Más allá de los deep fakes: Detección de explotación masiva de identidades reales para originación de cuentas mula en economías en desarrollo
Resumen
Los marcos actuales de prevención de lavado de dinero (PLD) para la detección de fraude en procesos de Conoce a tu Cliente (KYC) se enfocan predominantemente en la detección de identidades sintéticas y reconocimiento de deep fakes durante la originación de cuentas. Sin embargo, en economías en desarrollo con altas tasas de pobreza, emerge un modelo de amenaza fundamentalmente diferente: la explotación masiva de identidades reales mediante el reclutamiento organizado de personas económicamente vulnerables para la originación fraudulenta de cuentas. Este artículo examina el fenómeno de las granjas de identidad en México, donde redes organizadas reclutan personas de comunidades rurales empobrecidas —de manera análoga a la práctica política de los acarreados— para abrir cuentas bancarias legítimas que posteriormente sirven como vehículos de cuentas mula. Argumentamos que los controles KYC tradicionales son estructuralmente incapaces de detectar esta amenaza porque cada elemento de verificación es genuino. Proponemos un marco de detección basado en clusters que explota restricciones operacionales inherentes: concentración geográfica de identidades reclutadas, compresión temporal de eventos de originación, anomalías de geolocalización durante KYC remoto, y perfilamiento transaccional post-originación contra líneas base socioeconómicas. El marco introduce tres escenarios de detección —clusters de originación en sucursal, granjas de originación con KYC remoto, y detección de spoofing de geolocalización—, cada uno produciendo señales de riesgo que colectivamente permiten un monitoreo efectivo. Discutimos la integración con indicadores del INEGI y la alineación regulatoria con la LFPIORPI y los requisitos de BANXICO para la recolección de datos de geolocalización durante la apertura remota.
Descargas
Citas
Abdul Rani, M. I., Syed Mustapha Nazri, S. N. F., & Zolkaflil, S. (2024). A systematic literature review of money mule: Its roles, recruitment and awareness. Journal of Financial Crime, 31(2), 347–361. https://doi.org/10.1108/JFC-10-2022-0243
Banco de México. (2021). Disposiciones de carácter general aplicables a las instituciones de crédito. Banco de México.
BioCatch. (2024). Nearly 2 million money laundering accounts reported in 2024. BioCatch Annual Report. https://www.biocatch.com/press-release/nearly-two-million-money-laundering-accounts-reported-in-2024
Brodsky, I. (2018). H3: Uber's hexagonal hierarchical spatial index. Uber Engineering Blog. https://www.uber.com/blog/h3/
Chandola, V., Banerjee, A., & Kumar, V. (2009). Anomaly detection: A survey. ACM Computing Surveys, 41(3), 1–58. https://doi.org/10.1145/1541880.1541882
CONEVAL. (2022). Medición de la pobreza en México 2022. Consejo Nacional de Evaluación de la Política de Desarrollo Social. https://www.coneval.org.mx/
Ester, M., Kriegel, H.-P., Sander, J., & Xu, X. (1996). A density-based algorithm for discovering clusters in large spatial databases with noise. En Proceedings of the 2nd International Conference on Knowledge Discovery and Data Mining (KDD) (pp. 226–231).
Financial Action Task Force. (2023). Illicit financial flows from cyber-enabled fraud. FATF Report. https://www.fatf-gafi.org/
Gobierno de México. (2012). Ley Federal para la Prevención e Identificación de Operaciones con Recursos de Procedencia Ilícita (LFPIORPI). Diario Oficial de la Federación.
Heidari, A., Jafari Navimipour, N., Dag, H., & Unal, M. (2024). Deepfake detection using deep learning methods: A systematic and comprehensive review. WIREs Data Mining and Knowledge Discovery, 14(2), e1520. https://doi.org/10.1002/widm.1520
HM Government. (2024). Money mule and financial exploitation action plan 2024. UK Government. https://www.gov.uk/government/publications/money-mule-action-plan
INE. (2023). Padrón electoral y lista nominal. Instituto Nacional Electoral. https://www.ine.mx/
INEGI. (2020). Censo de población y vivienda 2020. Instituto Nacional de Estadística y Geografía. https://www.inegi.org.mx/
Jullum, M., Løland, A., Huseby, R. B., Ånonsen, G., & Lorentzen, J. (2020). Detecting money laundering transactions with machine learning. Journal of Money Laundering Control, 23(1), 173–186. https://doi.org/10.1108/JMLC-07-2019-0055
Kute, D. V., Pradhan, B., Shukla, N., & Alamri, A. (2021). Deep learning and explainable artificial intelligence techniques applied for detecting money laundering—A critical review. IEEE Access, 9, 82300–82317. https://doi.org/10.1109/ACCESS.2021.3086230
Lopez-Rojas, E. A., & Axelsson, S. (2012). Money laundering detection using synthetic data. En Annual Workshop of the Swedish Artificial Intelligence Society (SAIS 2012) (pp. 33–40). https://ep.liu.se/en/conference-article.aspx?issue=71&Article_No=5
Pourhabibi, T., Ong, K.-L., Kam, B. H., & Boo, Y. L. (2020). Fraud detection: A systematic literature review of graph-based anomaly detection approaches. Decision Support Systems, 133, 113303. https://doi.org/10.1016/j.dss.2020.113303
Raza, M. S., Zhan, Q., & Rubab, S. (2020). Role of money mules in money laundering and financial crimes: A discussion through case studies. Journal of Financial Crime, 27(3), 911–931. https://doi.org/10.1108/JFC-02-2020-0028
Savage, D., Zhang, X., Yu, X., Chou, P., & Wang, Q. (2014). Anomaly detection in online social networks. Social Networks, 39, 62–70. https://doi.org/10.1016/j.socnet.2014.05.002
U.S. Department of the Treasury. (2024). 2024 National money laundering risk assessment. U.S. Department of the Treasury. https://home.treasury.gov/system/files/136/2024-National-Money-Laundering-Risk-Assessment.pdf
Weber, M., Domeniconi, G., Chen, J., Weidele, D. K. I., Bellei, C., Robinson, T., & Leiserson, C. E. (2019). Anti-money laundering in Bitcoin: Experimenting with graph convolutional networks for financial forensics. En KDD Workshop on Anomaly Detection in Finance. https://arxiv.org/abs/1908.02591
Derechos de autor 2026 Carlos Gómez
Esta obra está bajo licencia internacional Creative Commons Reconocimiento 4.0.
.png)
.png)
1.png)
