Modelos predictivos de inteligencia artificial para prevención de lavado: Análisis comparativo tripartito en la región andina
DOI:
https://doi.org/10.62452/f2j9cv82Palavras-chave:
Inteligencia artificial, lavado de dinero, región andina, modelos predictivosResumo
El lavado de dinero constituye una amenaza crítica para la estabilidad financiera en Ecuador, Colombia y Perú, países que enfrentan desafíos únicos derivados del narcotráfico y economías informales que representan entre 37% y 77% del PIB. Esta investigación analiza el potencial de modelos predictivos de inteligencia artificial para fortalecer sistemas antilavado regionales mediante un estudio comparativo sistemático. Los hallazgos revelan que, aunque tecnologías como Graph Neural Networks y XGBoost alcanzan precisiones superiores al 99%, ninguno de los 68 estudios analizados aborda específicamente el contexto andino. La revisión identifica brechas críticas en adaptación a economías informales, cooperación transfronteriza y recursos computacionales limitados. Los resultados sugieren que modelos ensemble como Random Forest y XGBoost ofrecen balances favorables entre efectividad y viabilidad regional, mientras que la cooperación transfronteriza podría generar beneficios superiores a esfuerzos nacionales independientes. La implementación exitosa requiere estrategias incrementales que consideren particularidades socioeconómicas locales, frameworks de intercambio seguro de datos y fortalecimie
Downloads
Referências
Alhajeri, R., & Alhashem, A. (2023). Using Artificial Intelligence to Combat Money Laundering. Intelligent Information Management, 15(04), 284–305. https://doi.org/10.4236/iim.2023.154014
Altman, E., Blanuša, J., von Niederhäusern, L., Egressy, B., Anghel, A., & Atasu, K. (2024). Realistic Synthetic Financial Transactions for Anti-Money Laundering Models. http://arxiv.org/abs/2306.16424
Cao, K., Zhang, T., & Huang, J. (2024). Advanced hybrid LSTM-transformer architecture for real-time multi-task prediction in engineering systems. Scientific Reports, 14(1). https://doi.org/10.1038/s41598-024-55483-x
De la Torre Lascano, M. (2018). Utilización del sector financiero para el lavado de dinero: perspectiva desde la legislación ecuatoriana 1 Use of the financial sector for money laundering: a perspective from the Ecuadorian legislation. JURÍDICAS CUC, 14(1), 145–166. https://www.dspace.uce.edu.ec/server/api/core/bitstreams/d32890f3-2e68-45d6-b372-5e7121ffca79/content
Deprez, B., Vanderschueren, T., Baesens, B., Verdonck, T., & Verbeke, W. (2025). Network Analytics for Anti-Money Laundering -- A Systematic Literature Review and Experimental Evaluation. http://arxiv.org/abs/2405.19383
Effendi, F., & Chattopadhyay, A. (2024). Privacy-Preserving Graph-Based Machine Learning with Fully Homomorphic Encryption for Collaborative Anti-Money Laundering. http://arxiv.org/abs/2411.02926
Goldbarsht, D. (2023). Leveraging AI to Mitigate Money Laundering Risks in the Banking System. En Z. Bednarz & M. Zalnieriute (Eds.), Money, Power, and AI: Automated Banks and Automated States (pp. 51–69). Cambridge University Press.
Harris, D. A., Pyndiura, K. L., Sturrock, S. L., & Christensen, R. A. G. (2021). Using real-world transaction data to identify money laundering: Leveraging traditional regression and machine learning techniques. STEM Fellowship Journal, 7(1), 21–32. https://doi.org/10.17975/sfj-2021-006
Japinye, A. O. (2024). Integrating Machine Learning in Anti-Money Laundering through Crypto: A Comprehensive Performance Review. European Journal of Accounting, Auditing and Finance Research, 12(4), 54–80. https://doi.org/10.37745/ejaafr.2013/vol12n45480
Kurshan, E., Mehta, D., Bruss, B., & Balch, T. (2024). AI versus AI in Financial Crimes & Detection: GenAI Crime Waves to Co-Evolutionary AI. https://arxiv.org/abs/2410.09066
Labanca, D., Primerano, L., Markland-Montgomery, M., Polino, M., Carminati, M., & Zanero, S. (2022). Amaretto: An Active Learning Framework for Money Laundering Detection. IEEE Access, 10, 41720–41739. https://doi.org/10.1109/ACCESS.2022.3167699
López, G., & Mendoza Valencia, C. (2022). Estimación del tamaño de la economía sombra: evidencia empírica para Ecuador, Perú y Colombia. Revista Economía y Política, 36, 97–117. https://doi.org/10.25097/rep.n36.2022.07
Prisznyák, A. (2022). Bankrobotics: Artificial Intelligence and Machine Learning Powered Banking Risk Management : Prevention of Money Laundering and Terrorist Financing. Pénzügyi Szemle = Public Finance Quarterly, 67(2), 288–303. https://doi.org/10.35551/PFQ_2022_2_8
Rivera-Rhon, R., & Bravo-Grijalva, C. (2020). Crimen organizado y cadenas de valor: el ascenso estratégico del Ecuador en la economía del narcotráfico. URVIO. Revista Latinoamericana de Estudios de Seguridad, 28, 8–24. https://doi.org/10.17141/urvio.28.2020.4410
Rouhollahi, Z. (2021). Towards Artificial Intelligence Enabled Financial Crime Detection. http://arxiv.org/abs/2105.10866
Ruchay, A., Feldman, E., Cherbadzhi, D., & Sokolov, A. (2023). The Imbalanced Classification of Fraudulent Bank Transactions Using Machine Learning. Mathematics, 11(13), 2862. https://doi.org/10.3390/math11132862
Syahda, I. F., Putra, R. D., Syafa, T. S., & Sinlae, E. S. P. (2024). Prevention and Eradication of Money Laundering Crime in Banking. Veteran Law Review, 7(2), 222–231. https://doi.org/10.35586/velrev.v7i2.8098
Usman, A., Naveed, N., & Munawar, S. (2023). Intelligent Anti-Money Laundering Fraud Control Using Graph-Based Machine Learning Model for the Financial Domain. Journal of Cases on Information Technology, 25(1), 1–20. https://doi.org/10.4018/JCIT.316665
Wu, R., Ma, B., Jin, H., Zhao, W., Wang, W., & Zhang, T. (2023). GRANDE: a neural model over directed multigraphs with application to anti-money laundering. http://arxiv.org/abs/2302.02101
Zúñiga Rodríguez, L. (2020). La captura del Estado peruano por el narcotráfico: el caso de los “cuello blanco del puerto.” Revista de Estudios En Seguridad Internacional, 6(2), 175–191. https://doi.org/10.18847/1.12.10
Downloads
Publicado
Edição
Seção
Licença
Copyright (c) 2025 Mariela Marlene Tumbaco-Tutiven, Néstor Daniel Mendoza-Guanoliza, Cinthya Fernanda Rivera-Pizarro, Katiuska Tammi Miranda-Salvatierra, Gladys María Álvarez-Giñin (Autor/a)
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Os autores que publicam na Revista Metropolitana de Ciencias Aplicadas (REMCA), concordam com os seguintes termos:
1. Direitos autorais
Os autores mantêm direitos autorais irrestritos sobre suas obras. Os autores concedem ao periódico o direito de primeira publicação. Para tal, cedem à revista, em caráter não exclusivo, direitos de exploração (reprodução, distribuição, comunicação pública e transformação). Os autores podem firmar acordos adicionais para a distribuição não exclusiva da versão publicada do trabalho no periódico, desde que haja reconhecimento de sua publicação inicial nesta revista.
© Os autores.
2. Licença
Os trabalhos são publicados na revista sob a licença Creative Commons Atribuição-NãoComercial-CompartilhaIgual 4.0 Internacional (CC BY-NC-SA 4.0). Os termos podem ser encontrados em: https://creativecommons.org/licenses/by-nc-sa/4.0/deed.pt
Esta licença permite:
- Compartilhar: copiar e redistribuir o material em qualquer meio ou formato.
- Adaptar: remixar, transformar e desenvolver o material.
Nos seguintes termos:
- Atribuição: Você deve dar o crédito apropriado, fornecer um link para a licença e indicar se alguma alteração foi feita. Você pode fazer isso de qualquer maneira razoável, mas não de uma forma que sugira que o licenciante endossa ou patrocina seu uso.
- Não comercial: você não pode usar o material para fins comerciais.
- Compartilhamento pela mesma licença: se você remixar, transformar ou criar a partir do material, deverá distribuir sua criação sob a mesma licença do trabalho original.
Não há restrições adicionais. Você não pode aplicar termos legais ou medidas tecnológicas que restrinjam legalmente outros de fazerem qualquer coisa que a licença permita.
