidor—la capa de detección de fraude no puede permanecer como una caja negra heredada de redes heredadas. Debe ser transparente, auditable y construida específicamente para un universo de transacciones donde ningún humano jamás ve la pantalla.

Fuentes: PYMNTS · 1 de mayo de 2026