Resumen:El lavado de dinero y el fraude financiero siguen siendo amenazas importantes para la estabilidad financiera global, ya que cuestan billones al año y desafían la supervisión regulatoria. Este documento analiza cómo las aplicaciones de inteligencia artificial (IA) pueden modernizar los flujos de trabajo contra el lavado de dinero (AML) al mejorar la precisión de la detección, reducir las tasas de falsos positivos y reducir la carga operativa de las investigaciones manuales, apoyando así un desarrollo más sostenible. Además, destaca las direcciones de investigación futuras, incluido el aprendizaje federado para la colaboración que preserva la privacidad, la inteligencia artificial interpretable y consciente de la equidad, el aprendizaje de refuerzo para defensas adaptativas y los sistemas de visualización humanos en el circuito para garantizar que las arquitecturas AML de próxima generación sigan siendo transparentes, responsables y sólidas. En la parte final, el artículo propone una aplicación KYC impulsada por IA que integra generación aumentada de recuperación basada en gráficos (RAG Graph) con modelos generativos para mejorar la eficiencia, la transparencia y el apoyo a las decisiones en los procesos KYC relacionados con la detección del lavado de dinero. Los resultados experimentales muestran que la arquitectura RAG-Graph ofrece alta fidelidad y fuerte relevancia de las respuestas en diversos entornos de evaluación, mejorando así la eficiencia y transparencia de los flujos de trabajo KYC CDD/EDD y contribuyendo a prácticas de cumplimiento más sostenibles y optimizadas para los recursos.
Publicado originalmente en export.arxiv.org el 8 de diciembre de 2025.
Ver fuente original
