El fraude minorista solía ser relativamente directo.
Una tarjeta robada, una cuenta falsa o un patrón de transacciones sospechosas que podía marcarse y bloquearse antes de que ocurrieran daños graves.
Esa versión del fraude sigue existiendo, pero ya no es el principal problema.
Lo que aparece ahora es algo más coordinado, automatizado y difícil de detectar en tiempo real: redes de fraude impulsadas por IA que se comportan menos como actores individuales y más como sistemas distribuidos.
Probar, adaptarse y escalar son enfoques más sofisticados que cada vez reflejan las tecnologías que los minoristas están adoptando.
El fraude ya no es solo responder al ecommerce; está evolucionando junto a él.
Del fraude aislado a sistemas coordinados
Durante años, la prevención del fraude se centró principalmente en eventos individuales: un inicio de sesión sospechoso, un intento de tarjeta robada o un bots que exploraba flujos de pago. Pero ese modelo se está desmoronando.
Lo que está emergiendo es una actividad de fraude coordinada que se comporta más como una red que como una serie de incidentes aislados. Estos grupos combinan automatización, identidades sintéticas y contenido generado por IA cada vez más realista para simular comportamientos de clientes genuinos a gran escala. El resultado no es solo más fraude, sino fraude que se integra con el tráfico digital normal.
Al mismo tiempo, las redes de fraude ejecutan ataques de alta velocidad que se parecen más a sistemas diseñados que a crímenes oportunistas. Un ejemplo reciente involucró aproximadamente 4,2 millones de dólares en actividad fraudulenta durante 48 horas, impulsado por identidades sintéticas, dispositivos falsificados y flujos de transacciones rápidos que alcanzaron alrededor de 180 por minuto.
Lo notable no es solo la escala, sino la estructura. No son intentos aislados. Son operaciones coordinadas diseñadas para la velocidad, la repetición y la adaptación.
La IA está reduciendo la barrera para el fraude
El cambio más importante es la accesibilidad, así como la escala. La IA generativa ha reducido significativamente la barrera de entrada para el fraude. Tareas que antes requerían experiencia técnica o esfuerzos coordinados ahora pueden ejecutarse con herramientas de IA ampliamente disponibles.
Los defraudadores pueden generar identidades sintéticas, fabricar documentos de apoyo y crear artefactos digitales convincentes que simulan el comportamiento de clientes legítimos en cuestión de minutos. Esto incluye desde la creación de cuentas hasta patrones de comportamiento a lo largo de la navegación, la compra y las interacciones posteriores a la compra.
Uno de los ejemplos más claros es el aumento en el abuso de devoluciones, que ha crecido un 15% en los últimos seis meses, impulsado en gran parte por la facilidad y escalabilidad de imágenes generadas por IA.
En la práctica, esto significa que los defraudadores pueden presentar imágenes de productos rotos, dañados, incluso mohosos o defectuosos, con alto realismo. Estas imágenes suelen ser lo bastante convincentes para superar procesos de revisión iniciales, especialmente cuando se combinan con historiales de pedidos legítimos o credenciales de cuentas robadas.
En varios casos documentados, redes de fraude han usado cuentas recién creadas para comprar bienes de bajo costo, luego presentar imágenes generadas por IA para reclamar reembolsos sin devolver el producto. En algunas situaciones, se envían cajas vacías y, aun así, se procesan los reembolsos.
Otra operación coordinada que apuntaba a minoristas de productos para el hogar y moda utilizó un enfoque similar a gran escala, generando aproximadamente 800.000 dólares en reembolsos fraudulentos a través de reclamaciones de bajo valor repetidas para evitar umbrales de detección.
A título individual, estos casos pueden parecer manejables. Pero en conjunto muestran una tendencia clara: el fraude aumenta en sofisticación y escala.
El giro hacia el comercio impulsado por agentes
La siguiente fase de esta evolución ya está en marcha y está estrechamente vinculada al auge de los agentes digitales autónomos.
Durante la segunda mitad de 2025, la actividad por agentes creció más del 2000%. Aunque gran parte de este crecimiento está vinculado a casos legítimos como asistentes de compras y flujos de trabajo automatizados de atención al cliente, también introduce una capa adicional de complejidad para la detección de fraude. Los mismos sistemas que permiten a los agentes completar compras en nombre de los consumidores pueden ser manipulados para automatizar fraude a mayor escala.
En lugar de crear cuentas manualmente o realizar pedidos, ahora los defraudadores pueden orquestar cadenas completas de ataques utilizando la automatización basada en agentes. Esto cambia la naturaleza del fraude de acciones individuales a sistemas continuos y autoejecutables. Esto importa porque desplaza el problema de detección. Cuando el fraude se parece a una automatización legítima, la distinción entre actividad genuina y maliciosa se vuelve más difícil de definir con reglas tradicionales.
Al mismo tiempo, los minoristas ya observan que los patrones de fraude se adaptan a este entorno. Los atacantes imitan cada vez más los recorridos normales de los clientes, repartiendo la actividad entre dispositivos, cuentas y marcos temporales para evitar la detección. El resultado es un sistema donde el fraude no parece fraude hasta después de los hechos.
La mayor parte de la infraestructura de detección de fraude existente no fue diseñada para las condiciones actuales. Se apoyan fuertemente en reglas estáticas, patrones históricos y indicadores conocidos de actividad maliciosa. Pero el fraude impulsado por IA no sigue necesariamente patrones predecibles. Se adapta en tiempo real, varía su comportamiento en función de cambios en la superficie de ataque y puede escalar de maneras que abrumen a los sistemas basados en reglas.
Incluso los modelos de aprendizaje automático entrenados con datos históricos de fraude luchan cuando se enfrentan a comportamientos sintéticos que no tienen precedente directo. Esto genera una brecha creciente entre cómo opera realmente el fraude y cómo se detecta.
En consecuencia, muchos minoristas se ven obligados a posicionamientos reactivos, identificando fraude después de que las transacciones fraudulentas ya se han completado en lugar de prevenirlo en tiempo real. Esto es especialmente desafiante en áreas como devoluciones y reembolsos, donde el fraude suele ser indistinguible de las reclamaciones legítimas en el punto de interacción. El problema central radica en el tiempo junto con la precisión de la detección.
Qué vendrá para la confianza digital
La trayectoria del fraude está estrechamente ligada a la progresión del comercio electrónico. A medida que los agentes de IA asumen un papel más destacado en cómo los consumidores buscan, comparan y compran productos, los minoristas enfrentan una pregunta más compleja que si una transacción es legítima.
Necesitan determinar quién, o qué, está detrás de la transacción. ¿Es un cliente real? ¿Un asistente de IA legítimo que actúa en su nombre? ¿O un sistema sintético diseñado para imitar a ambos?
El reto ya no es solo la detección, sino la toma de decisiones en tiempo real. Porque en un entorno modelado por IA en ambos lados de la transacción, el riesgo y la verificación ya no pueden situarse en un único punto del proceso. Deben reevaluarse continuamente a lo largo del viaje del cliente.
Gestione a sus clientes de un nuevo negocio con la mejor CRM para startups.
Este artículo se ha producido como parte de TechRadar Pro Perspectives, nuestro canal para presentar a las mentes más brillantes de la industria tecnológica actual.
Las opiniones expresadas aquí corresponden a su autor y no necesariamente a TechRadarPro o Future plc. Si está interesado en contribuir, descubra más aquí: https://www.techradar.com/pro/perspectives-how-to-submit
Pacosite's Blog 