Who We Are | MuleTrace AI

Quiénes sostienen MuleTrace AI

El equipo se formó alrededor de un problema concreto: las transferencias interbancarias se ordenan en milisegundos y, en esa ventana, las redes de mulas ya están moviendo dinero. Trabajamos con bancos y billeteras de la región que necesitaban distinguir una cuenta de paso de un cliente nuevo con poco historial. No venimos del marketing financiero ni de la consultoría genérica; venimos de operar modelos en producción, con datos sucios y con la presión de no bloquear a quien no corresponde.

Somos pocos y cada persona cubre una parte real del sistema. Preferimos eso a un organigrama inflado. Las decisiones sobre umbrales, señales biométricas y grafos de relación se toman en reuniones donde también están quienes atienden las reclamaciones, porque un falso positivo tiene coste operativo y humano.

Dirección de modelos

Valeria Romero Herrera

Diseñó los primeros clasificadores de cuentas receptoras para una red de pagos minorista. Se ocupa de la calibración por segmento: una cuenta nómina con años de antigüedad no se evalúa igual que una cuenta abierta hace tres semanas. Supervisa las pruebas de estrés antes de cada despliegue.

Ingeniería de datos en tiempo real

Rosa Gonzalez Navarro

Construye los flujos que cruzan dispositivo, huella de sesión y velocidad de dispersión posterior en el momento de la ordenación. Su trabajo es que el modelo reciba la señal antes de que la transferencia salga del banco emisor, no al cierre del día.

Análisis de fraude y grafos

Lorena Aguilar Torres

Reconstruye cadenas de perfiles biométricos falsos a partir de transiciones temporales: cuándo un perfil se quema y otro toma el relevo sin que cambie el titular. Documenta cada caso para que los umbrales no se ajusten solo con métricas, sino con la anatomía real del fraude.

Operación y relación con entidades

Fernando Aguilar Mendoza

Acompaña a los equipos de cumplimiento durante la implantación y las primeras semanas en producción. Recoge las reclamaciones por bloqueos erróneos y las devuelve al equipo de modelos como casos concretos, no como estadísticas sueltas.

Detectar la mula antes de que el dinero salga

El problema no es la cuenta, es el minuto

Cuando una transferencia interbancaria se ordena, hay una ventana corta en la que todavía se puede intervenir. Después, el rastro se dispersa entre entidades y recuperar fondos deja de ser una tarea técnica para convertirse en un trámite judicial. Trabajamos sobre esa ventana: cruzar dispositivo, huella biométrica, historial del receptor y velocidad de dispersión antes de que la orden salga del banco emisor. No es una capa de reporte posterior, es una decisión en línea.

Preferimos no bloquear a quien no corresponde

Un modelo con recall alto y precisión baja termina generando más daño que el fraude que intenta frenar. Cada bloqueo erróneo en una cuenta nómina o en un cliente con poco historial se convierte en una reclamación, en un costo operativo y en una pérdida de confianza difícil de recuperar. Por eso calibramos umbrales por segmento y por antigüedad de cuenta, y asumimos que un falso positivo es un fallo del sistema, no un efecto colateral aceptable.

Las identidades sintéticas se mueven por turnos

Las redes de mulas no operan con un solo perfil. Sostienen conjuntos de identidades que se activan de forma coordinada: cuando un perfil se quema, otro toma el relevo sin que cambie el titular de la cuenta receptora. Nuestros modelos observan esas transiciones temporales y las señales de coordinación entre perfiles, no solo la autenticidad de una selfie aislada. La verificación por imagen resuelve una parte; la coreografía entre perfiles es la que delata la estructura.

Lo que un equipo de riesgo debería notar

El efecto esperado no es un panel más con alertas. Es que el analista reciba menos casos y mejor priorizados, con el contexto suficiente para decidir en segundos si confirma, escala o libera. Eso implica tolerar datos incompletos, no depender de un historial largo que muchas cuentas nuevas no tienen, y dejar registro auditable de cada decisión automática. Si el sistema no se puede explicar ante un regulador, no sirve para producción.

Quiénes sostienen el proyecto y con quién lo construimos

MuleTrace AI no nació en una sala de reuniones. Nació de conversaciones con equipos de prevención de fraude que llevaban meses tapando agujeros con reglas manuales. Estas son las instituciones y los equipos técnicos que han acompañado el desarrollo, desde las primeras pruebas en entorno controlado hasta la puesta en producción sobre canales interbancarios reales.

Banco cooperativo del NOA

Piloto de detección en transferencias inmediatas durante seis meses. Aportaron datos anonimizados de cuentas receptoras con historial corto y validaron los umbrales de bloqueo antes de activar el modelo en producción.

Red de pagos regional

Integración del motor de grafos en su capa de liquidación. El equipo de operaciones revisó los falsos positivos semana a semana y ajustó las reglas de dispersión posterior junto a nuestro equipo de modelos.

Proveedor de verificación biométrica

Colaboración técnica para cruzar señales de selfie y dispositivo con el patrón de sesión de cada perfil. Su equipo aportó los criterios de tolerancia que usamos cuando la captura llega degradada.

Consultora de cumplimiento normativo

Acompañamiento en la lectura de la normativa local sobre reporte de operaciones sospechosas. Revisaron los flujos de escalado y la trazabilidad que exige cada expediente antes de derivarlo al área legal.

Grupo de investigación universitario

Trabajo conjunto sobre identidades sintéticas y coordinación temporal entre perfiles. Publicaron parte del marco metodológico que hoy sostiene la detección de cadenas biométricas falsas.

Mesa sectorial antifraude

Espacio de intercambio con otras entidades sobre tipologías emergentes de mulas. Compartimos señales agregadas, sin datos personales, para que el sector reaccione antes de que una red migre de banco.