Antes de describir el orden de trabajo conviene fijar el alcance. Estas precisiones evitan lecturas ambiguas sobre lo que el sistema observa, lo que decide y lo que queda fuera de su competencia. No son matices menores: en un flujo interbancario, una definición laxa del perímetro termina generando bloqueos innecesarios o, peor, dejando pasar cadenas que ya estaban en marcha.
En MuleTrace AI no instalamos un modelo y desaparecemos. El trabajo se divide en fases que se solapan a propósito: primero se entiende el flujo real de transferencias del banco, después se conecta la señal en producción y, por último, se ajusta el umbral con datos de fraude confirmado. Cada fase tiene entregables verificables y una fecha de revisión conjunta.
Dos semanas de trabajo con el equipo de operaciones y con el área de prevención. Se revisan los formatos de ordenación, los tiempos de respuesta aceptables y qué señales ya se registran hoy: dispositivo, geolocalización aproximada, historial de la cuenta receptora. El resultado es un documento de alcance con las variables disponibles y las que faltan.
Se cargan expedientes cerrados de fraude confirmado y de operaciones legítimas que en su momento generaron alertas. Aquí aparece el primer límite práctico: los casos antiguos suelen tener datos incompletos, así que el modelo se entrena tolerando huecos en lugar de exigir un registro perfecto. La revisión de esta fase define qué se considera un falso positivo aceptable.
El motor corre en paralelo al sistema actual, sin bloquear nada. Durante cuatro a seis semanas se comparan las alertas generadas contra las decisiones que tomó el equipo humano. Es la etapa más incómoda porque no hay resultados visibles, pero es la única forma de medir cuántas cuentas nómina o clientes con poco historial caerían en el umbral equivocado.
Cuando el piloto en sombra estabiliza la precisión, se activa la retención de la operación durante unos segundos mientras el modelo evalúa la cadena de relación. No se bloquea la cuenta: se frena el envío y se libera si no hay coincidencia con patrones de dispersión rápida. Los umbrales se ajustan por segmento de cliente, no de forma global.
Las redes de mulas cambian de método cada pocas semanas. Por eso el sistema incluye una revisión mensual de umbrales y una auditoría trimestral de los casos donde el modelo y el analista humano discreparon. Esa discrepancia es, en la práctica, la señal más útil para saber si el motor sigue leyendo bien el comportamiento real.
Los plazos indicados son orientativos y dependen del volumen de transferencias y de la disponibilidad de datos históricos. Antes de cualquier activación en producción se firma un documento de alcance con los criterios de precisión acordados.