Si le preguntas a cualquier integrante del equipo de cumplimiento qué le ocupa el tiempo durante la semana, la respuesta será prácticamente la misma: atender alertas que resultan ser falsas. Por eso, en algún momento alguien propone una solución sencilla: hacer más estrictas las reglas de coincidencia, elevar los umbrales y volver más selectivo el sistema.
Nunca funciona del todo. Al hacer más estrictas las reglas, la cantidad de alertas disminuye un poco, quizá un 10% o un 15%, pero la proporción de ruido no cambia en absoluto. El mismo 95% de alertas sin relevancia ahora corresponde a un grupo ligeramente menor, y tu equipo sigue desbordado, aunque la carga sea un poco menos abrumadora. De hecho, entre las alertas que dejaste de enviar había una importante, y no sabrás cuál era hasta que se haya convertido en un problema.
La carga de los falsos positivos es enorme. En el sector, entre el 85% y el 95% de las alertas de verificación son falsos positivos, lo que significa que la gran mayoría del trabajo de tus analistas no produce hallazgos de riesgo real. El costo es tangible: una sola institución puede gastar decenas de millones de dólares al año en atender alertas que nunca habrían representado nada y, como consecuencia, agotar al equipo encargado de revisarlas.
Lo que cambia la forma de entender el problema es esto: no te estás ahogando porque revises demasiadas cosas, sino porque la mayoría de tus alertas son coincidencias de nombres sin contexto. Intentar resolverlo reduciendo la sensibilidad va en la dirección contraria. Los falsos positivos no son un problema de volumen, sino de contexto. Cuando lo ves así, la solución deja de ser “revisar menos” y pasa a ser “revisar con más criterio”.
Por qué tienes tantos falsos positivos
Los falsos positivos no son cuestión de mala suerte. Surgen de un pequeño conjunto de causas concretas y previsibles, la mayoría relacionadas con la forma en que los sistemas tradicionales comparan nombres.
Un sistema que solo compara un nombre con una lista señalará a cualquier persona que comparta apellido con alguien sancionado. Incluirá a las otras cuarenta personas llamadas Mohamed Ali. Detectará distintas grafías de un mismo nombre, porque un nombre puede escribirse de una docena de formas. Actúa con datos insuficientes y señala a personas a partir de un nombre parcial, sin contar con una fecha de nacimiento o un país que permita descartarlas. También vuelve a marcar casos que ya descartaste el mes pasado, porque no conserva memoria de la revisión reciente. Este comportamiento no es una falla: el sistema está haciendo lo único que sabe hacer, comparar cadenas de texto, sin el contexto que una persona usaría para descartar la coincidencia en segundos.
Esa es precisamente la razón. El sistema hace lo que le corresponde al mostrarlas, porque no puede distinguir una coincidencia real de una casualidad. Por eso te entrega todas esas coincidencias y deja en tus manos resolverlas. Si consideras que las listas de sanciones, las bases de datos de PEP y las fuentes de medios adversos realizan sus propias comparaciones, la duplicación aumenta: el mismo cliente sin vínculos de riesgo puede aparecer en tres lugares al mismo tiempo.
El costo real de la fatiga por alertas
El costo evidente de todo este ruido es tiempo y dinero: las horas de los analistas, el personal que ha sido necesario contratar solo para atender el volumen de alertas pendientes y el proceso de onboarding que se detiene mientras un cliente legítimo espera detrás de cientos de coincidencias falsas. Este es el aspecto que todos consideran y que siempre se identifica como el principal problema operativo de cumplimiento: el factor que, poco a poco, provoca la rotación de personal en equipos que tomó años formar.
El efecto del ruido sobre la detección nunca aparece en un panel de control. El analista que atiende el falso positivo número doscientos del día ya no está en las mismas condiciones que cuando atendió el primero. Descartar alertas se vuelve un reflejo, porque en noventa y nueve de cada cien casos es lo correcto. El problema está en el caso número cien, el real, que termina descartándose con la misma respuesta desgastada que todos los demás. La fatiga por alertas no solo retrasa al equipo: poco a poco le enseña a pasar cosas por alto, justo lo contrario del propósito de las alertas.
La trampa del ajuste de reglas
Esto nos lleva de nuevo a la solución sencilla y a la razón por la que no funciona. Cuando se acumulan muchas alertas, la respuesta habitual es endurecer las reglas para que menos casos las activen. El problema es que solo estás moviendo un control: de un lado están los falsos positivos y del otro, las coincidencias que pasan inadvertidas. Si reduces la sensibilidad lo suficiente para disminuir el ruido de forma significativa, también empiezas a suprimir coincidencias reales, porque el sistema no puede volverse más preciso; solo puede volverse menos sensible.
Elevar los umbrales no elimina el ruido: lo intercambia por puntos ciegos. Puede que te sientas un poco menos desbordado, pero al mismo tiempo quedas menos protegido sin darte cuenta, una de las peores combinaciones posibles en un sistema regulado. Desarrollamos este argumento con más detalle en La falacia de la cobertura: mientras tu sistema se limite a buscar coincidencias, la cobertura y el ruido dependerán del mismo control.
La única conclusión razonable es que no puedes eliminar un problema de falsos positivos causado por el ajuste de reglas; necesitas que el sistema funcione de otra manera.
Los falsos positivos son un problema de contexto
Si observas a alguien resolver un falso positivo, verás cómo lo hace. No pierde mucho tiempo: mira la alerta y considera si la fecha de nacimiento o el país no coinciden, si el registro corresponde a una empresa y se está revisando a una persona, si ese mismo nombre ya se descartó la semana pasada o si el artículo en realidad es positivo. En pocos segundos, gracias al contexto, reconoce que no hay un riesgo.
Todos esos juicios se basaron en un contexto que el sistema de coincidencias tenía, pero ignoraba. Si el sistema recibe ese mismo contexto —incluidos identificadores secundarios como la fecha de nacimiento y el domicilio, la jurisdicción, las relaciones entre entidades y la memoria de lo que ya se revisó—, el ruido desaparece, porque entonces puede hacer lo mismo que el analista: descartar posibilidades.
Este punto debería despejar la principal preocupación de quienes participan: aplicar este enfoque no implica asumir un mayor riesgo. Un documento de trabajo de Federal Reserve de 2025 comparó la comparación de datos con contexto frente a la coincidencia aproximada tradicional en una tarea de verificación en listas de sanciones y encontró que reducía los falsos positivos aproximadamente un 92%, al tiempo que aumentaba las detecciones alrededor de un 11%. Consigue menos ruido y más coincidencias reales a la vez. La disyuntiva que suele darse por sentada —que tener menos falsos positivos implica dejar pasar más casos— es en realidad una limitación de los métodos rudimentarios de coincidencia, no una ley de la naturaleza. Esto cambia por completo el planteamiento del proyecto. Tu objetivo no es reducir la cantidad de casos que debes revisar, sino darle al sistema suficiente capacidad de decisión para resolver los casos sencillos y lograr que las personas solo tengan que atender los difíciles.
Cómo reducir el ruido de verdad
Entonces, ¿cuál es la solución si ajustar las reglas no basta? En la práctica, reducir los falsos positivos exige darle contexto y memoria al sistema. Estas son las acciones clave:
- Identifica a cada persona mediante identificadores secundarios y compara la fecha de nacimiento, el domicilio, la jurisdicción y el nombre completo en lugar de un apodo. No te limites a comparar el texto del nombre: compartir apellido debe dejar de ser suficiente para establecer una coincidencia.
- Usa el contexto relevante en lugar de comparar un solo nombre con una lista. Considera las relaciones entre entidades y los hechos que rodean al caso para que el sistema pueda distinguir una coincidencia plausible de una mera casualidad.
- Elimina los casos que claramente no representan un riesgo. Las noticias positivas, los registros evidentemente irrelevantes y las coincidencias con entidades incorrectas deben descartarse automáticamente, sin enviarse a revisión humana.
- Conserva memoria de lo que ya revisaste. El monitoreo continuo debe identificar novedades reales, sin generar alertas por eventos que ya se descartaron en el ciclo anterior. Tener que revisar toda la cartera desde cero cada mes es una fuente considerable de ruido.
- Ordena las alertas según su relevancia. Asígnales puntuaciones que consideren tanto el riesgo como la gravedad, para que tu equipo se concentre en los casos que realmente requieren una decisión, en lugar de seguir el orden arbitrario de la cola.
- Asegúrate de que cada descarte quede registrado y vinculado a su fuente. Si una alerta se descarta automáticamente, deben registrarse el motivo y la evidencia que lo respalda, ya que esto facilitará la auditoría de tus registros.
No se trata de revisar menos cosas: en cada una de estas medidas, el sistema asume una mayor parte de las decisiones que antes tomaba una persona de forma manual. El efecto conjunto no es gradual: al acumular estas medidas, la cola que antes contenía miles de casos pasa a tener solo unos cuantos, aunque el alcance de la detección se mantiene.
Reducir el ruido no significa tomar atajos
Para los equipos de cumplimiento, la preocupación natural es la inspección: ¿interpretará un regulador el menor volumen de alertas como una prueba de que no estás revisando con suficiente rigor? En realidad, ocurre lo contrario si el proceso se gestiona correctamente.
Desde hace años, los reguladores promueven la eficacia por encima del simple aumento de la actividad. Un enfoque basado en riesgos, como el que contemplan los estándares de FATF, implica concentrar los esfuerzos en las áreas de mayor riesgo, en lugar de producir la mayor cantidad de alertas. La FCA ha criticado en varias ocasiones los sistemas de monitoreo de transacciones que generan muchas alertas, pero detectan muy pocos casos. Las autoridades encargadas de hacer cumplir las normas, como OFAC, multan a las empresas por verificaciones ineficaces y por no identificar lo que debieron detectar, no por tener una cola de alertas despejada. Un programa que reduce el ruido, mejora la tasa de detección y registra todos los descartes junto con su evidencia es más defendible que uno en el que el riesgo real queda oculto bajo cientos de miles de falsas alarmas. Lo que un inspector prefiere ver es una menor cantidad de alertas de mayor calidad, cada una con una explicación clara. La trazabilidad es, de hecho, el punto clave: un descarte con un motivo documentado y una referencia a la evidencia es una decisión defendible; una alerta suprimida sin registro es simplemente una brecha por la que alguien tendrá que responder tarde o temprano.
Conoce tus cifras
Como no puedes gestionar lo que no mides, es importante cuantificar la situación antes y después del cambio. Lleva un registro de tu tasa de verdaderos positivos, es decir, la proporción de alertas que resultan ser reales; de la relación entre alertas e investigaciones; y del tiempo promedio que tu equipo dedica a cada alerta. Si más del 90% de las alertas se descartan por ser falsas y atender cada una toma varios minutos, esa es la cifra en la que debes concentrarte. Su disminución te permitirá demostrar que el programa mejoró, en vez de simplemente reducir su actividad. El objetivo nunca ha sido llegar a cero alertas: bastaría con apagar el sistema para lograrlo. Lo que buscas es una cola en la que la mayoría de los casos que ingresan realmente requieran una revisión humana. Una cola saludable no está vacía: debe ser pequeña y contener principalmente alertas correctas. Cuando eso ocurre, tus profesionales más capaces dejan de atender ruido y empiezan a hacer el trabajo para el que los contrataste.
Revisa con más criterio, no menos
Los equipos que evitan la trampa de los falsos positivos no lo consiguen revisando menos alertas. Le dan al sistema el contexto necesario para que elimine el ruido por su cuenta y permita a las personas concentrarse en los pocos casos reales. El propósito de eliminar el ruido es transformar la función del equipo: pasar de atender alertas a investigar riesgos.
Así está diseñada Beady. Mediante la resolución de entidades y el contexto, elimina cerca del 95% del ruido antes de que llegue a tu equipo —como coincidencias con la persona equivocada, alertas repetidas sobre hechos antiguos, noticias positivas y duplicados—, en lugar de depender de umbrales rudimentarios. El resultado es una lista breve de señales que realmente merecen revisión, cada una vinculada a su fuente original para que tu equipo pueda verificarlas y un auditor pueda ver exactamente por qué se generó o descartó una señal. Los medios adversos, las sanciones y los registros legales se reúnen en un solo lugar, lo que reduce el ruido y conserva la evidencia.
Si quieres saber qué parte de tu volumen actual de alertas es ruido, agenda una demo para que podamos analizar tus propias verificaciones.
