La inteligencia artificial está transformando el monitoreo AML al combinar datos transaccionales, comportamiento y señales de riesgo para priorizar alertas. Pero cuanto mayor es la automatización, mayor es también la necesidad de comprender y supervisar los modelos.
Cada transacción genera información. El importe, la frecuencia, el método de pago y los cambios en el comportamiento de un cliente pueden aportar señales relevantes para los equipos de cumplimiento. El desafío está en identificar cuáles requieren atención dentro de un volumen de operaciones que puede resultar difícil de analizar únicamente mediante reglas y controles predefinidos.
La inteligencia artificial comienza a ocupar un espacio en ese proceso. La Gambling Commission británica ha identificado un mayor uso de algoritmos y modelos de comportamiento para detectar señales relacionadas con el lavado de activos y asignar niveles de riesgo a los clientes.
DETECTAR FUERA DEL PATRÓN
Durante años, buena parte del monitoreo transaccional se ha basado en reglas y umbrales previamente definidos. El problema aparece cuando el volumen de transacciones aumenta y los comportamientos que se buscan identificar son más complejos.
La inteligencia artificial y el machine learning permiten incorporar otra capa de análisis. Los sistemas pueden procesar información histórica y transaccional para reconocer patrones de comportamiento y detectar movimientos que se apartan de ellos. Variables como el importe, la frecuencia, el destino, el horario o la ubicación pueden analizarse conjuntamente para identificar anomalías que requieren mayor atención.
Esto no significa que una operación diferente sea necesariamente ilícita. Una anomalía funciona como una señal que debe evaluarse dentro del perfil y el nivel de riesgo del cliente. En el sector del juego, la Gambling Commission británica señala que los algoritmos y modelos de comportamiento utilizados para AML pueden identificar señales de alerta y contribuir a generar una calificación agregada del riesgo de cada usuario.
LAS NUEVAS SEÑALES
El análisis automatizado cobra mayor utilidad cuando permite relacionar distintas señales dentro de una misma cuenta. Un cambio repentino en la forma de depositar o retirar fondos, el uso de varios medios de pago o determinados movimientos con escasa actividad de juego pueden elevar el nivel de riesgo y justificar una revisión más detallada.
La evaluación publicada por Gambling Commission en julio de 2026 advierte sobre cuentas mula y sobre intentos cada vez más sofisticados de superar los controles de identificación mediante documentación falsa, deepfakes y alteraciones faciales generadas con IA. En los casinos online, además, identifica riesgos asociados al uso de múltiples métodos de pago y a determinados flujos procedentes de billeteras electrónicas, sistemas prepago y criptoactivos.
La tecnología puede ayudar a conectar estas señales y asignar un nivel de riesgo. La decisión posterior sigue dependiendo del análisis del caso y de los controles establecidos por el operador.
El escenario plantea, además, una paradoja: la misma tecnología que fortalece los controles también puede utilizarse para intentar superarlos. Por ello, el desafío del compliance ya no consiste únicamente en analizar más información, sino en hacerlo con herramientas capaces de adaptarse a riesgos que también evolucionan.
MEJORES DECISIONES
Uno de los principales problemas del monitoreo transaccional es la cantidad de alertas que finalmente no corresponden a operaciones sospechosas. Los sistemas basados en reglas pueden marcar una transacción porque supera un umbral o cumple determinados criterios, aunque después de la revisión no se encuentre un riesgo real. Esto obliga a los equipos de compliance a dedicar tiempo a casos que terminan descartándose.
La IA puede ayudar a ordenar ese volumen. Un estudio publicado en 2025 sobre una unidad financiera analizó la implementación de un modelo de machine learning sobre un sistema tradicional de monitoreo AML. En lugar de reemplazar las reglas existentes, el modelo asignaba una puntuación de riesgo a las alertas: las de menor riesgo podían quedar en espera, las intermedias pasaban a revisión y las de mayor riesgo eran escaladas para una investigación más detallada.
Los resultados muestran el potencial operativo de este enfoque. Al final del periodo analizado, el 19% de las alertas podía entrar en hibernación y otro 18% era autoescalado. El tiempo empleado para investigar y presentar reportes de operaciones sospechosas se redujo un 61%.
La ventaja, por tanto, no consiste únicamente en generar menos alertas. También permite establecer prioridades y concentrar el trabajo de los especialistas en los casos que presentan mayores señales de riesgo.
LA IA TAMBIÉN NECESITA CONTROLES
La incorporación de inteligencia artificial al compliance también introduce nuevas exigencias. Un modelo puede procesar grandes volúmenes de información y asignar niveles de riesgo, pero el operador necesita comprender qué variables analiza, cómo las pondera y qué condiciones activan una alerta. La Gambling Commission británica advierte que ha encontrado casos en los que los propios operadores no comprendían completamente cómo funcionaban sus algoritmos utilizados para AML.
El problema puede aparecer incluso en sistemas correctamente automatizados. El regulador ha identificado modelos que no detectaron indicadores de alto riesgo debido a su configuración, otros que necesitaban acumular cierta actividad antes de evaluar al cliente y casos en los que el personal recibía una alerta sin conocer qué había provocado el escalamiento.
Por ello, durante sus evaluaciones, la Comisión puede examinar qué puntúa el algoritmo, cómo pondera cada factor, cuáles son sus umbrales y cómo se comprueba su efectividad.
La supervisión humana sigue siendo parte del proceso. La inteligencia artificial puede procesar más información, identificar patrones y ayudar a decidir qué alertas deben recibir atención primero. Pero no elimina la responsabilidad del operador sobre el análisis, la investigación y las decisiones que se adopten frente a una actividad potencialmente sospechosa.
Do limite ao padrão: Novas ferramentas de controle
A inteligência artificial está transformando o monitoramento de AML ao combinar dados transacionais, comportamentais e sinais de risco para priorizar alertas. No entanto, quanto maior a automação, maior se torna a necessidade de compreender e supervisionar esses modelos.
Cada transação gera dados. O valor, a frequência, o método de pagamento e as mudanças no comportamento do cliente fornecem sinais cruciais para as equipes de conformidade. O desafio está em identificar quais casos exigem atenção em meio a um massivo volume de operações, algo difícil de analisar apenas por meio de regras e controles predefinidos.
A inteligência artificial começa a ocupar um papel central nesse processo. A Gambling Commission britânica identificou um uso crescente de algoritmos e modelos de comportamento para detectar sinais relacionados à lavagem de dinheiro e atribuir níveis de risco aos clientes.
IDENTIFICAR DESVIOS FORA DO PADRÃO
Durante anos, grande parte do monitoramento transacional baseou-se em regras e limites previamente definidos. O problema surge quando o volume de transações aumenta e os comportamentos que se busca identificar tornam-se mais complexos.
A inteligência artificial e o machine learning permitem incorporar uma camada adicional de análise. Os sistemas conseguem processar dados históricos e transacionais para reconhecer padrões de comportamento e detectar movimentos atípicos. Variáveis como valor, frequência, destino, horário ou localização podem ser analisadas de forma conjunta para identificar anomalias que exigem maior atenção.
Isso não significa que uma operação atípica seja necessariamente ilícita. Uma anomalia funciona como um alerta que deve ser avaliado dentro do perfil e do nível de risco do cliente. No setor de jogos, a Gambling Commission britânica destaca que os algoritmos e modelos comportamentais utilizados em AML podem identificar esses sinais de alerta e contribuir para gerar uma pontuação agregada de risco para cada usuário.
OS NOVOS SINAIS DE ALERTA
A análise automatizada ganha mais eficácia quando consegue cruzar diferentes sinais dentro de uma mesma conta. Uma mudança repentina na forma de depositar ou sacar fundos e o uso de vários métodos de pagamento ou movimentações financeiras com escassa atividade de jogo podem elevar o nível de risco e justificar uma investigação mais detalhada.
A avaliação publicada pela Gambling Commission em julho de 2026 alerta para a presença de “contas mulas” e tentativas cada vez mais sofisticadas de burlar os controles de identificação por meio de documentos falsos, deepfakes e manipulações faciais geradas por IA. Nos cassinos online, o órgão também aponta riscos associados ao uso de múltiplos métodos de pagamento e a determinados fluxos procedentes de carteiras digitais, cartões pré-pagos e criptoativos.
A tecnologia ajuda conectar esses alertas e atribuir um nível de risco. No entanto, a decisão final de intervenção continua dependendo da análise do caso e dos controles estabelecidos pelo operador.
O cenário apresenta, ainda, um paradoxo: a mesma tecnologia que fortalece os controles pode ser utilizada para tentar burlá-los. Por isso, o desafio do compliance não consiste mais apenas em analisar um volume maior de dados, mas em fazê-lo com ferramentas capazes de adaptar-se a riscos em constante evolução.
MELHORES DECISÕES
Um dos principais problemas do monitoramento transacional é a quantidade de alertas que, ao final da análise, não correspondem a operações suspeitas. Os sistemas baseados em regras podem sinalizar uma transação porque ultrapassa o limite ou atende a determinados critérios, embora uma investigação não revele qualquer risco real. Isso força as equipes de compliance a despender tempo a casos que acabam descartados.
A IA ajuda a organizar esse volume. Um estudo publicado em 2025 sobre uma instituição financeira analisou a implementação de um modelo de machine learning integrado a um sistema tradicional de monitoramento de AML. Em vez de substituir as regras existentes, o modelo atribuía uma pontuação de risco a cada alerta: os de menor risco podiam ficar em espera, os intermediários passavam por revisão e os de maior risco eram escalados para uma investigação detalhada.
Os resultados mostram o potencial operacional dessa abordagem. Ao final do período analisado, 19% dos alertas puderam entrar em hibernação e outros 18% foram automaticamente para escalonamento. Assim, o tempo utilizado para investigar e apresentar relatórios de operações suspeitas foi reduzido em aproximadamente 61%.
A vantagem, portanto, não consiste apenas em gerar menos alertas. Ela também permite estabelecer prioridades e concentrar a atuação dos especialistas nos casos que apresentam maior índice de risco.
A IA TAMBÉM EXIGE CONTROLES
A incorporação da inteligência artificial ao compliance também introduz novas exigências. Um modelo pode processar grandes volumes de dados e atribuir níveis de risco, mas o operador precisa compreender quais variáveis ele analisa, como as pondera e quais condições ativam um alerta. A Gambling Commission britânica adverte que identificou casos nos quais os próprios operadores não compreendiam completamente o funcionamento dos algoritmos que utilizavam para AML.
O problema pode surgir inclusive em sistemas devidamente automatizados. O regulador identificou modelos que não detectaram indicadores de alto risco devido à sua configuração, outros que precisavam acumular certo volume de atividade antes de avaliar o cliente e casos nos quais a equipe recebia um alerta sem saber o que havia provocado o escalonamento.
Por isso, durante suas avaliações, a Comissão pode examinar o que o algoritmo pontua, como pondera cada fator, quais são seus limites e como sua efetividade é comprovada.
A supervisão humana continua sendo parte fundamental do processo. A inteligência artificial pode processar um volume maior de dados, identificar padrões e ajudar a determinar quais alertas devem receber atenção prioritária. No entanto, ela não exime o operador da responsabilidade sobre a análise, a investigação e as decisões tomadas diante uma atividade potencialmente suspeita.
