..ReCrim2026..
recrim26a09
- González Quinzán, Y. El machine learning para la prevención del blanqueo de dinero desde la perspectiva del sector financiero: beneficios operativos y desafíos éticos y jurídicos
Automatización - Algoritmo - Explicablidad - Chatbots - Sesgos
Automation - Algorithms - Explainability - Chatbots - Bias
Se analiza la aplicación del Machine Learning (en adelante, ML) para la adopción de modelos de prevención del blanqueo, especialmente relevantes desde la óptica de las instituciones financieras. El blanqueo de dinero se trata de un fenómeno en constante evolución, que se beneficia de los nuevos productos y servicios financieros, por lo que resulta necesario la búsqueda de sistemas preventivos que superen los esquemas basados en reglas, a los que se les atribuyen un elevado número de falsos positivos. En múltiples investigaciones se han propuesto alternativas predictivas basadas en el ML. Ello se enmarca en la contribución de la Inteligencia Artificial (en adelante, IA) para el diseño de medidas de conocimiento del cliente (en adelante, KYC), el monitoreo continuo de transacciones y la remisión de informes de operaciones sospechosas. El ML se determina como eficiente en la medida en que posibilita una tasa de éxito mayor en la detección del fraude. Con todo, el desarrollo de técnicas predictivas mediante algoritmos se enfrenta a problemas como la escasa calidad de los datos, la falta de explicabilidad de los resultados y la adecuación con la normativa de protección de datos. acceso a texto completo
This article examines the application of machine learning (hereinafter, ML) to the development of anti-money laundering systems, with particular emphasis on their relevance for financial institutions. Money laundering is a constantly evolving phenomenon that takes advantage of new financial products and services, making it necessary to develop preventive systems capable of overcoming traditional rule-based approaches, which are characterized by high false-positive rates. A growing body of research has proposed predictive models based on ML as an alternative to these conventional systems. In this context, Artificial Intelligence (hereinafter, AI) contributes to the design and implementation of know-your-customer (hereinafter, KYC) measures, continuous transaction monitoring, and the filing of suspicious transaction reports. ML is regarded as an effective tool insofar as it enables higher detection rates for fraudulent and potentially illicit transactions. Nevertheless, the development of algorithmic predictive techniques continues to face significant challenges, including poor data quality, the lack of model explainability, and compliance with data protection law. full text
Recibido: 27/07/26 Publicado: 30/08/26
© 2026 Los derechos de la presente contribución corresponden a sus autores; los signos distintivos y la edición son propiedad del Instituto U. de Investigación en Criminología y CC.PP. La cita está permitida en los términos legalmente previstos, haciendo siempre expresa mención de autoría y de la disponibilidad en línea en http://www.uv.es/recrim
