Un desarrollo nacido en la Universidad Nacional pone sobre la mesa una pregunta urgente para la banca colombiana: ¿cómo detectar operaciones sospechosas sin llenar a los equipos de cumplimiento de falsas alarmas? El modelo TGATLike, creado por Santiago Leonardo Delgado Mejía, usa aprendizaje automático para leer redes de transacciones y priorizar alertas con más contexto.
Resumen rápido
- TGATLike reportó un 71% de acierto frente al 27% de sistemas tradicionales basados en reglas, según las pruebas citadas por Caracol Radio.
- El modelo analiza relaciones temporales entre cuentas, no solo montos o movimientos aislados.
- Para bancos, fintechs y reguladores, la oportunidad está en usar IA como filtro de riesgo, siempre con revisión humana y datos bien gobernados.
El lavado de activos no es un problema abstracto ni lejano. En Colombia, la Unidad de Información y Análisis Financiero ha estimado movimientos cercanos a los 12 billones de pesos anuales asociados a este delito, según recoge Caracol Radio. En la práctica, eso significa que bancos, fintechs y entidades vigiladas deben revisar señales en millones de operaciones, muchas veces con reglas rígidas que disparan alertas cuando una transacción supera cierto monto o se sale de un patrón básico.
Ahí aparece TGATLike, un modelo de inteligencia artificial desarrollado por Santiago Leonardo Delgado Mejía, magíster en Ingeniería de Sistemas y Computación de la Universidad Nacional. La idea no es reemplazar a los equipos de cumplimiento, sino darles una herramienta más fina para separar ruido de señales relevantes. En vez de mirar cada movimiento como una fila suelta en una base de datos, el algoritmo entiende el sistema financiero como una red: cuentas que se conectan, cambian de comportamiento, envían y reciben dinero en secuencias y pueden revelar patrones difíciles de ver con filtros estáticos.
La Patria explica el enfoque con una comparación clara: las cuentas funcionan como nodos y las transacciones como vínculos entre ellas. Ese diseño permite detectar relaciones ocultas entre operaciones separadas en el tiempo, algo clave porque las maniobras de lavado rara vez se presentan como un único giro sospechoso. Suelen ser circuitos, capas y movimientos pequeños que, vistos uno por uno, parecen normales.
Los resultados reportados llaman la atención. Según Caracol Radio, Delgado comparó su prototipo contra protocolos tradicionales y encontró un acierto del 71%, frente al 27% de los métodos actuales. La Patria añade un matiz importante: aunque el modelo tradicional puede ser más conservador cuando decide alertar, TGATLike detecta muchas más operaciones ilícitas potenciales, actuando como una primera capa de filtrado inteligente. Dicho sin tecnicismos: no se trata solo de “adivinar mejor”, sino de ayudar a que el analista no pierda la mañana revisando alertas que nunca debieron llegarle.
Para entrenar y probar el sistema, el investigador usó una base de datos sintética de IBM con hasta 5 millones de transacciones y 500.000 clientes simulados. Ese punto importa. En delitos financieros, conseguir datos reales, limpios y compartibles es complicado por privacidad, reserva bancaria y riesgo operativo. Las bases sintéticas permiten experimentar, pero el paso realmente serio viene después: adaptar el modelo a patrones de cada institución, probarlo con datos locales bajo controles estrictos y medir qué pasa con sesgos, explicabilidad y trazabilidad.
Para las empresas colombianas, la noticia deja tres aprendizajes concretos. Primero, la IA útil no siempre es la más vistosa; a veces está en procesos internos donde un ahorro de horas mejora la productividad y reduce exposición legal. Segundo, los modelos de riesgo no pueden operar como cajas negras, menos en sectores regulados. Si una alerta puede terminar en reporte a autoridades o bloqueo de una operación, la entidad debe poder explicar por qué se activó. Tercero, la calidad del dato sigue mandando: perfiles de clientes incompletos o históricos mal estructurados limitan cualquier modelo, por sofisticado que parezca.
También hay una oportunidad para el ecosistema fintech. Colombia viene creciendo en pagos digitales, billeteras, crédito alternativo y servicios embebidos. Más transacciones digitales significan más datos, pero también más superficie para fraude y lavado. Herramientas como TGATLike muestran que la innovación local puede competir en problemas de alto valor, no solo en apps de cara al usuario. Si se valida en entornos reales, este tipo de tecnología podría convertirse en una capa de confianza para entidades pequeñas que no tienen equipos gigantes de analítica.
Lo siguiente a mirar será si el modelo avanza hacia pruebas piloto con bancos o fintechs, cómo se integra con los sistemas SARLAFT y qué tan transparente puede ser para auditores y supervisores. La promesa es potente: menos falsas alarmas, más detección temprana y mejores decisiones humanas. Pero la vara debe ser alta. En cumplimiento financiero, una IA que suena brillante en laboratorio solo vale si resiste datos reales, auditorías y presión operativa.