La Brecha de 45 Días en Cuentas Mula: FRAML e IA Agéntica

La mayoría de las instituciones financieras no descubren una cuenta mula mientras está en uso. La descubren cuarenta y cinco días después, cuando el dinero ya se ha movido, el daño está hecho y el rastro se ha enfriado.

Ese dato, extraído de informes de la Autoridad Bancaria Europea y el Consejo Europeo de Pagos publicados durante el ciclo 2024–2026, no es una excepción. Es un promedio estructural. Las cuentas mula —cuentas reales abiertas por personas reales que luego facilitan el movimiento de fondos ilícitos— permanecen activas durante 45 días antes de ser detectadas, principalmente porque los dos sistemas que podrían identificarlas aún operan en silos separados: la detección de fraude y la prevención del blanqueo de capitales (AML, por sus siglas en inglés).

Este es el problema que FRAML fue creado para resolver. Y en 2026, la IA agéntica es lo que hace que FRAML sea operativamente viable a la velocidad que exige la amenaza.

Qué Es Realmente una Cuenta Mula

Una cuenta mula no es una identidad sintética. No es un bypass de deepfake. La persona que la abrió es real, verificada y, en el momento del alta, completamente compatible con los requisitos KYC. Precisamente por eso esta categoría es tan difícil de detectar.

El reclutador de mulas opera por encima, captando individuos que ya han superado la verificación de identidad y poseen cuentas legítimas. La Agencia Nacional del Crimen del Reino Unido estima que el 60 por ciento de los mulas reclutados tienen menos de 30 años, captados frecuentemente a través de redes sociales, comunidades de videojuegos y ofertas de empleo falsas que prometen ingresos fáciles por "gestión financiera" o "procesamiento de pagos". Algunos reclutados saben que están facilitando un delito (mulas voluntarias). Otros creen que participan en una actividad legal pero en zona gris (mulas cómplices). Una minoría creciente es genuinamente engañada para ceder sus datos bancarios sin comprender el propósito (mulas involuntarias).

En el Reino Unido, la Autoridad de Conducta Financiera identificó más de 207.000 cuentas personales activas como cuentas mula solo en 2024, un aumento interanual del 22 por ciento. No son casos aislados. Representan un pipeline de captación y despliegue industrializado que opera a una escala que cuestiona el supuesto de que la verificación KYC, por exhaustiva que sea, proporciona inmunidad contra el fraude posterior al alta.

Por Qué el KYC en el Onboarding No Puede Detectar Esto

Los defensores del KYC perpetuo llevan años argumentando lo siguiente: la verificación de identidad en un punto único del tiempo solo responde a la pregunta de quién era alguien en el momento del registro. No dice nada sobre lo que hace después.

Una cuenta que supera todos los controles documentales, pruebas de detección de vida y cribados de sanciones durante el onboarding puede convertirse en una cuenta mula seis semanas más tarde. La persona no ha cambiado. El riesgo sí. El expediente KYC no refleja ninguno de esos cambios.

Este es un modo de fallo estructuralmente diferente al fraude de apropiación de cuentas, donde un delincuente secuestra una cuenta legítima. Con las cuentas mula, el titular de la cuenta mantiene el control y facilita activamente la actividad criminal, aunque no siempre conscientemente. Los sistemas de detección de fraude tradicionales no lo detectan porque no se ha producido ningún acceso no autorizado. La monitorización AML tradicional tampoco, porque los volúmenes de transacciones en la fase inicial de actividad mula están calibrados para mantenerse por debajo de los umbrales de alerta.

La brecha entre estos dos sistemas —la detección de fraude y el AML— es donde viven las cuentas mula durante esos 45 días.

FRAML: Cuando el Fraude y el AML Comparten un Cerebro

FRAML —la convergencia de las funciones de detección de fraude y prevención del blanqueo de capitales— no es un concepto nuevo, pero su urgencia se ha agudizado considerablemente en 2026. En un evento de ACAMS en Nueva York en marzo de 2026, los profesionales enmarcaron el tema como "el colapso de los silos en la era de la IA y los pagos instantáneos". Esa formulación captura con exactitud lo que está en juego.

El modelo organizativo tradicional separa el fraude y el AML en equipos distintos, con infraestructuras de datos distintas y colas de alertas separadas. Esta separación tenía sentido administrativo cuando el fraude era principalmente una cuestión de protección al consumidor —reembolsos, disputas— y el AML era principalmente una obligación de información regulatoria. La actividad de cuentas mula colapsa esa distinción. Una cuenta mula es simultáneamente ambas cosas: un vector de fraude, en particular para el fraude de pago autorizado (APP fraud), y un mecanismo de blanqueo de capitales.

El fraude APP presenta un desafío particular porque la víctima es quien inicia la transferencia. Esto hace que los marcos convencionales de detección de fraude sean casi inútiles: el titular de la cuenta está autenticado, la transacción está autorizada y el expediente KYC está limpio. Las pérdidas por fraude APP están proyectadas para alcanzar los 5.250 millones de dólares en EE.UU., el Reino Unido y la India para 2026, creciendo alrededor de un 21 por ciento anual compuesto.

La Oficina del Contralor de la Moneda de EE.UU. (OCC) abordó esto directamente en su Perspectiva de Riesgo Semestral de 2025: un evento de fraude resultante en fondos que pasan por una cuenta mula ahora se clasifica formalmente como un incumplimiento de la Ley de Secreto Bancario y del AML. Las instituciones no solo deben detener el fraude; también deben rastrear el movimiento de los fondos relacionados con el fraude. Eso supone un cambio material en la responsabilidad regulatoria.

Un marco FRAML colapsa los silos. Las señales de fraude informan las investigaciones AML. Los patrones de transacciones AML marcan posibles redes de fraude. Los datos de comportamiento fluyen libremente entre ambas funciones. En la práctica, esto requiere una infraestructura de datos unificada y, dado el volumen de transacciones, inteligencia de máquinas capaz de operar en tiempo real.

Los Pagos Instantáneos Cambian el Cálculo

El Reglamento de Pagos Instantáneos de la UE aceleró significativamente la urgencia. Los proveedores de servicios de pago de la zona euro debían estar en condiciones de recibir pagos instantáneos en enero de 2025 y de enviarlos en octubre de 2025. En entornos de pagos en tiempo real, el dinero puede liquidarse en segundos, lo que significa que el retraso medio de detección de 45 días no es solo un inconveniente operativo. Es una garantía casi segura de que los fondos son irrecuperables en el momento en que aparece una alerta.

El procesamiento AML por lotes —ejecuciones nocturnas, revisiones semanales, informes trimestrales— es arquitectónicamente incompatible con los raíles de pagos instantáneos. Si la detección y la investigación operan en un ciclo de 24 a 48 horas y las transferencias se completan en menos de diez segundos, el sistema de cumplimiento funciona en un horizonte temporal fundamentalmente diferente al de la amenaza que supuestamente debe detectar.

Lo Que la IA Agéntica Aporta al FRAML

La detección de actividad de cuentas mula a velocidad significativa requiere superar un umbral de capacidad que los sistemas basados en reglas no han alcanzado de manera consistente. Las tipologías de mulas son dinámicas: calibradas contra los umbrales de alerta conocidos, deliberadamente variadas para evitar el reconocimiento de patrones, y distribuidas entre múltiples cuentas e instituciones para fragmentar la señal.

La IA agéntica cambia el modelo operativo en tres aspectos específicos.

Correlación entre cuentas. Una sola cuenta mula genera señales débiles. Una red de veinte cuentas mula —cada una recibiendo pequeñas entradas del mismo origen fraudulento y reenviándolas a un punto de consolidación en horas— genera una firma a nivel de grafo que es detectable, pero solo si los datos de las veinte cuentas pueden analizarse conjuntamente. Los modelos de aprendizaje no supervisado pueden identificar estos patrones a nivel de red en millones de cuentas sin necesitar tipologías predefinidas. El informe del HKMA de junio de 2026 sobre adopción de IA en delitos financieros incluyó cuatro estudios de caso de bancos operacionales donde la detección de redes mula impulsada por IA redujo el tiempo de identificación de semanas a horas.

Anomalía conductual a nivel de cuenta. Antes de que una cuenta mula sea formalmente activada, a menudo exhibe cambios de comportamiento: variaciones repentinas en la frecuencia de transacciones, nuevos destinatarios fuera de los patrones establecidos, entradas de fondos de contrapartes desconocidas. Los sistemas agénticos monitorean estas señales de forma continua y activan flujos de trabajo de investigación sin necesidad de intervención humana. La plataforma Ray de ThetaRay, lanzada en enero de 2026, demostró que los flujos de investigación agénticos pueden reducir el tiempo de resolución de casos en más de un 50 por ciento.

Integración de datos en tiempo real. El cuello de botella fundamental en los enfoques en silos es la latencia en el movimiento de datos entre sistemas de fraude y AML. Las arquitecturas de IA agéntica construidas sobre infraestructura de datos unificada eliminan esa latencia, permitiendo que las señales de fraude informen las alertas AML en el mismo ciclo de procesamiento.

Para las instituciones que construyen infraestructura de gestión de identidad agéntica, el enfoque arquitectónico es el mismo: agentes autónomos operando a lo largo de todo el ciclo de vida de la relación con el cliente, no solo en el punto de onboarding.

Lo Que Espera el Entorno Regulatorio en 2026

La dirección regulatoria es inequívoca. La clasificación de incumplimiento BSA/AML de la OCC para eventos de fraude facilitados por mulas coloca la responsabilidad de detección directamente sobre las instituciones receptoras. Las reglas de responsabilidad por fraude APP del Regulador de Sistemas de Pago del Reino Unido (PSR), que entraron en vigor en octubre de 2024, exigen que los bancos emisores y receptores compartan los costos de reembolso, creando un incentivo financiero directo para que las instituciones receptoras detecten la actividad mula de forma agresiva y proactiva.

Dimensión	Enfoque Tradicional en Silos	FRAML + IA Agéntica
Retraso en detección	45+ días (promedio EBA)	Horas o menos
Alcance de datos	Silos separados de fraude y AML	Vista unificada multicanal
Identificación de redes mula	Raramente detectadas como redes	Correlación a nivel de grafo
Respuesta a umbrales	Calibrada por delincuentes	Detección de anomalías no supervisada
Exposición regulatoria	Riesgo de incumplimiento BSA/AML	Postura de cumplimiento proactivo
Carga de analistas	Alta — construcción manual de casos	Triaje agéntico y pre-investigación

Un marco FRAML con detección agéntica no elimina el riesgo de cuentas mula. Lo que hace es colapsar la ventana de detección de 45 días. Con monitorización conductual a nivel de red y datos unificados de fraude y AML, los plazos de detección de horas —en lugar de semanas— son operativamente alcanzables. En entornos de pagos en tiempo real, esa es la única ruta realista hacia la recuperación de fondos y la única postura de cumplimiento que los reguladores están dispuestos a aceptar.

---

Preguntas Frecuentes

¿Qué es una cuenta mula?

Una cuenta mula es una cuenta bancaria legítima, en poder de una persona real y verificada mediante KYC, que se utiliza para recibir y reenviar fondos de origen delictivo. El titular puede ser un delincuente voluntario, un cómplice consciente o una víctima de ingeniería social. En los tres casos, la cuenta supera los controles de onboarding porque la persona que la abrió es real.

¿Qué es FRAML?

FRAML es la convergencia de la detección de fraude y la prevención del blanqueo de capitales en una función de cumplimiento unificada. Las cuentas mula se sitúan en la intersección de ambas disciplinas: facilitan el fraude APP desde la perspectiva de la víctima y permiten el blanqueo de capitales desde la perspectiva de la red criminal.

¿Qué es la brecha de detección de 45 días?

Los datos de la Autoridad Bancaria Europea y el Consejo Europeo de Pagos correspondientes a 2024–2026 muestran que las cuentas mula permanecen activas una media de 45 días antes de ser detectadas. La causa principal es la fragmentación de datos: los equipos de fraude y AML operan en infraestructuras separadas, por lo que la señal conductual combinada que permitiría identificar una cuenta mula nunca se ensambla en el momento y lugar adecuados.

¿Cómo mejora la IA agéntica la detección de cuentas mula?

La IA agéntica puede correlacionar datos de comportamiento en millones de cuentas simultáneamente, identificar firmas de redes mula a nivel de grafo y activar flujos de trabajo de investigación sin intervención humana. Esto reduce los plazos de detección de semanas a horas al eliminar la latencia entre las señales de fraude y las alertas AML.

¿Cuáles son las consecuencias regulatorias de no detectar cuentas mula?

En EE.UU., la OCC ha codificado que el fraude resultante en fondos que pasan por cuentas mula constituye un incumplimiento de la Ley de Secreto Bancario y el AML. En el Reino Unido, las reglas de responsabilidad del PSR exigen que los bancos receptores compartan los costos de reembolso por fraude APP, penalizando directamente a las instituciones que no detectan la actividad mula con prontitud.

¿En qué se diferencia el fraude con cuentas mula del fraude de identidad sintética?

El fraude de identidad sintética consiste en fabricar una identidad para superar el onboarding KYC. El fraude con cuentas mula utiliza una identidad real y verificada que posteriormente facilita actividades delictivas. El fraude sintético ataca la capa de onboarding; el fraude mula ataca la capa conductual posterior al alta. Ambos requieren enfoques de detección diferentes y ninguno se resuelve únicamente con la verificación de identidad en un punto del tiempo.