El SARLAFT (Sistema de Administración del Riesgo de Lavado de Activos y Financiación del Terrorismo) es uno de los sistemas de gestión de riesgo más exigentes que enfrentan las entidades financieras colombianas. Este artículo explica cómo el Machine Learning puede transformar el cumplimiento SARLAFT de reactivo a predictivo, reduciendo costos operativos y mejorando la detección real de operaciones sospechosas.
¿Qué exige el SARLAFT en Colombia?
La Superintendencia Financiera de Colombia, a través de la Circular Básica Jurídica, exige que toda entidad vigilada implemente un sistema robusto para identificar, evaluar, controlar y monitorear el riesgo de lavado de activos. Los pilares son:
- Conocimiento del cliente (KYC): Identificar y verificar a cada cliente antes de establecer la relación comercial.
- Segmentación por riesgo: Clasificar clientes según su nivel de riesgo LAFT.
- Monitoreo transaccional: Detectar operaciones inusuales y generar alertas para el oficial de cumplimiento.
- Reporte a la UIAF: Reportar operaciones sospechosas a la Unidad de Información y Análisis Financiero.
⚠️ Realidad del sector: La mayoría de entidades colombianas cumple el SARLAFT con reglas estáticas y umbrales fijos. El problema es que los lavadores de activos conocen esos umbrales y estructuran sus operaciones para no activarlos — un fenómeno conocido como smurfing o fraccionamiento.
El problema con las reglas estáticas
Un sistema basado en reglas típico dice: "alerta si una transacción supera $50M COP en efectivo". El resultado: miles de alertas falsas que saturan al oficial de cumplimiento, y operaciones de lavado estructuradas en montos menores que nunca se detectan.
Las estadísticas del sector muestran que en sistemas de reglas tradicionales, más del 95% de las alertas son falsos positivos. Eso significa que el oficial de cumplimiento revisa 19 casos legítimos por cada caso real de lavado.
Cómo el Machine Learning mejora el SARLAFT
1. Segmentación dinámica de clientes
En lugar de segmentar clientes manualmente en categorías fijas (alto/medio/bajo riesgo), los modelos de clustering aprenden los patrones de comportamiento de toda la base de clientes y crean segmentos homogéneos automáticamente. Esto permite comparar cada cliente con su grupo de referencia real, no con una categoría genérica.
2. Detección de operaciones inusuales por perfil
Un modelo de anomalía comportamental aprende el patrón típico de cada cliente: horarios, montos, contrapartes, canales. Cuando una transacción se desvía significativamente de ese patrón — aunque no supere ningún umbral fijo — el modelo genera una alerta. Esto detecta fraccionamiento, cambios súbitos de comportamiento y patrones de estructuración.
3. Análisis de redes para detectar estructuras
El lavado de activos frecuentemente involucra redes de personas y empresas relacionadas. Los modelos de Graph ML mapean las relaciones entre clientes, beneficiarios y contrapartes, detectando estructuras que son invisibles al análisis transaccional individual.
4. Scoring de riesgo LAFT dinámico
En lugar de un score estático asignado una vez al año, el ML calcula un score de riesgo LAFT actualizado continuamente para cada cliente, basado en su comportamiento reciente y señales del entorno. Esto permite priorizar los recursos de cumplimiento donde realmente son necesarios.
Resultados típicos en entidades colombianas
| Métrica | Sistema de reglas | Con Machine Learning |
|---|---|---|
| Tasa de falsos positivos | 90–97% | 40–60% |
| Cobertura de casos reales | 60–70% | 85–95% |
| Tiempo de revisión por alerta | Alto (revisión manual) | Reducido (priorización por score) |
| Detección de fraccionamiento | Baja | Alta (análisis de patrones) |
¿Reemplaza el ML al oficial de cumplimiento?
No. Y esto es importante aclararlo. El Machine Learning es una herramienta de apoyo a la decisión, no un reemplazo. La decisión de reportar una operación sospechosa a la UIAF siempre es humana y debe estar documentada con el razonamiento del oficial de cumplimiento.
Lo que hace el ML es reducir el ruido — menos alertas falsas, mejor priorización — para que el oficial pueda enfocarse en los casos que realmente importan.
💡 Clave regulatoria: La SFC no exige que uses ML para el SARLAFT, pero sí exige que tu metodología sea robusta, documentada y efectiva. Un sistema ML bien documentado demuestra mayor madurez metodológica ante una visita de inspección.
¿Tu SARLAFT genera demasiadas alertas falsas?
Evaluamos tu sistema actual y te mostramos cómo ML puede reducir el ruido y mejorar la detección real.
Diagnóstico gratuito →Conclusión
El SARLAFT basado en reglas estáticas cumple regulatoriamente pero no detecta bien el lavado real. El Machine Learning permite pasar de un cumplimiento reactivo a uno predictivo, reduciendo costos operativos y mejorando genuinamente la detección de operaciones sospechosas. En el contexto colombiano, donde los esquemas de lavado son cada vez más sofisticados, esta evolución no es opcional — es necesaria.