Construye un producto de confianza defensible convirtiendo a los estafadores en datos: la cuña de IA adversarial de Apate.AI
Un adversario controlado puede hacer que la defensa contra el fraude sea más barata y más fácil de demostrar, convirtiendo las llamadas de estafa en ahorros operativos para las instituciones.
La mayoría de los productos de confianza empiezan con un detector. Es un instinto razonable, pero también es una cuña débil. Un detector compite con cada otra funcionalidad de seguridad con IA, con cada motor de reglas y con cada proveedor que promete menos falsos positivos. El producto más difícil de copiar es aquel que cambia la economía del propio fraude.
Apate.AI recaudó una ronda seed de $11,4M liderada por Lobby Capital. La ronda fue descrita como una de las mayores rondas seed para una startup de seguridad australiana, en el 1% superior de 134 operaciones comparables. Los fondos están destinados a la expansión internacional y al desarrollo de la plataforma. La recaudación y su paso a EE. UU. señalan el apetito de los inversores por la defensa ofensiva contra el fraude.
La industria global de estafas cuesta alrededor de $1,4 billones al año. Ese número es demasiado grande para ser útil por sí solo. La pregunta del fundador es más estrecha: ¿qué superficie de fraude es lo suficientemente costosa, frecuente e iniciada por el atacante para que una institución pague por hacer menos rentable al atacante?
El producto es un adversario controlado
Apate utiliza agentes de IA de voz y texto que imitan a víctimas para desperdiciar el tiempo de los estafadores y extraer inteligencia para las instituciones. La palabra clave es controlado. El sistema no intenta ganar una conversación con un estafador humano. Intenta hacer que el próximo intento del estafador sea más costoso, más rastreable y menos probable que tenga éxito en otro lugar.
CBA ha realizado más de 2,5 millones de conversaciones autónomas con actores de amenazas y ha extraído más de 250.000 artefactos de inteligencia. Esas cifras importan porque muestran un ciclo repetible: involucrar al atacante, retrasar el ataque, recopilar datos de comportamiento e incorporar esos datos de nuevo a la defensa. Un detector te dice qué ocurrió. Un adversario controlado cambia lo que el atacante puede hacer a continuación.
Hay contrapartidas. Este enfoque funciona mejor cuando el atacante inicia el contacto y la institución puede simular de forma segura un objetivo plausible. Es menos útil para el fraude puramente interno, puramente transaccional o no conversacional. También plantea riesgos de retención de datos, privacidad, revisión legal y escalamiento. Un fundador que ignore esas preguntas construirá una demo, no un producto empresarial.
La lista de verificación de la cuña de confianza adversarial
1. Elige una superficie de fraude de alto costo
Elige una superficie donde la institución ya tenga un dolor medible: phishing por voz, toma de cuenta, suplantación de soporte al cliente, ingeniería social o fraude que se mueve a través de un canal de llamada o chat. La superficie debe tener tres propiedades: contacto iniciado por el atacante, una métrica de pérdida clara y suficiente volumen para justificar una interacción autónoma.
Si el fraude es poco frecuente, la pérdida es pequeña o el atacante ya está bien comprendido, la cuña es fina. No estás vendiendo una mejor alerta. Estás vendiendo una reducción del retorno de la inversión del atacante.
2. Simula el comportamiento del atacante con agentes de voz o texto
El agente no debe ser un honeypot genérico. Debe comportarse como una víctima o un cliente plausible: confundido, impaciente, ocasionalmente servicial y limitado por la política de la institución. El objetivo es hacer que el atacante gaste tiempo en un objetivo que aporta menos valor que uno real.
Construye primero la persona más estrecha y útil. Un cliente de banco a punto de aprobar una transferencia es más útil que un modelo universal de víctima. Un representante de soporte a punto de compartir credenciales es más útil que un bot amplio de ingeniería social. Cuanto más estrecha sea la persona, más fácil será medirla, desplegarla y convertirla en inteligencia accionable.
3. Mide el tiempo del atacante, la pérdida por fraude y el rendimiento de inteligencia
No empieces con «la IA detectó más fraude». Empieza con métricas operativas. El tiempo del atacante es la primera: ¿cuántos minutos gastó el estafador en el objetivo simulado? La pérdida por fraude es la segunda: ¿el ataque se convirtió, se convirtió parcialmente o falló? El rendimiento de inteligencia es la tercera: ¿qué nuevos guiones, números de teléfono, dominios, instrucciones de pago o patrones de comportamiento produjo la interacción?
Para una institución, el valor no es un único artefacto. Es la velocidad a la que mejora el modelo del atacante. Si un banco puede demostrar que un estafador por voz gastó minutos extra en un cliente simulado en lugar de uno real, y que esa interacción produjo nuevos patrones de llamada, la conversación sobre el presupuesto cambia.
4. Vende a las instituciones como ahorros operativos más reducción de riesgo
Los compradores empresariales no financian fácilmente la «IA adversarial» como categoría. Financian la reducción de la pérdida por fraude, la reducción del tiempo de atención de llamadas, la inteligencia de amenazas más rápida y mejores pruebas para los reguladores. El producto debe precificarse en función de esos resultados, no en función del número de alertas que genera.
Un encuadre práctico es: esto reduce el costo de defender una superficie de fraude específica y mejora la capacidad de la institución para demostrar lo que hizo el atacante. Es una cuña más fuerte que «usamos IA para detectar fraude». También es más fácil de defender en una revisión de adquisición.
5. Expande productizando el modelo del atacante, no la alerta
El activo duradero no es el primer panel. Es el modelo evolutivo de cómo se comportan los atacantes a través de conversaciones, canales e instituciones. Una vez que tienes suficientes datos de interacción, el producto puede expandirse de una superficie de fraude a otras adyacentes: de las estafas por voz a la toma de cuenta, de la suplantación de soporte al cliente a la ingeniería social de empleados, de un banco a una red de instituciones.
La alerta es un subproducto. El modelo del atacante es el foso. Si tu producto solo mejora cuando aparece un nuevo tipo de fraude, estás construyendo una funcionalidad. Si mejora porque ha visto más comportamiento del atacante que nadie más, estás construyendo infraestructura.
Qué significa esto para los fundadores
Si estás construyendo infraestructura B2B de confianza, productos de antifraude, identidad o seguridad del cliente, la cuña no es superar a la competencia en detección. Es hacer que la superficie de fraude sea más costosa para el atacante y más fácil de demostrar para la institución. Empieza con una superficie de alto costo, despliega un agente adversarial estrecho, mide el tiempo del atacante y el rendimiento de inteligencia, y vende el resultado como ahorros operativos más reducción de riesgo.
El mercado no recompensará una funcionalidad genérica de seguridad con IA. Recompensará un producto que cambia la economía del atacante. Ese es un producto de confianza defensible.
Este artículo es información general, no asesoramiento de inversión ni legal.
