Esta publicación está coescrita con Conor Burke, CTO y cofundador de Inscribe
El fraude ahora aparece en 1 de cada 16 documentos, y las falsificaciones generadas por IA se multiplicaron por cinco de abril a diciembre de 2025 (Informe sobre el estado del fraude de documentos de 2026 de Inscribe). Para las instituciones financieras que procesan miles de solicitudes diariamente, esta escala de engaño crea un desafío imposible. La revisión manual tradicional tarda 30 minutos por solicitud y no puede seguir el ritmo de los crecientes volúmenes. Más importante aún, los procesos manuales luchan por detectar las tácticas en evolución que hacen posibles las herramientas de fraude modernas. La velocidad por sí sola no es suficiente. La solución también debe detectar falsificaciones sofisticadas, deepfakes y redes de fraude coordinadas que los revisores humanos y los sistemas heredados basados en reglas nunca fueron diseñados para identificar.
Inscribe ha estado desarrollando detección de fraude de documentos basada en inteligencia artificial desde 2017 para bancos, prestamistas y fintechs líderes. En esta publicación, aprenderá cómo Inscribe desarrolló un sistema de IA agente utilizando Amazon Bedrock que razona en documentos como lo haría un analista de fraude experto. Con este nuevo sistema de IA agente, Inscribe ahora detecta documentos financieros manipulados, fabricados y generados por IA en menos de 90 segundos. Se trata de una mejora 20 veces superior a la revisión manual tradicional, al tiempo que se mantiene la precisión y explicabilidad requeridas por las regulaciones de servicios financieros.
Amazon Bedrock es un servicio totalmente administrado que ofrece una selección de modelos básicos (FM) de alto rendimiento de empresas líderes en inteligencia artificial, como AI21 Labs, Anthropic, Cohere, Meta, Stability AI y Amazon a través de una única API. También proporciona un amplio conjunto de capacidades que necesita para crear aplicaciones de IA generativa con seguridad, privacidad e IA responsable.
El desafío
Considere una solicitud de préstamo típica en un banco mediano. Un cliente envía extractos bancarios, recibos de pago, documentos fiscales e identificación. Un analista de fraude debe verificar la autenticidad de cada documento, hacer referencias cruzadas de información entre documentos, verificar si hay signos de manipulación, incluidos deepfakes cada vez más sofisticados y falsificaciones generadas por inteligencia artificial, e investigar el empleador y la dirección del solicitante. Deben hacer todo esto manteniendo una respuesta rápida para evitar perder clientes frente a los competidores.
Este proceso manual crea tres desafíos complejos:
Escala: a medida que crece el volumen de aplicaciones, las instituciones deben contratar proporcionalmente más analistas, lo que aumenta los costos sin mejorar la precisión de la detección. Adaptabilidad: las reglas estáticas de detección de fraude pasan por alto esquemas sofisticados como deepfakes, documentos falsos generados por IA y redes coordinadas de robo de identidad. Coherencia: diferentes analistas llegan a conclusiones diferentes en casos similares, lo que genera riesgos de cumplimiento y preocupaciones de equidad.
Los riesgos financieros son importantes. Un solo caso perdido puede significar pérdidas directas millonarias, exposición regulatoria a fallas en delitos financieros y consecuencias para la reputación de las que es aún más difícil recuperarse. Las revisiones manuales que requieren mucho tiempo retrasan las aprobaciones de los clientes durante días, lo que genera altas tasas de abandono. Mientras tanto, los estafadores cambian continuamente de táctica, pasando de falsificaciones de inteligencia artificial y documentos fabricados al fraude de identidad sintético, sabiendo que los analistas con exceso de trabajo podrían pasar por alto señales de manipulación sutiles al procesar cientos de solicitudes diariamente.
Solución: ¿Por qué la IA agente detecta lo que la revisión manual omite?
Inscribe creó una solución de inteligencia artificial que funciona junto con los equipos de riesgo y suscripción. Automatiza el análisis de documentos de rutina al tiempo que marca casos complejos para su revisión humana, combinando una profunda experiencia en el dominio con técnicas de detección en capas para descubrir lo que los equipos de revisión manual y otros proveedores pasan por alto.
Piense en un sistema de IA agente como un analista experto que trabaja de principio a fin. Se necesita un objetivo, lo divide en pasos, utiliza múltiples herramientas y trabaja hasta su finalización. Mientras que una herramienta básica de IA podría responder a una sola pregunta, un sistema agente coordina modelos especializados, llama a API externas cuando es necesario y sintetiza todo en una decisión final. Para la detección de fraude de documentos, eso significa que el sistema de Inscribe no solo marca un campo sospechoso. Presenta un documento, lo dirige a través de los modelos correctos, ejecuta verificaciones forenses paralelas, busca en la web para verificar los detalles del empleador, hace referencias cruzadas de datos en todo el conjunto de documentos y genera un informe de fraude listo para auditoría sin requerir intervención humana, completando el proceso en segundos.
Los modelos Foundation destacan por comprender el contexto, razonar entre documentos y generar explicaciones en lenguaje natural, capacidades que son esenciales para el análisis de fraude. La idea clave que da forma a la arquitectura de Inscribe: ningún modelo es igualmente adecuado para todas las tareas. Coordinar el modelo correcto para cada paso, en lugar de aplicar un modelo a todo, ofrece mejores resultados a menor costo.
Cómo Amazon Bedrock impulsa la detección de fraude multimodelo
La amplia selección de modelos de Amazon Bedrock significa que Inscribe puede elegir el FM adecuado para cada tarea sin administrar una infraestructura separada, lo que convierte la selección del modelo en una elección de configuración en lugar de un proyecto de integración.
El escalado sin servidor maneja los cambios significativos en el volumen de procesamiento de documentos, desde horas tranquilas durante la noche hasta picos de horas hábiles, sin necesidad de que Inscribe proporcione una infraestructura de servicio dedicada.
La seguridad y el cumplimiento empresarial cumplen con los rigurosos estándares de protección de datos que requieren los servicios financieros: el cifrado cubre los datos en tránsito y en reposo, y AWS Identity and Access Management (IAM) proporciona un control de acceso detallado.
El control y el control de versiones del modelo permiten a Inscribe probar nuevos lanzamientos de modelos en entornos de prueba antes de pasar a producción, lo cual es fundamental para mantener una precisión constante en la detección de fraude.
Emparejar modelos con tareas para lograr velocidad y rentabilidad
Inscribe evaluó varios modelos en Amazon Bedrock, midiendo el rendimiento, la latencia y el costo para determinar el modelo adecuado para cada tarea de detección de fraude.
Anthropic Claude Haiku 4.5: Reduce costos en un 40% sin ralentizar la revisión
Puede reducir los costos de inferencia en aproximadamente un 40 % en comparación con el uso de Claude Sonnet para tareas rutinarias, sin sacrificar la velocidad. Inscribe utiliza Claude Haiku 4.5 para operaciones de gran volumen que se completan en segundos: análisis de documentos, extracción de campos, clasificación inicial y comprobaciones previas a la selección. La actualización a Haiku 4.5 brindó una precisión mejorada y al mismo tiempo logró reducciones de costos en tareas rutinarias.
Meta Llama 3.1 70B y Meta Llama 4: mantenga el análisis de transacciones rápido y rentable
Para el enriquecimiento de transacciones y la extracción de entidades, Inscribe utiliza modelos Meta Llama. Ivo, director de ingeniería de Inscribe, explica la decisión:
"No vimos mucha diferencia en términos de rendimiento. La calidad de Llama para esas tareas estaba a la altura de lo que queríamos, por lo que elegir Llama nos permitió reducir costos sin sacrificar la calidad. El precio definitivamente tuvo un papel que desempeñar en la decisión final".
Este enfoque pragmático, que utiliza Llama cuando el rendimiento coincide con el de alternativas más caras, ofrece importantes ahorros de costos en tareas de inferencia de gran volumen.
Anthropic Claude Sonnet 4 y 4.5: Detectar patrones de fraude entre documentos
Claude Sonnet actúa como capa de coordinación y se encarga de las tareas más sofisticadas: análisis de fraude entre documentos, flujos de trabajo de razonamiento de varios pasos, integración de búsqueda web para la verificación del empleador y generación en lenguaje natural de informes de fraude listos para auditoría. La ventana de contexto extendida de Sonnet le permite mantener el conocimiento en conjuntos completos de documentos, identificando patrones que serían invisibles cuando los documentos se analizan de forma aislada.
Cómo Inscribe escala la detección de fraude en AWS
El sistema de detección de fraude de Inscribe se basa en la infraestructura de AWS diseñada para ofrecer velocidad, confiabilidad y cumplimiento a escala. Su arquitectura agente significa que el sistema coordina modelos especializados, decide qué analizar a continuación, llama a API externas cuando es necesario y sintetiza todo en una decisión final, sin intervención humana.
Arquitectura de detección de fraude de Inscribe en AWS
Ingestión y almacenamiento de documentos.
Cuando los documentos de solicitud de préstamo se cargan a través de la interfaz web o API de Inscribe, los documentos llegan a Amazon Simple Storage Service (Amazon S3), un servicio de almacenamiento de objetos escalable líder en la industria. La aplicación web, entregada a través de Amazon CloudFront y un balanceador de carga de aplicaciones, crea un trabajo de procesamiento y lo pone en cola en Amazon Simple Queue Service (Amazon SQS). Los documentos se ponen en cola inmediatamente para su procesamiento, sin necesidad de transferencia manual.
Procesamiento asincrónico
Los procesos de trabajo de Celery (una cola de tareas distribuidas) que se ejecutan en Amazon Elastic Compute Cloud (Amazon EC2) extraen trabajos de la cola. Esta arquitectura basada en colas maneja los picos de tráfico sin demoras. Durante el horario laboral, más trabajadores aumentan automáticamente y, durante la noche, la capacidad se reduce para minimizar los costos. El sistema proporciona un rendimiento constante ya sea que esté procesando diez solicitudes o diez mil.
Amazon Textract proporciona reconocimiento óptico de caracteres (OCR) básico y extracción de texto de archivos PDF e imágenes. Inscribe ha trasladado cada vez más las cargas de trabajo de análisis directamente a los FM en Amazon Bedrock, lo que ofrece una extracción más precisa de documentos financieros complejos.
Canal de detección de fraude multimodelo
Después de que Inscribe extrae el texto, el documento fluye a través de varios FM en Amazon Bedrock en una secuencia coordinada. Claude Haiku realiza un rápido análisis y clasificación inicial. Los modelos Meta Llama procesan datos de transacciones y extraen entidades. Claude Sonnet realiza análisis de documentos cruzados, coordina búsquedas web para la verificación del empleador y la validación de direcciones, y genera la evaluación final de fraude. Cada modelo maneja lo que mejor sabe hacer, manteniendo el tiempo de revisión en segundos.
Modelos propietarios de detección de fraude en Amazon SageMaker AI
Paralelamente al análisis del modelo básico, Inscribe ejecuta modelos patentados de aprendizaje automático (ML) alojados en Amazon SageMaker AI. Estos modelos, construidos completamente internamente y entrenados en los millones de procesos de aplicaciones de Inscribe cada año, detectan señales que los modelos de lenguaje grandes de propósito general (un subconjunto de modelos básicos) pasan por alto: análisis forense a nivel de píxeles para identificar imágenes alteradas digitalmente, detección de patrones de red que compara documentos con una biblioteca de plantillas de fraude conocidas y detección de anomalías visuales para firmas o diseños manipulados.
SageMaker AI proporciona la infraestructura administrada para implementar estos modelos especializados a escala, con capacidades integradas para la implementación de modelos, el escalado automático y el monitoreo del rendimiento. El equipo de ingeniería de Inscribe puede centrarse en perfeccionar los algoritmos de detección de fraude en lugar de gestionar la infraestructura, lo que es especialmente importante porque las tácticas contra los delitos financieros evolucionan más rápido de lo que los sistemas de reglas estáticas pueden adaptarse.
Almacenamiento de resultados, almacenamiento en caché y observabilidad
Inscribe almacena rastreos de razonamiento intermedios e informes de fraude finales en Amazon Relational Database Service (Amazon RDS), lo que proporciona un seguimiento de auditoría confiable para los equipos de cumplimiento y, al mismo tiempo, admite mejoras continuas del modelo. Amazon ElastiCache for Valkey almacena en caché datos de corta duración, como tokens de webhook, aplica limitaciones de velocidad y administra los metadatos de las tareas de Celery. Amazon MemoryDB admite la capa de base de datos vectorial, donde las incorporaciones de transacciones se almacenan y consultan mediante la búsqueda de K-vecino más cercano (KNN), una técnica que encuentra los registros más similares en un conjunto de datos, para potenciar los modelos de soporte.
Amazon CloudWatch realiza un seguimiento de las métricas de rendimiento del modelo, incluida la latencia de inferencia, las tasas de error, el uso de tokens y el costo por solicitud. Esta observabilidad es fundamental para detectar la desviación del modelo, cambios en la precisión de la predicción que indican la necesidad de reentrenamiento o actualizaciones del modelo.
Resultados: Lo que puedes lograr con Inscribe
El cambio a la detección de fraude por agentes impulsada por Amazon Bedrock ha brindado resultados mensurables en toda la base de clientes de Inscribe. Los siguientes ejemplos de clientes demuestran los resultados logrados por las organizaciones que utilizan la solución de detección de fraude de Inscribe.
Pérdidas por fraude de clientes evitadas Reducción del tiempo de revisión Resultado clave BHG Financial Millones evitados Reducción de más del 90 % Flujo de trabajo sistemático que crece con usted Logix Federal Credit Union Más de $3 millones en 8 meses Reducción de hasta el 99 % Detección de falsificaciones por IA BCU $5,6 millones evitados Maneja un volumen de 10 a 10 000 aplicaciones Detección de anillos de fraude
BHG Financial: de lo manual a lo sistemático
BHG Financial, una empresa líder en servicios financieros, tuvo problemas con un proceso de revisión manual de documentos que era inconsistente y no podía seguir el ritmo del creciente volumen de solicitudes. Después de implementar Inscribe, BHG Financial logró una reducción de más del 90 % en el tiempo de revisión manual y evitó millones en posibles pérdidas por fraude. La detección de fraude pasó de ser un proceso subjetivo y dependiente de analistas a un flujo de trabajo transparente en el que los equipos podían confiar para cada decisión, uno que crece con el volumen de aplicaciones sin aumentos proporcionales de personal.
"Inscribe fue el punto de inflexión para nosotros. Transformó la detección de fraude de un proceso manual y subjetivo a un sistema escalable y transparente en el que podemos confiar en todo momento". — Michael Coomer, Director de Gestión de Fraude, BHG Financial
Logix Federal Credit Union: $3 millones en ahorros contra fraude en ocho meses
Logix Federal Credit Union procesa varios cientos de casos de fraude de préstamos anualmente. Sus investigadores necesitaban herramientas que pudieran revelar lo que la inspección manual de documentos no podía detectar, en particular las falsificaciones y los documentos sintéticos generados por IA. A los ocho meses de implementar Inscribe, Logix evitó más de $3 millones en posibles pérdidas por fraude crediticio. El equipo también evitó las tediosas referencias cruzadas manuales de los registros del empleador y los documentos de muestra que anteriormente habían ralentizado todos los casos.
"Comenzamos a utilizar Inscribe a finales de abril del año pasado. Y en sólo ocho meses, vimos ahorros potenciales en fraude de préstamos de más de $3 millones e innumerables ahorros en robo de identidad". — Matt Overin, Gestión de riesgos de fraude, Logix Federal Credit Union
BCU: Detener las redes de fraude antes de que aumenten las pérdidas
BCU, una cooperativa de crédito líder, enfrentó un desafío más complejo: redes de fraude coordinadas que presentaban múltiples solicitudes que la revisión manual no detectaba. Inscribe brindó al equipo de protección de cuentas de BCU la detección de patrones entre aplicaciones necesaria para detectar estos esquemas de manera temprana. El resultado fue que se evitaron 5,6 millones de dólares en pérdidas por fraude, y el equipo pudo manejar un volumen de revisión cada vez mayor sin agregar personal proporcionalmente.
"Algunas de nuestras mayores prevenciones en dólares en los últimos años provienen directamente de las detecciones de Inscribe. Estamos hablando de millones en pérdidas evitadas, y eso ha marcado una diferencia mensurable en la rapidez y confianza con la que podemos detener el fraude". — Nickie Christianson, gerente sénior, equipo de protección de cuentas, BCU
Conclusión y próximos pasos
Los resultados de Inscribe muestran lo que es posible cuando la IA agente se aplica a los flujos de trabajo de detección de fraude documental. No solo una revisión más rápida, sino un sistema que razona, adapta y detecta tácticas de fraude que no existían cuando se capacitó por primera vez. A medida que los modelos básicos de Amazon Bedrock continúan evolucionando, el enfoque agente significa que Inscribe puede adoptar nuevas capacidades sin reconstruir la infraestructura central, lo que mantiene a su institución por delante de los estafadores.
La arquitectura multimodelo de Amazon Bedrock también proporciona un modelo para otras empresas que enfrentan desafíos similares. La selección de modelos estratégicos, respaldada por la API unificada de Amazon Bedrock y el escalado sin servidor, le ayuda a equilibrar la calidad, la velocidad y el costo en flujos de trabajo complejos de IA.
Para comenzar, explore los siguientes recursos:
Sobre los autores
Conor Burke
Conor es cofundador y director de tecnología de Inscribe, donde diseña los sistemas de inteligencia artificial detrás de la solución de detección de fraude agente de la empresa. Con experiencia en ingeniería electrónica y operaciones de riesgo, Conor ha liderado el desarrollo de productos de Inscribe desde sus primeros detectores de fraude hasta la IA agente adaptativa actual entrenada en millones de documentos auténticos. Inscribe ahora respalda a muchos de los bancos más grandes y a las fintechs de más rápido crecimiento en los EE. UU., detectando el fraude que los sistemas heredados pasan desapercibidos. La perspectiva de Conor sobre la IA y la prevención del fraude ha aparecido en VentureBeat, Forbes y The Irish Times.
Venu Kanamatareddy
Venu es arquitecto de soluciones especializado en IA en Amazon Web Services, donde trabaja con nuevas empresas nativas de IA de alto crecimiento para diseñar, escalar y poner en funcionamiento sistemas de IA de nivel de producción. Su trabajo abarca la IA generativa, la optimización de LLM, los flujos de trabajo agentes y la observabilidad y evaluación de sistemas de IA en entornos de producción. Con una carrera basada en la arquitectura de la nube, los sistemas distribuidos y el aprendizaje automático, se centra en diseñar y construir sistemas de inteligencia artificial que funcionen de manera confiable a escala, equilibrando el rendimiento, el costo y la preparación para la producción.
Krati Singh
Krati es arquitecto senior de soluciones en AWS con sede en el Área de la Bahía de San Francisco. Colabora con nuevas empresas de FinTech, brindando orientación arquitectónica sobre soluciones nativas de la nube. Fuera del trabajo, a Krati le gusta leer y trabajar en una variedad de proyectos con sus dos hijos.