La IA escribe la regla, la regla decide, el oficial firma

Cada vez que aparece una tecnología nueva, el debate en prevención del lavado se plantea igual y en este caso de la pregunta es ¿la IA reemplaza a las reglas o no? Pero la pregunta interesante es otra: qué parte del trabajo que hoy hace una persona puede hacer una máquina, y qué parte tiene que seguir teniendo una firma abajo.

Cómo se escribieron siempre las reglas

El procedimiento clásico es más artesanal de lo que se admite en público. Alguien con años de oficio (un oficial de cumplimiento, un analista senior, a veces un consultor externo) lee la resolución sectorial, mira las señales de alerta enumeradas, piensa en los casos que vio, y traduce todo eso a un umbral. Más de X operaciones en Y días. Monto mayor a Z pesos. Efectivo por encima de tal proporción.

Ese umbral después se carga en el sistema, habitualmente por un equipo técnico que no participó de la conversación, y la metodología que lo justifica queda en un documento aparte que nadie vuelve a abrir hasta la próxima revisión. En el medio pasan tres cosas, casi siempre las mismas.

El umbral envejece solo. En un país con inflación, una regla escrita en pesos tiene fecha de vencimiento. Y cuando el regulador mueve un umbral normativo, las reglas que lo tenían escrito a mano quedan desalineadas sin que nadie se entere.

Nadie apaga reglas. Se agregan escenarios año tras año, pero rara vez se desactiva uno. El resultado es un sistema que produce miles de alertas mensuales, la mayoría de las cuales se cierra sin reporte.

La evidencia de calibración no existe. Si el revisor externo pregunta por qué el umbral es 10 y no 8, la respuesta suele ser un recuerdo antes que un documento.

El problema nunca fue la regla. Fue la regla sin dato abajo y sin evidencia arriba.

Lo que la IA sí puede hacer hoy

Hay tres usos maduros que no requieren pedirle permiso a nadie, porque el humano sigue decidiendo.

El primero es escribir el escenario: describir en texto natural lo que se quiere detectar y obtener la regla escrita, con sus parámetros propuestos, una explicación en lenguaje natural de lo que hace y una simulación contra datos reales antes de activarla. Esto cambia quién puede crear un escenario. Deja de ser un ticket al área técnica y pasa a ser trabajo del oficial de cumplimiento, con lo que el tiempo entre "se me ocurrió una tipología" y "está corriendo" baja de semanas a horas.

El segundo es documentar y explicar. La metodología que la norma exige es, en buena medida, texto que describe una configuración. Generarla a partir de la configuración vigente, y actualizarla cuando cambia un umbral, convierte una obligación en una salida automática del sistema.

El tercero es descubrir lo que la regla no ve. Una regla busca lo que ya sabemos nombrar; un modelo puede señalar comportamientos anómalos que todavía no tienen nombre, y priorizar qué mirar primero en una cola de alertas. Es el uso más prometedor y también el más delicado, así que conviene ser preciso con el límite.

Narrativa no es evidencia

La tentación es clara, si un modelo de lenguaje puede investigar en varios niveles, cruzar contexto y devolver un análisis, por qué no dejar que genere la alerta directamente y que explique su razonamiento.

Por dos razones.

La primera es que la explicación que devuelve un modelo de lenguaje es otro texto generado por el mismo modelo, y no un registro de lo que efectivamente consultó. Puede ser impecable, verosímil y falsa. En un escenario escrito como código, la evidencia se registra sola: qué métricas se consultaron, con qué valores, contra qué umbral, qué atributos del cliente se leyeron. Lo que queda es una traza de ejecución, con la hora y el valor de cada consulta.

La segunda es la reproducibilidad. El revisor externo rara vez pide una explicación; pide una demostración de por qué este cliente dio este resultado el 14 de marzo. Eso exige reconstruir el cálculo con la versión exacta de la regla, de los parámetros y de las tablas que estaban vigentes ese día. Con un modelo probabilístico el resultado se puede conservar, pero no volver a obtener.

Hay una forma de aprovechar la profundidad de análisis sin perder la auditoría: que el modelo orqueste herramientas determinísticas en lugar de analizar él mismo. Decide qué consultar y en qué orden, pero cada paso es una consulta registrada con su entrada y su salida. Lo que se audita es la traza. Y conviene que el resultado sea una hipótesis de investigación, que toma un analista y que, si se confirma, se institucionaliza como tipología y después como regla.

Qué dice el GAFI (y qué no dice)

Circula la idea de que el GAFI desaconseja la inteligencia artificial para evaluar riesgo. Es al revés. Su informe de 2021 sobre oportunidades y desafíos de las nuevas tecnologías sostiene que la IA y el aprendizaje automático pueden mejorar la identificación de riesgos, el monitoreo continuo y la precisión de los perfiles de cliente.

La condición que pone es la interpretabilidad y la explicabilidad. El sujeto obligado debe poder explicar los principios y los detalles técnicos de la solución antes de desplegarla, y el supervisor debe poder entender el modelo para juzgar su precisión y su relevancia frente a los riesgos identificados. El GAFI no pide determinismo, pide que lo puedas explicar. El determinismo es hoy la forma más barata de cumplir esa condición.

A eso se suman dos exigencias estructurales: documentar la evaluación de riesgos y mantenerla actualizada, y evaluar los riesgos de una tecnología nueva antes de ponerla en producción. Adoptar IA en el monitoreo es, en sí mismo, un cambio que hay que evaluar y documentar.

Qué dice la UIF

Ninguna resolución de la UIF menciona inteligencia artificial. La normativa local es neutral en tecnología: define qué hay que lograr y qué hay que poder mostrar.

Las exigencias que conviene tener presentes antes de incorporar cualquier modelo son cuatro:

• Reglas de control y alertas automatizadas, que contemplen las señales de alerta enumeradas en la resolución sectorial que corresponda.
• Metodología documentada para la determinación de reglas y parámetros, referenciada en el manual y desarrollada en documentos internos a disposición del organismo.
• Parámetros confidenciales, accesibles sólo para quienes intervienen en el diseño, la programación, el monitoreo, el control y la revisión del sistema. Es un requisito de control de acceso y no de arquitectura.
• Autoevaluación anual autosuficiente con revisor externo independiente. Alguien de afuera va a pedir la evidencia de calibración, y lo que no está registrado no existe.

Vale además mirar un precedente local que todavía no es de prevención del lavado pero marca el rumbo: la normativa reciente del BCRA sobre el score de riesgo de fraude exige documentar las variables y su peso, prohíbe decidir exclusivamente por el score y obliga a una revisión independiente periódica de su poder predictivo. Si en algún momento se regula el uso de modelos en PLA, es razonable esperar una forma parecida.

Las cuatro preguntas del revisor externo

Más allá de la norma hay una vara práctica. Un sistema de monitoreo es defendible si responde cuatro preguntas sin que nadie tenga que reconstruir nada a mano.

1. ¿Por qué saltó esta alerta? Qué datos miró, con qué valores, contra qué umbral.
2. ¿Qué versión de la regla estaba activa cuando salió? Quién la propuso, quién la aprobó y con qué fundamento.
3. ¿Cómo se cerró? Con una disposición categorizada y una narrativa.
4. ¿Cómo sabés que viste todo? Si un feed se cayó o un producto nuevo no está conectado, el sistema no dice nada, y ese silencio se lee como ausencia de riesgo. Silencio no es sinónimo de sin riesgo.

Un orden posible

La discusión sobre IA en prevención del lavado se ordena con una sola pregunta: quién soporta el error.

Si el resultado lo revisa y aprueba una persona antes de tener efecto (escribir la regla, documentarla, proponer un umbral, ordenar una cola), el error es barato y se corrige en el momento. Ahí la IA entra hoy, sin ceremonia.

Si el resultado es la evaluación de riesgo o la alerta, hace falta el paquete completo: variables y pesos documentados, validación periódica del poder predictivo, explicabilidad por caso y una decisión que no dependa exclusivamente del modelo. Es alcanzable, cuesta trabajo, y no tiene sentido empezar por ahí.

Hay además un orden de prioridades que suele invertirse. Antes de incorporar un modelo conviene poder decir qué porcentaje de las alertas de cada escenario terminó en algo. Si esa respuesta no existe, ningún modelo la va a traer, y lo único que se consigue es automatizar el ruido.

La pregunta del regulador está cambiando. Pasamos de "¿tenés un sistema de monitoreo?" a "demostrame que funciona". La IA va a ayudar muchísimo con eso: descubriendo, escribiendo y explicando. La decisión sigue teniendo firma.