El lavado de dinero es un fenómeno global que implica la transformación de recursos económicos obtenidos de actividades ilícitas en fondos aparentemente legítimos. Tradicionalmente, esta práctica se ha vinculado con el narcotráfico, la corrupción, el fraude fiscal y la trata de personas, por mencionar solo algunos de entre muchas otras actividades delictivas que requieren ocultar el origen real de los capitales obtenidos; para lograrlo, los grupos delincuenciales se valen de estructuras financieras complejas, transacciones escalonadas y jurisdicciones con normas bancarias laxas, todo con el fin de evadir la detección por parte de las autoridades.
En México, las pérdidas por lavado de dinero representan un problema mayúsculo; se estima que una fracción significativa del Producto Interno Bruto (PIB) podría provenir de actividades ilegales que no se registran formalmente en el sistema tributario, al igual que a escala internacional, por lo que organismos como el Grupo de Acción Financiera Internacional (GAFI) emiten recomendaciones para robustecer los controles contra el blanqueo de capitales, instando a los países a mejorar la detección y sanción de estas prácticas.
En este contexto, la inteligencia artificial (IA) se presenta como una herramienta de gran potencial para facilitar la identificación, investigación y prevención del lavado de dinero. En los últimos años, los sistemas de machine learning y big data se han erigido como componentes centrales en los procesos investigativos, permitiendo a instituciones financieras y autoridades contar con algoritmos capaces de rastrear patrones o anomalías en flujos de capital que antes pasaban desapercibidos.
Además de agilizar procesos, la IA promete mayor precisión y reducción de costos en la detección de operaciones ilícitas, sin embargo, su aplicación trae aparejados nuevos retos jurídicos, ya que la información recabada por medios automatizados puede confrontarse con principios legales como la protección de inocencia y el debido proceso, por solo mencionar algunos. Resulta, por tanto, fundamental comprender el papel que juegan estos sistemas inteligentes en la dinámica de investigación penal, así como los desafíos normativos que emanan de su utilización en procedimientos penales, tanto en México como en el ámbito internacional.
La introducción de sistemas de inteligencia artificial en la detección del lavado de dinero responde a la necesidad de procesar volúmenes crecientes de información financiera, como los son los cientos de miles, o millones, de transacciones se realizan a diario a través de redes bancarias, fintechs, criptomonedas y otros sistemas de pago, lo que hace casi imposible la supervisión manual de todas ellas, en donde la IA, con herramientas de machine learning y análisis estadístico avanzado, puede marcar la diferencia.
En la práctica, las instituciones financieras pueden implementar algoritmos que entrenan modelos predictivos para identificar señales de alerta o red flags. Estos modelos se nutren de historiales de transacciones, perfiles de clientes, patrones de movimientos inusuales y datos demográficos que, combinados, generan un índice de riesgo o una alerta automática para revisiones más detalladas, por lo que, cuando el sistema encuentra incongruencias—por ejemplo, movimientos significativos que no cuadran con el historial de un cliente o transferencias sucesivas entre cuentas recién creadas—se dispara una notificación inmediata que da aviso y pone en alerta.
Los avances de deep learning permiten incluso la detección de patrones anómalos en tiempo real, lo cual resulta invaluable para prevenir operaciones en curso. Estos enfoques son cada vez más refinados, pues pueden discernir entre conductas auténticas y actividades sospechosas con base en probabilidades, disminuyendo los falsos positivos que tradicionalmente sobrecargan a los departamentos de cumplimiento.
Entre las herramientas más conocidas en el mercado global destacan Palantir y Chainalysis, que utilizan sistemas de IA para mapear redes financieras y transacciones de criptomonedas, estas plataformas se emplean en la intersección entre instituciones bancarias, agencias gubernamentales y firmas de investigación privada. En el caso de México, cada vez más entidades bancarias han adoptado soluciones basadas en aprendizaje automático para cumplir con las disposiciones establecidas por la Comisión Nacional Bancaria y de Valores (CNBV) y del Servicio de Administración Tributaria (SAT).
Los modelos predictivos aplicados a la detección del lavado de dinero suelen complementarse con técnicas de procesamiento de lenguaje natural (NLP), particularmente útiles en el análisis de reportes de transacciones sospechosas o en el escrutinio de documentos legales que puedan revelar estructuras societarias opacas, así, la IA no solo detecta patrones numéricos en las transacciones, sino que también interpreta documentos para identificar indicios de fraude o discrepancias en la información.
El uso de IA en este ámbito ofrece velocidad, eficiencia y capacidad escalable y la rápida identificación de operaciones dudosas reduce la ventana de oportunidad para que los grupos delictivos materialice la dispersión o de los recuros, o dicho de otra manera, dificultar el que muevan los fondos a múltiples jurisdicciones, además de dificultar la creación de redes financieras complejas. Sin embargo, la sofisticación de los algoritmos no siempre se traduce en transparencia, ya que muchos sistemas operan con técnicas de caja negra, donde la lógica de toma de decisiones no es inmediatamente clara para el usuario ni, en ocasiones, para los propios desarrolladores, lo que cobra relevancia, e impacta, por lo que hace a la cadena de custodia que ha de establecerse o aplicarse respecto de los indicios digitales, por lo que, si un tribunal requiere entender por qué se consideró una transacción sospechosa, los investigadores deben estar en condiciones de explicarlo detalladamente.
En suma, la IA se ha erigido como un aliado indudable en la lucha contra el lavado de dinero, permitiendo a las autoridades y a las entidades financieras hacer frente a un volumen de transacciones cada vez mayor y más complejo. Sin embargo, para capitalizar al máximo sus ventajas, resulta imprescindible abordar cuidadosamente los desafíos jurídicos y procedimentales asociados a esta tecnología, asegurando que la eficacia no colisione con el respeto a los derechos fundamentales y las garantías procesales.
Para dar cabal cumplimento a diversas obligaciones procesales, además de respetar los principios rectores del proceso penal, implica la necesidad de explicar la lógica detrás de la detección de operaciones sospechosas, ya que, si los algoritmos se basan en modelos de caja negra, su funcionamiento puede resultar opaco, lo que no solo complicaría la labor de la fiscalía, sino también de los propios juzgadores, aunado al hecho de que la falta de transparencia amenaza con vulnerar, entre otros, el principio de contradicción, y con ello, múltiples derechos y garantías procesales.
La recopilación masiva de datos personales y financieros para alimentar los algoritmos de IA también se enfrenta a normas de protección de datos, como ocurre en México debido a la Ley Federal de Protección de Datos Personales en Posesión de los Particulares; la tensión radica en que, si bien resulta esencial contar con grandes volúmenes de información para que la IA aprenda a detectar patrones, el tratamiento indiscriminado de datos podría considerarse una invasión a la privacidad o un tratamiento excesivo sin el consentimiento expreso de los titulares.
Otro aspecto relevante es el posible sesgo en el diseño y entrenamiento de los algoritmos. La inteligencia artificial se nutre de datos históricos, los cuales pueden arrastrar patrones discriminatorios o estar incompletos, y si el conjunto de datos utilizado para entrenar el sistema se enfoca en ciertas conductas o perfiles socioeconómicos, es posible que la IA sobreestime la probabilidad de riesgo en grupos específicos y subestime otras actividades igualmente sospechosas que no encajan con el perfil. De esta manera, los programadores y operadores de la tecnología podrían, incluso sin desearlo, perpetuar parcialidades que afecten la objetividad de la investigación penal, o bien, deseando hacerlo pero intentando encubrirlo, pero indiscutiblemente inclinando la balanza de detección de operaciones sospechosas a cierto grupo social.
Aunado a lo anterior, debido a que el lavado de dinero suele implicar movimientos financieros a través de múltiples países, los sistemas de IA que operan en un territorio pueden tener dificultades al intercambiar información con autoridades extranjeras, sea por falta de convenios de cooperación o por limitaciones en los protocolos de compatibilidad de datos, por lo que la IA se ve supeditada a la disponibilidad de información transfronteriza y a la armonización normativa entre distintos estados.
Aunado a todo lo previamente referido, se debe considerar la cadena de custodia de la evidencia digital, ya que la información que generan los algoritmos debe registrarse, almacenarse y presentarse de manera que garantice su autenticidad, confiabilidad e integridad, lo que suele requerir protocolos de encriptación y control de accesos, además de un registro detallado que identifique cada paso del procesamiento automatizado, ya que en caso de no contar con lo referido, podría ser alegada manipulación, inexactitud o falta de certidumbre en los datos.
Así bien, podemos observar que la lucha contra el lavado de dinero ha dado lugar a varios casos que ilustran tanto su potencial como sus limitaciones. Uno de los ejemplos más referenciados es la colaboración entre agencias federales de Estados Unidos y plataformas especializadas en análisis de criptomonedas para desmantelar redes de comercio ilícito en la deep web, que por medio de algoritmos capaces de rastrear flujos en blockchain, se identificaron patrones de transacciones que convergían en direcciones digitales vinculadas con la venta de sustancias ilegales, lo que permitió a las autoridades confiscar activos, o bien, como es el caso que en Europa, donde autoridades financieras y bancarias, utilizaron herramientas de aprendizaje automático para examinar miles de transacciones sospechosas en distintos países resultando en la detección de una compleja red de lavado de capitales que involucraba la creación de empresas fachada y el constante movimiento de fondos entre ellas, sin embargo, a pesar de la eficacia del rastreo, los organismos judiciales enfrentaron una serie de impugnaciones procesales debido a que las defensas cuestionaron la legitimidad de basar las acusaciones en algoritmos no transparentes y por la imparcialidad en la selección de las transacciones investigadas, lo que puso sobre la mesa la necesidad de documentar minuciosamente cada paso del proceso de análisis de datos.
En México, aunque todavía se encuentra en una fase incipiente el uso masivo de IA en la persecución del lavado de dinero, las primeras experiencias evidencian la relevancia de la colaboración interinstitucional. La Unidad de Inteligencia Financiera (UIF) y la CNBV han avanzado en la incorporación de software analíticos para detectar operaciones anómalas en tiempo real. No obstante, la brecha tecnológica y la falta de capacitación especializada suponen un reto significativo, pues la eficacia de estas herramientas se ve mermada cuando los operadores del sistema de justicia penal no comprenden a fondo su funcionamiento. Esta experiencia sugiere que no basta con la adopción de soluciones tecnológicas; se requiere, además, un reforzamiento de capacidades y la adecuación de los procesos judiciales para admitir con solvencia la prueba generada por la IA.
Es necesario destacar, que para una adecuada aplicación de la IA, se requiere un continuo escrutinio de los posibles sesgos y errores de los algoritmos, a fin de minimizar la discriminación y el ensañamiento contra ciertos sectores o perfiles económicos, ya que la IA no es infalible y su proceso de aprendizaje puede reproducir patrones de exclusión que no reflejen la realidad delictiva.
Podemos percatarnos que, la IA ofrece oportunidades únicas para combatir el lavado de dinero, sobre todo al permitir un análisis ágil y amplio de volúmenes de datos imposibles de examinar de forma manual, sin embargo, su implementación en la investigación penal demanda un abordaje integral que combine la tecnología con un marco legal sólido, el cual no se limite a la persecución eficiente del delito, sino que también de cumplimiento al la normatividad de la materia. En este sentido, los legisladores y las autoridades encargadas de la procuración de justicia deben esforzarse por establecer directrices claras sobre la obtención, procesamiento y presentación de evidencia digital, así como sobre la transparencia de los algoritmos que se utilicen.
Ahora bien, es obligatorio el advertir que, por un lado, tenemos el enorme potencial de la inteligencia artificial para fortalecer los mecanismos de identificación y sanción del lavado de dinero, sin embargo, podemos percatarnos también que la tecnología debe implementarse con un estricto apego a la legalidad y con la conciencia de que cada automatización en la persecución penal puede generar nuevas vulneraciones si no se establecen contrapesos efectivos, así, en la medida en que se logre una correcta integración de estos factores, la IA podrá convertirse en un aliado clave para las autoridades y las instituciones financieras, impulsando investigaciones más precisas y ágiles, y, con ello, contribuir de manera sustancial a la transparencia y la justicia en el ámbito económico.
Roberto Martínez Anzures. Abogado postulante y socio fundador en M. Anzures Abogados. Licenciado en Derecho por la Universidad Iberoamericana, estudios concluidos de la Licenciatura en Ciencia Política y Administración Pública en la Facultad de Ciencias Políticas de la Universidad Nacional Autónoma de México, Maestro en Administración Pública y Política Pública por la Escuela de Graduados en Administración Pública del Tecnológico de Monterrey, maestro en Ciencias Penales, maestro en Juicio Oral y Proceso Penal Acusatorio, especialista en Amparo Penal y Prevención y Persecución de Operaciones con Recursos de Procedencia Ilícita, estudios en el Instituto Nacional de Ciencias Penales. Concluyó el Máster en Justicia Penal por la Universidad de Salamanca, España. Doctorando en Derecho Judicial. Cuenta con múltiples posgrados en diversas universidades, tanto nacionales como extranjeras, de las que se destaca Georgetown University, en Washington, EE. UU., la Universidad de Deusto, Bilbao, España, University of San Diego, así como en la Universidad de Girona, España. Profesor universitario y de posgrado.
X: @RobertoMarAnz
Ig: @Robertom.anzures
