La mayoría de las empresas plantean mal la pregunta sobre la prevención del fraude: "¿qué motor de fraude es el mejor?". La pregunta correcta es "¿mejor para qué, para quién, para qué sector y para qué montos?"
La respuesta está en sus propios números. Ningún motor es el mejor en todo: uno es más preciso con pedidos de alto valor, otro en una categoría como la electrónica y otro en un mercado específico.
Si procesa todo su volumen a través de un único motor fijo, acepta tácitamente un rendimiento inferior en cada segmento donde otro habría funcionado mejor. Esa brecha es por donde se escapan los ingresos, y cerrarla es precisamente para lo que se creó la IA.
Para ser claros, los proveedores antifraude son realmente sólidos, están entrenados con conjuntos de datos enormes y son mucho mejores que cualquier humano detectando patrones. Eso no está en duda.
Lo que mete en problemas a las empresas es pedirle a un solo motor que gestione todo de la misma manera. El fraude no se comporta de forma uniforme: una compra recurrente de 40 dólares y un pedido de 4,000 dólares de un cliente nuevo conllevan riesgos completamente distintos, y un comprador habitual de ropa no se parece en nada a alguien que compra por primera vez productos electrónicos de alta reventa.
Si aplica una lógica única a todo, el motor termina siendo demasiado estricto donde debería ser flexible y demasiado permisivo donde debería endurecerse.
Ese desajuste es costoso de formas que los informes de fraude nunca muestran. Según el estudio "True Cost of Fraud" de 2025 de LexisNexis, cada dólar de fraude le cuesta ahora a los comercios estadounidenses 4.61 dólares una vez que se contabilizan las devoluciones de cargo, las comisiones y la recuperación, un 32% más que en 2022.
El costo más difícil es el de los ingresos que nunca ve, ya que el mismo estudio reveló que los controles de fraude provocan la pérdida de clientes en el 59% de los comercios estadounidenses. El informe de 2026 de Adyen apunta en la misma dirección, con cerca del 60% de los comercios reportando más rechazos falsos, y Chargebacks911 concluyó que esos rechazos falsos cuestan ahora más que el fraude que previenen.
El mensaje es coherente: cada pedido rechazado erróneamente por una regla inflexible es un cliente que paga y que termina en manos de la competencia. El objetivo, entonces, no es un motor mejor. Es enviar cada transacción al motor y a la decisión que mejor funcione para ese tipo exacto de transacción.
Esa pregunta es donde la IA demuestra su valor, y su función merece ser explicada claramente: no reemplaza a sus motores de fraude, los orquesta, actuando como una capa de optimización sobre las decisiones que ya toman.
El sistema rastrea el rendimiento en tiempo real de cada motor conectado, segmento por segmento, basándose en los únicos indicadores clave de desempeño (KPI) que importan: la tasa de aprobación frente a la tasa de devoluciones de cargo. Los pedidos de alto valor se dirigen al motor con el mejor equilibrio entre aprobación y devoluciones de cargo en ese segmento; una categoría como la electrónica se dirige al motor que mejor la gestiona.
Los segmentos claros se aprueban sin fricción, el riesgo elevado activa 3DS en lugar de un bloqueo directo, y los patrones claramente fraudulentos se deniegan. Los motores siguen haciendo lo que mejor saben hacer, evaluar el riesgo, mientras la IA decide en cuál confiar y qué hacer con esa puntuación.
Debido a que vuelve a aprender a medida que cambian los números, el enrutamiento se vuelve más preciso cada semana en lugar de quedar obsoleto, y se mantiene bajo control en todo momento: límites de acción claros, registros de auditoría, permisos basados en roles y controles alineados con las regulaciones locales.
Imagine dos pedidos que llegan al mismo tiempo. El primero es una compra modesta y habitual de un cliente recurrente, por lo que se dirige al motor con el mejor historial de aprobación para ese segmento y se procesa al instante.
El segundo es un pedido de alto valor de un cliente nuevo en una categoría propensa a la reventa, por lo que se dirige al motor que mejor gestiona ese riesgo y se le solicita 3DS en lugar de rechazarlo.
Un cliente nunca siente nada, el otro es verificado en lugar de ser rechazado, y ambos resultados protegen los ingresos, sin depender de que un solo motor tenga la razón en todo.
El instinto tradicional era buscar la herramienta única que detuviera la mayor cantidad de fraudes. Las empresas que están tomando la delantera plantean una pregunta más precisa: qué herramienta y qué decisión funcionan mejor para cada tipo de transacción que realmente procesan.
Esto transforma la prevención de fraudes de un muro a una decisión de enrutamiento. Sus motores no son el problema ni compiten entre sí. La oportunidad consiste en poner a cada uno a trabajar exactamente donde es más eficaz, guiado por datos en tiempo real sobre aprobaciones y contracargos, en lugar de un conjunto de reglas fijas desde el inicio del año.
Este es el cambio que DEUNA fue diseñada para hacer realidad. Al conectar los motores de fraude en los que usted ya confía en una capa neutral y permitir que Athia enrute cada transacción al que mejor se desempeña en su segmento, la prevención de fraudes deja de ser una barrera rígida y se convierte en una decisión dinámica que trabaja a su favor.
La cifra que realmente importa nunca fue cuánto fraude detuvo, sino cuántos negocios legítimos aprobó, enviándolos al motor adecuado en el momento preciso, con DEUNA asegurando que esa decisión sea cada vez más inteligente.
