MuleTrace AI
Solicitar una evaluación

Detección en tiempo real

Cómo se detectan las cuentas mula en transferencias interbancarias

Señales de comportamiento y grafos de relación en el momento de la ordenación

Publicado por el equipo de análisis de MuleTrace AI · Lectura de 7 minutos

La mayoría de los sistemas antifraude revisan lo que ya ocurrió. Cierran el día, consolidan movimientos y recién ahí marcan cuentas sospechosas. Para entonces el dinero ya cruzó dos o tres bancos y el titular receptor cambió de manos. El enfoque que describimos acá parte de otro punto: la ordenación misma de la transferencia, ese instante en que el banco emisor todavía puede frenar la operación sin que el cliente note una demora.

Qué se mira en los primeros milisegundos

Cuando un usuario confirma una transferencia interbancaria, el sistema arma un vector con datos que llegan a distinta velocidad. Algunos son inmediatos: identificador de dispositivo, versión de la app, IP aproximada, hora exacta. Otros tardan un poco más: historial de la cuenta receptora, antigüedad del CBU, cantidad de titulares vinculados. La detección temprana exige modelos que trabajen con esa asimetría sin esperar el dato completo.

  • Patrón de dispositivo: emuladores, granjas de teléfonos o sesiones que rotan de hardware entre operaciones.
  • Huella biométrica: coincidencias parciales con perfiles ya marcados, aunque el nombre y el documento sean distintos.
  • Historial de la cuenta receptora: edad del CBU, número de transferencias entrantes en las últimas horas, dispersión posterior.
  • Velocidad de salida: cuánto tarda el dinero en abandonar la cuenta destino hacia un tercer banco.

Grafos de relación, no listas negras

Una cuenta mula rara vez actúa sola. Forma parte de un grafo donde los nodos son cuentas, dispositivos y perfiles biométricos, y las aristas son transferencias, inicios de sesión compartidos o coincidencias de huella. Cuando una cuenta se quema, el grafo muestra qué otros nodos estuvieron cerca. Eso permite anticipar el siguiente movimiento antes de que ocurra, en lugar de esperar la denuncia del cliente estafado.

El costo de este enfoque es la dependencia de datos que a veces no existen. Un cliente nuevo, sin historial, con un teléfono recién comprado, se parece demasiado a un perfil sintético. Ahí es donde el modelo tiene que distinguir entre "no sé nada de esta cuenta" y "esta cuenta se comporta como una mula".

Los falsos positivos más frecuentes aparecen en cuentas nómina: cobran un sueldo, transfieren casi todo el mismo día a otra cuenta propia y dejan saldo bajo. El patrón se parece al de una mula que dispersa, pero el contexto no. Por eso los umbrales se calibran por segmento: antigüedad de la cuenta, tipo de ingreso, relación previa con el banco receptor.

Calibración por segmento

Un mismo modelo se comporta de forma muy distinta según el tipo de cliente. En banca retail, con muchos movimientos pequeños, conviene priorizar precisión sobre recall: bloquear a un usuario legítimo cuesta más que dejar pasar una operación dudosa que se puede revisar después. En banca corporativa, con montos altos y pocas operaciones, la lógica se invierte. La calibración no es un ajuste fino al final del desarrollo; es una decisión de producto que define qué fraude se está dispuesto a tolerar.

En la práctica, los equipos que mejor resultado obtienen combinan tres cosas: un modelo que corre en la ventana de ordenación, un grafo que se actualiza en tiempo real y una capa de revisión humana para los casos donde el modelo no está seguro. Ninguna de las tres funciona sola.

Consultar al equipo de MuleTrace AI

Cómo se detectan las cuentas mula en transferencias interbancarias

El equipo que trabaja sobre la ventana de milisegundos entre la ordenación de una transferencia y la salida del dinero del banco emisor.

Modelado de grafos

Valeria Romero Herrera

Diseña las relaciones entre cuentas receptoras que aparecen en los primeros segundos de una transferencia interbancaria. Su trabajo se centra en distinguir un patrón de dispersión legítimo de una red de mulas que reparte fondos entre varias cuentas en pocos minutos.

Señales biométricas

Rosa Gonzalez Navarro

Analiza huellas de dispositivo y patrones de sesión para detectar cuándo una misma persona opera varias cuentas con identidades distintas. Revisa los falsos positivos que aparecen en cuentas nómina con historial corto y ajusta los umbrales por segmento.

Calibración de umbrales

Lorena Aguilar Torres

Define cuándo un modelo debe bloquear y cuándo conviene dejar pasar la operación con seguimiento posterior. Trabaja con datos incompletos, que es la situación habitual en la ordenación de una transferencia, y documenta cada decisión para auditoría.

Integración bancaria

Fernando Aguilar Mendoza

Coordina la conexión entre el motor de detección y los sistemas del banco emisor. Su foco está en que la respuesta llegue antes de que la orden salga, sin añadir latencia perceptible para el cliente que envía una transferencia normal.

Cada perfil cubre una parte distinta del mismo problema: la señal, el grafo, el umbral y la integración. Ninguna de las cuatro funciona por separado en producción.

Firma del reportaje

Cómo se detectan las cuentas mula en transferencias interbancarias

Analista de riesgo transaccional y detección de fraude en pagos interbancarios

Valeria lleva ocho años trabajando en el cruce entre modelos de scoring y operaciones reales de banca. En MuleTrace AI coordina la parte de señales en tiempo real: patrones de dispositivo, huella biométrica y grafos de relación entre cuentas receptoras. Antes pasó por mesas de monitoreo donde aprendió que la mayoría de los falsos positivos no vienen del modelo, sino de umbrales mal calibrados por segmento. Para este reportaje sobre detección de cuentas mula en transferencias interbancarias revisó casos reales de dispersión posterior a la ordenación y explica por qué la ventana de milisegundos es la única que importa.

Puede contrastarse el contenido técnico del artículo o pedir aclaraciones sobre la metodología de calibración por segmento de cliente.

Redacción: Barrio Islas Malvinas, Santiago del Estero, Santiago del Estero, G4200, Argentina

Antes de entrar en las señales concretas conviene fijar qué cuenta como cuenta mula en este análisis y qué no. La frontera no siempre es nítida: una cuenta de nómina que recibe un ingreso puntual de un tercero no es lo mismo que un perfil alquilado que dispersa fondos en minutos. Las definiciones que siguen aplican a la ventana de ordenación de la transferencia, no al cierre del día.

Cómo se detectan las cuentas mula en transferencias interbancarias

Cuenta mulaCuenta receptora cuyo titular cede el control a un tercero, o cuya identidad fue construida para recibir fondos de origen ilícito y reenviarlos. La clave operativa es la cesión de control, no el saldo ni el volumen.

Ventana de ordenaciónEl intervalo entre la confirmación de la orden y la salida efectiva del dinero del banco emisor. Aquí es donde se evalúan dispositivo, huella biométrica, historial de la cuenta receptora y velocidad de dispersión esperada.

Datos incompletosMuchas cuentas receptoras tienen poco historial o pertenecen a clientes nuevos. El modelo debe operar con señales parciales sin degradar la precisión ni bloquear operaciones legítimas por falta de información.

Falsos positivos en nóminaCuentas con ingresos recurrentes y movimientos regulares generan patrones que se parecen a la dispersión de una mula. La calibración por segmento es lo que evita confundir una nómina con una red.

Umbrales por segmentoNo existe un corte único. Los límites se ajustan por tipo de cuenta, antigüedad del cliente y comportamiento histórico. Un mismo modelo se comporta de forma distinta en banca retail y en banca corporativa.

Alcance temporalEste repaso cubre la detección en el momento de la ordenación. El análisis posterior al cierre del día, la investigación forense y la recuperación de fondos quedan fuera del alcance de estas señales.

Cómo se detectan las cuentas mula en transferencias interbancarias

Cuando un modelo marca una transferencia interbancaria en el momento de la ordenación, el analista necesita respuesta antes de que el dinero salga del banco emisor. Estos son los canales disponibles y el tiempo de respuesta que comprometemos para cada tipo de consulta.

Incidencias en producción Bloqueos inesperados, falsos positivos en cuentas nómina o caídas del motor de scoring. Primera respuesta en menos de una hora en horario operativo, con seguimiento hasta el cierre del caso. Calibración de umbrales Revisión de segmentos, ajuste de sensibilidad por antigüedad de cuenta y análisis de grafos de relación entre receptores. Respondemos en un día hábil con una propuesta de parámetros. Dudas sobre señales biométricas Consultas sobre patrones de dispositivo, huellas duplicadas o transiciones de perfil en una misma cuenta receptora. Respuesta técnica en dos días hábiles. Integración con el core bancario Preguntas sobre latencia, formato de eventos o tolerancia a datos incompletos en la ventana de milisegundos previa a la ordenación. Acompañamiento durante la implantación.
Ver preguntas frecuentes sobre detección de mulas Política de tratamiento de datos
Escribir al equipo de soporte

Configuracion de cookiesUsamos cookies para mantener el sitio estable, recordar opciones basicas y entender que paginas resultan utiles. Puedes aceptar, rechazar o revisar la configuracion antes de continuar.