El valor de la precisión para desarticular redes de cuentas mula

Cada estafa tiene dos caras. Una es la víctima, manipulada para enviar dinero. La otra es la cuenta mula que espera recibirlo. Sin ese destino, el delincuente no tiene nada. La precisión en un lado de la moneda exige la misma precisión en el otro.

No existe un único momento de compromiso. No hay una transacción fraudulenta que active una alerta inmediata. No hay una víctima evidente llamando al banco en estado de angustia. Las cuentas mula operan silenciosamente, a menudo durante meses, moviendo fondos robados a través de lo que parece ser una actividad completamente normal de un cliente. Cuando el daño se hace visible, rara vez queda limitado a la hoja de cálculo de un solo equipo.

La precisión para identificar y bloquear estas cuentas mula es absolutamente crítica. Identificar con precisión el riesgo asociado a las cuentas mula de forma temprana y a gran escala permite tanto una intervención eficaz como la interrupción de la infraestructura del crimen financiero antes de que se produzcan pérdidas significativas.

El costo oculto de la inacción

La mayoría de las instituciones comprenden bien los costos directos del fraude. Los reembolsos, las pérdidas contables y el fraude aparecen en los informes y generan conversaciones en los comités de riesgo. Las cuentas mula no funcionan así.

El costo de una cuenta mula se distribuye en toda la institución. Las mulas generan una carga operativa significativa, con equipos de AML desbordados por los Reportes de Actividad Sospechosa (SAR), cada uno requiere más de 21 horas para completarse. También provocan un aumento en el volumen de casos de fraude, distorsionan las métricas de onboarding digital y generan frustración entre clientes legítimos cuyos perfiles se marcan y congelan. Estos costos se dispersan en hasta 17 equipos distintos, desde la apertura de cuentas hasta el reporte regulatorio, sin que nadie sea responsable del problema.

El peso financiero de esta dispersión es considerable. Forrester Research concluye que los costos de cumplimiento relacionados con los delitos financieros pueden consumir hasta el 19 % de los ingresos anuales de una institución financiera. Las cuentas mula representan gran parte de esa carga: no generan pérdidas en el sentido tradicional, pero sí generan costos en cada etapa de su ciclo de vida.

Y ese ciclo de vida es largo. La investigación de la red BioCatch muestra que el 79 % de las cuentas mula confirmadas estuvieron altamente activas durante 90 días antes de recibir un pago fraudulento entrante. Durante la mayor parte de ese periodo, parecían completamente legítimas.

¿Por qué la detección de cuentas mula ha sido históricamente reactiva?

Los enfoques tradicionales para detectar delitos financieros (monitoreo de transacciones, verificaciones KYC, análisis de dispositivos, etc.) fueron diseñados para identificar actividades sospechosas después de que ocurren. Un pago supera un umbral. Un patrón transaccional se desvía del historial. Un dispositivo aparece en una lista de vigilancia.

Esto funciona razonablemente bien para los fraudes que dejan una evidencia inmediata. Funciona mucho peor para las cuentas mula, cuya característica principal es que nada parece estar claramente mal. La identidad puede ser genuina. El dispositivo puede ser legítimo. La cuenta puede tener un historial sólido. La transacción, observada de forma aislada, puede parecer completamente normal. El desafío no es lo que ocurrió. El desafío es lo que está por ocurrir y por qué.

Este es el mismo problema estructural que la inteligencia conductual ya ha demostrado poder resolver en la detección de toma de control de cuentas y estafas de ingeniería social. En cada caso, la pregunta no es si ocurrió una acción, sino qué revela el comportamiento que la rodea sobre la intención. Las cuentas mula no son diferentes.

¿Cómo se ve la precisión en la práctica?

Considera qué diferencia a un estafador que abre una cuenta mula de un cliente legítimo que abre una cuenta nueva. Desde una perspectiva de KYC o verificación documental, pueden parecer indistinguibles. Sin embargo, desde el punto de vista conductual, la diferencia es evidente. Un delincuente que utiliza una identidad robada navega con una experiencia inusual. Ya ha hecho esto antes, posiblemente muchas veces. Su fluidez durante el proceso de solicitud y la confianza con la que introduce los datos son demasiado elevadas para alguien que está viendo sus propios datos por primera vez. Las señales relacionadas con la edad presentes en los patrones de interacción pueden sugerir la presencia de un operador experimentado detrás de una cuenta que nominalmente pertenece a una persona más joven.

BioCatch identifica cinco perfiles distintos de mulas, cada uno con un nivel diferente de complicidad y una firma conductual diferente.

El engañador abre la cuenta con la intención explícita de cometer fraude.
El vendedor de cuentas es el titular que ha vendido sus credenciales a una red criminal.
El cómplice participa voluntariamente a cambio de un beneficio económico.
La mula engañada ejecuta transacciones creyendo que los fondos son legítimos.
La cuenta víctima ha sido tomada sin el conocimiento de su titular.

En las cuentas existentes, las señales cambian según el perfil presente. El vendedor de cuentas deja rastros conductuales porque la persona que ahora accede a la cuenta no es quien la abrió originalmente: cambian las preferencias de navegación, los patrones de escritura se apartan de las normas históricas y el comportamiento del mouse refleja a alguien que no está familiarizado con la cuenta que acaba de heredar. El cómplice, un titular legítimo que facilita transferencias de forma voluntaria, puede interactuar normalmente en la mayoría de los aspectos, pero la velocidad de sus transacciones y los montos de los pagos entrantes se desvían drásticamente de cualquier referencia personal razonable. Cada perfil es conductualmente distinto, y es precisamente esa diferencia la que hace posible su detección.

Conclusión: Las señales conductuales en tiempo real permiten a las organizaciones detectar y desarticular actividades de cuentas mula antes de que las pérdidas se materialicen.

Los resultados que ofrece una detección precisa

Un importante banco europeo pasó de una estrategia reactiva a una proactiva al implementar la inteligencia conductual de BioCatch para detectar cuentas mula durante el onboarding y en las primeras etapas de uso de la cuenta. En cuestión de meses tras su implementación, los resultados fueron significativos: se evitaron 12,4 millones de euros en transferencias relacionadas con cuentas mula, lo que representó una reducción del 33 % en el segundo semestre de 2025 en comparación con el primer semestre de 2024. Las tasas de detección aumentaron un 54 %. Los falsos positivos relacionados con cuentas mula disminuyeron un 30 %, reduciendo la carga operativa que estaba absorbiendo capacidad de investigación y desviando la atención de los analistas de riesgos reales.

Este último dato merece especial atención. Los falsos positivos en la detección de cuentas mula generan los mismos costos acumulativos que en la prevención del fraude: investigaciones innecesarias, frustración de clientes legítimos, presión sobre los centros de atención al cliente y reclamaciones que escalan a los reguladores. Una reducción del 30 % en los falsos positivos permite que los empleados bancarios, ya sobrecargados, se concentren en amenazas críticas.

En Australia, un gran banco utilizó BioCatch para identificar más de 2.000 cuentas mula durante el primer año de implementación, con una proporción de precisión de 1:1 entre cuentas fraudulentas y cuentas legítimas dentro de la población identificada. Las cuentas marcadas tenían prácticamente la misma probabilidad de ser fraudulentas que legítimas. Las pérdidas derivadas del robo de identidad asociado a la toma de control de cuentas disminuyeron un 70 %.

Un estudio de caso reciente de NAB amplía aún más esta historia. Después de elevar el riesgo asociado a las cuentas mula a su comité ejecutivo de riesgo de delitos financieros, motivado en parte por la introducción, por parte del Regulador de Sistemas de Pago del Reino Unido, de la responsabilidad de los bancos receptores por pérdidas derivadas de estafas, NAB llevó a cabo un ejercicio de identificación por capas utilizando el modelo Mule Account Detection de BioCatch junto con una puntuación conductual interna basada en 70 atributos de clientes. De aproximadamente 10.000 perfiles dados de baja, solo 70 fueron confirmados posteriormente como clientes legítimos, lo que resultó en una tasa de precisión superior al 99 % en la detección de cuentas mula. A esos clientes genuinos se les restablecieron los servicios en menos de 24 horas.

De un problema de cumplimiento a un riesgo empresarial

La experiencia de NAB ilustra algo importante más allá de las cifras de detección. La decisión deliberada del liderazgo de replantear los perfiles de cuentas mula no como clientes, sino como riesgos de delitos financieros, cambió la manera en que la organización evaluó la necesidad de actuar. Mantener un único perfil de cuenta mula cuesta a NAB aproximadamente AUD 1.200 en costos básicos de servicio, incluso antes de considerar las obligaciones relacionadas con SAR, los costos de investigación y gestión de casos, la posible exposición a reembolsos y el riesgo reputacional. Multiplique esa cifra por decenas de miles de perfiles y la lógica económica se vuelve estratégicamente evidente.

Esta es una conversación que muy pocas instituciones están teniendo. Las cuentas mula suelen tratarse como un problema de fraude o AML, gestionado por equipos operativos y medido mediante indicadores operativos. Sin embargo, el costo real afecta a toda la organización, impactando desde la precisión de la detección del fraude hasta el valor de vida del cliente, pasando por la puntualidad en la presentación de SAR y la reputación de la marca. Las instituciones que están tomando la delantera son aquellas que han reconocido este riesgo como un asunto de nivel directivo, no porque los reguladores lo exijan, sino porque la realidad económica lo hace inevitable.

Por supuesto, los reguladores están poniéndose al día. Mercados como el de Reino Unido, Australia, Singapur, India y Tailandia están sometidos a un escrutinio cada vez mayor respecto a la exposición a cuentas mula como una debilidad sistémica. A medida que los marcos de responsabilidad de los bancos receptores se expanden más allá del modelo británico, el costo financiero de la inacción se deteriora rápidamente.

La precisión como mecanismo para escalar

Lo que hace que la inteligencia conductual sea particularmente valiosa en el contexto de las cuentas mula es que no requiere un evento desencadenante. A diferencia de los sistemas basados en reglas, que esperan a que se supere un umbral, los modelos conductuales operan de manera continua en cada sesión digital: durante la apertura de cuentas, el inicio de sesión, el inicio de transacciones y a lo largo de todo el ciclo de vida de la cuenta. El efecto de red de BioCatch amplifica aún más esta capacidad al compartir señales anonimizadas de dispositivos, redes y cuentas entre instituciones para identificar campañas coordinadas de cuentas mula que ningún banco podría detectar por sí solo.

Este enfoque siempre activo permite un verdadero cambio de paradigma: las organizaciones pueden detectar de forma proactiva las cuentas mula antes de los momentos críticos, antes de que se produzcan pagos, transferencias sospechosas o la presentación de SAR. En este contexto, la precisión genera el mayor retorno al desmantelar la infraestructura criminal antes de que madure y cause daños a la institución.

A medida que los pagos en tiempo real reducen la ventana para la toma de decisiones de riesgo a milisegundos, las instituciones que han invertido en inteligencia conductual son las que operan por delante de la amenaza. Aquellas que siguen dependiendo principalmente del monitoreo histórico de transacciones continúan mirando por el espejo retrovisor.

English
Deutsch
français
italiano
português

—

Principales conclusiones

Las cuentas mula no generan una pérdida evidente en el balance, pero sus costos son difusos y significativos, afectando simultáneamente a los equipos de fraude, AML, operaciones, experiencia del cliente y finanzas.
Forrester Research concluye que los costos de cumplimiento relacionados con los delitos financieros pueden consumir hasta el 19 % de los ingresos anuales, y las cuentas mula se encuentran en el centro de esa carga.
La inteligencia conductual permite detectar el riesgo asociado a las cuentas mula de manera más temprana, evitando una detección posterior al incidente y diferenciando los cinco perfiles de mula mediante señales que los controles tradicionales no pueden identificar.
Un importante banco de la región EMEA que utiliza BioCatch evitó 12,4 millones de euros en transferencias relacionadas con cuentas mula durante el segundo semestre de 2025, aumentó sus tasas de detección en un 54 % y redujo los falsos positivos en un 30 %.
Un gran banco australiano identificó más de 2.000 cuentas mula en su primer año con una proporción de precisión de 1:1, reduciendo en un 70 % las pérdidas por robo de identidad asociadas a la toma de control de cuentas.
NAB dio de baja 10.000 perfiles de cuentas mula con una precisión superior al 99 %, demostrando que es posible realizar acciones correctivas a gran escala de manera responsable, rápida y sin una escalada regulatoria significativa.
Considerar las cuentas mula como un riesgo estratégico para toda la organización, y no como un simple problema de cumplimiento operativo, es el enfoque que permite a las instituciones actuar a la escala que exige el problema.