November 4, 2026
| Pregunta | Respuesta rápida |
|---|---|
| ¿Qué es? | Una identidad construida a partir de un número de la Seguridad Social real más un nombre, una fecha de nacimiento y una dirección inventados |
| ¿A quién se dirige? | Emisores de tarjetas, prestamistas, facilitadores de pagos y cualquier empresa que conceda crédito o abra cuentas |
| ¿Cuánto tarda? | Los defraudadores suelen esperar entre 12 y 18 meses antes de agotar el límite de una cuenta y desaparecer |
| ¿Por qué es difícil de detectar? | Supera los controles de identidad porque parte de los datos es genuina y no hay una víctima real que lo denuncie |
| ¿Qué lo detiene? | Una combinación de verificación de identidad en el onboarding y monitorización transaccional del comportamiento posterior |
| ¿Cuánto cuesta a las empresas? | Se estima que entre 20.000 y 40.000 millones de dólares al año en todo el mundo |
Esto ocurre cuando alguien construye una identidad nueva a partir de información real e inventada y la usa para abrir tarjetas de crédito, préstamos u otras cuentas. Sobre el papel parece un solicitante real, pero esa persona no existe.
El ingrediente principal suele ser un número de la Seguridad Social genuino, a menudo de un niño o de una persona mayor que no vigila su crédito. Los defraudadores combinan ese número con un nombre, una fecha de nacimiento y una dirección inventados, y lo presentan como un único solicitante coherente.
Esto se diferencia del robo de identidad tradicional, en el que un delincuente suplanta a una víctima real e identificable. Aquí no hay nadie a quien suplantar.
La identidad es un compuesto que no se corresponde con ninguna persona viva, así que nadie revisa su informe de crédito ni avisa de actividad sospechosa. Esa ausencia de víctima es el objetivo central, y por eso el fraude sintético se ha convertido en una de las categorías de delito financiero que más rápido crece.
Estudios recientes del sector sitúan las identidades fabricadas detrás de aproximadamente uno de cada diez casos de fraude en el mundo el año pasado, una proporción que ha crecido con fuerza a medida que la IA generativa facilita la creación de documentos convincentes.
No todas las identidades fabricadas se construyen de la misma manera. Los equipos de fraude suelen agrupar estos esquemas en cuatro categorías, y saber cuál tienes delante cambia la forma de detectarla:
Es la versión más sencilla. Un defraudador toma la información genuina de una persona real y altera solo uno o dos datos. Puede tratarse de invertir dos dígitos de un número de la Seguridad Social o de desplazar unos años la fecha de nacimiento.
Como la mayor parte de los datos sigue coincidiendo con un expediente real, este tipo supera los controles de verificación básicos con más facilidad que los demás.
Es la versión clásica que se trata a lo largo de esta guía. Un defraudador combina un número de la Seguridad Social real con un nombre, una fecha de nacimiento y una dirección completamente inventados.
Ninguno de los datos fabricados pertenece a una persona real, y por eso no hay ninguna víctima que pueda señalar la actividad.
A veces llamada "identidad Frankenstein", esta versión une fragmentos genuinos de datos personales de varias personas reales distintas.
El número de la Seguridad Social de una persona, el nombre de otra y la dirección de una tercera se combinan en una única solicitud.
Cada fragmento es válido por separado, aunque la combinación no corresponda a nadie.
Esta variante se basa en números de nueve dígitos que se comercializan en línea como alternativas legales al número de la Seguridad Social, a menudo bajo el nombre de Credit Privacy Number o CPN.
Con frecuencia son números de identificación de empleador o de contribuyente individual robados y reempaquetados para parecer legítimos.
Los defraudadores los usan igual que usarían un número de la Seguridad Social robado: construyen historial crediticio hasta que finalmente agotan el límite de la cuenta.
No es un hecho aislado. Es un proceso que se desarrolla por etapas, y cada etapa requiere un tipo distinto de detección:
Los defraudadores empiezan obteniendo un número de la Seguridad Social real, con frecuencia a través de filtraciones de datos o de la dark web, y lo combinan con datos personales inventados.
Los números de la Seguridad Social de los niños son objetivos especialmente atractivos porque no existe un historial crediticio previo con el que entren en conflicto.
Como resultado, el fraude suele pasar desapercibido durante años y solo sale a la luz cuando el niño solicita su primer préstamo o tarjeta de crédito.
Una vez montada la identidad, los defraudadores solicitan una tarjeta de crédito garantizada de límite bajo o se convierten en usuarios autorizados de la cuenta de otra persona.
Al principio la actividad parece normal: compras pequeñas, pagos puntuales, saldos modestos.
Esta fase puede durar un año o más y está pensada para parecer aburrida, porque lo aburrido no se marca como sospechoso.
Aquí el esquema empieza a parecer menos un problema de identidad y más un problema de comportamiento. A medida que madura el historial crediticio, los defraudadores van solicitando límites de crédito más altos, abren cuentas adicionales y empiezan a mover cantidades mayores.
La velocidad de las transacciones aumenta. Los flujos de fondos dejan de parecerse a los de un hogar real y se parecen más a una operación coordinada que mueve dinero a través de varias cuentas vinculadas.
Este es exactamente el tipo de cambio que la monitorización transaccional del comportamiento está diseñada para detectar. En lugar de contrastar un único evento con una regla estática, analiza cómo se comporta una cuenta a lo largo del tiempo.
Cuando se han agotado los límites de crédito de todas las cuentas que controla la identidad fabricada, el defraudador desaparece. Sin dirección de contacto, sin llamadas, sin disputas.
La empresa se queda con la pérdida y, como no hay una persona real a quien reclamar, recuperarla es casi imposible.
Los prestamistas suelen dar de baja estas pérdidas discretamente como deuda incobrable en lugar de clasificarlas como fraude. Esto explica en parte por qué la verdadera magnitud del problema probablemente se subestima.
Tres problemas estructurales hacen que este tipo de fraude sea inusualmente difícil de frenar, incluso para empresas con un programa de fraude maduro:
Cada uno de estos problemas agrava a los demás. Una empresa vuelve a resolver el mismo patrón de fraude que sus pares ya han visto, vigila anomalías en el plazo equivocado y evalúa datos que sabe que solo son medio ciertos desde el principio.
Esa combinación es precisamente la razón por la que la detección tiene que ir más allá de un único control en el onboarding, y por la que los métodos de la siguiente sección importan.
La detección tiene que funcionar en dos momentos distintos: antes de que se abra una cuenta y de forma continua después.
Estos son los métodos en los que realmente se apoyan los equipos de fraude:
La Administración de la Seguridad Social emite los números dentro de rangos de fechas concretos.
Si la fecha de nacimiento que declara el solicitante no encaja con el momento en que realmente se emitió su número de la Seguridad Social, esa discrepancia es una fuerte señal temprana.
Esto es especialmente cierto en identidades construidas en torno al número de un niño o de una persona mayor.
Las identidades fabricadas rara vez operan solas. Las redes de fraude suelen reutilizar la misma dirección postal, el mismo teléfono o el mismo dispositivo en varias solicitudes.
Señalar cuándo varios solicitantes aparentemente sin relación comparten una huella de dispositivo o una dirección IP permite detectar especialmente bien los esquemas de compilación de identidades.
Al fin y al cabo, esas combinaciones se construyen a partir de datos agrupados desde el principio.
Un historial crediticio sin antecedentes debería comportarse como el de alguien nuevo en el crédito: saldos pequeños y solicitudes de límite conservadoras.
Cuando un solicitante con historial escaso pide un límite inicial inusualmente alto, o una cuenta de usuario autorizado muestra de repente patrones de gasto de un adulto, esa discrepancia merece una segunda revisión.
Los controles puntuales dejan de funcionar en cuanto se aprueba una cuenta.
La monitorización del comportamiento toma el relevo donde ellos lo dejan y sigue durante los meses posteriores los cambios de velocidad, las ratios entre entradas y salidas y las desviaciones respecto al grupo de pares.
Es el método con más probabilidades de detectar una identidad fabricada antes del bust-out, ya que vigila precisamente el cambio descrito en el paso 3 anterior.
Las cifras no dejan de crecer. Las pérdidas globales por este tipo de fraude se sitúan entre 20.000 y 40.000 millones de dólares al año, y las identidades fabricadas ya impulsan hasta el 80 % de los casos de fraude en la apertura de cuentas nuevas.
Solo en EE. UU., se prevé que las pérdidas de crédito sin garantía vinculadas al fraude sintético superen los 3.000 millones de dólares en 2026, frente a menos de 2.000 millones hace unos pocos años. Casi la mitad de las instituciones financieras ya sitúan este tipo de fraude como la categoría que siguen más de cerca, por delante de la toma de control de cuentas y del fraude con tarjeta no presente.
Tiene sentido: el fraude bust-out por sí solo representa aproximadamente una quinta parte de todos los casos de fraude y una proporción igualmente desmedida de las pérdidas, precisamente porque las identidades fabricadas suelen estar detrás.
Esta categoría también crece rápido, a un ritmo estimado del 16 % anual, impulsada por el acceso barato a datos filtrados y a la IA generativa.
Para una empresa de pagos en fase inicial, esa curva de crecimiento importa más que la cifra bruta en dólares: las pérdidas que parecen manejables con un volumen pequeño de transacciones pueden acumularse rápidamente a medida que se acelera el crecimiento de cuentas.
La mayoría de las conversaciones sobre la prevención del fraude de identidad sintética se quedan en el onboarding. Es comprensible, ya que ahí es donde una identidad se pone a prueba por primera vez, pero también es incompleto.
Una identidad fabricada que supera los controles de onboarding no deja de ser una amenaza en el momento en que se abre la cuenta. Apenas está empezando:
La primera capa es la verificación de identidad: comprobación de documentos, coincidencia biométrica, contraste con bases de datos y controles de Conozca a su cliente (KYC).
Esta capa detiene una parte significativa de los intentos, en especial los menos sofisticados, que se basan en documentos fabricados claramente incoherentes o de baja calidad. Es necesaria y ninguna empresa debería prescindir de ella.
Pero la verificación de identidad tiene un punto ciego estructural. Evalúa una identidad en un único momento, el de la creación de la cuenta, y estas identidades compuestas están diseñadas específicamente para superar ese momento sin problemas.
El componente de número de la Seguridad Social real hace que el control con frecuencia salga válido. Una vez abierta la cuenta, la verificación de identidad ha cumplido su función y pasa a la siguiente solicitud.
La segunda capa es donde realmente ocurre la detección. También es la capa en la que la mayoría de las empresas invierte menos, dado todo el fraude que se cuela por ella.
La monitorización transaccional del comportamiento vigila una cuenta después de su aprobación. Sigue la velocidad de las transacciones, las ratios entre entradas y salidas y los desvíos respecto a las normas del grupo de pares. Nuestra plataforma antiblanqueo de capitales opera exactamente aquí.
Diseñamos nuestra monitorización basada en entidades para seguir cuentas y comercios a lo largo del tiempo, no transacciones aisladas. Por eso tanto la acumulación lenta como la aceleración repentina previa a un bust-out aparecen como patrones claros, no como ruido.
La misma lógica se aplica a las redes de cuentas mula y al fraude bust-out. Ambos son parientes cercanos de este tipo de fraude y a menudo operan a través de las mismas cuentas.
Depender solo de la Capa 1 supone apostar a que los defraudadores no superarán el onboarding. Dado que las identidades fabricadas ya impulsan hasta el 80 % del fraude en la apertura de cuentas nuevas, esa es una apuesta que muchas empresas están perdiendo en silencio.
La verdadera prevención del fraude de identidad sintética consiste en combinar ambas capas, no en elegir una en lugar de la otra.
La detección te dice que probablemente hay una identidad fabricada. La verdadera prevención del fraude de identidad sintética consiste en cerrar las brechas que permitieron que llegara tan lejos.
Estos son los puntos en los que centrarse:
No te limites a una sola consulta a una base de datos.
Contrastar los datos del solicitante con los registros de las agencias de crédito, los datos de emisión de números de la Seguridad Social y los registros de servicios públicos o telecomunicaciones añade una fricción real para los defraudadores.
A una identidad compuesta le resulta bastante más difícil superar todos los controles sin problemas.
Un solicitante con poco o ningún historial crediticio no es automáticamente un defraudador, pero este segmento es donde se concentran las identidades fabricadas.
Dirigir las solicitudes con historial escaso a pasos de verificación adicionales, sin añadir fricción a todos los solicitantes, concentra el escrutinio donde más importa.
La prevención no termina en el onboarding. Configurar una monitorización continua del comportamiento significa que los patrones de gasto, endeudamiento y transferencias de una cuenta se comparan con su propio historial.
También se contrastan con su grupo de pares, durante todo el tiempo que la cuenta permanezca abierta.
Esa comparación no se detiene el primer día.
Una identidad fabricada marcada por tu equipo de fraude no debería recibir un trato limpio en tu monitorización AML, ni al revés.
Ejecutar el scoring de fraude y la monitorización AML sobre los mismos datos cierra precisamente la brecha que dejan los sistemas aislados.
Decide de antemano qué ocurre cuando una cuenta muestra varias señales de alerta a la vez, ya sea retener una transacción, solicitar una nueva verificación o bloquear la cuenta directamente.
Los equipos que improvisan estas decisiones sobre la marcha tienden a moverse con demasiada lentitud cuando un bust-out ya está en marcha.
Una vez que has aceptado que la verificación de identidad por sí sola no detendrá este fraude, la pregunta más difícil es qué solución de prevención del fraude de identidad sintética añadir encima.
Estas son las cinco preguntas que vale la pena hacer a cualquier proveedor antes de firmar:
Una herramienta que solo se entrena con tu propio historial de transacciones solo es tan inteligente como tus pérdidas pasadas.
Pregunta qué datos ve el modelo de IA subyacente: solo los datos de onboarding o todas las transacciones y transferencias posteriores a la aprobación.
Eso es lo que permite a un sistema señalar un patrón sospechoso la primera vez que aparece, en lugar de hacerlo solo después de que tu propio negocio ya lo haya sufrido una vez.
Este esquema se desarrolla durante meses, no segundos. Una solución diseñada solo para puntuar transacciones individuales en el momento en que ocurren pasará por alto la acumulación lenta de señales de alerta que lo define.
Pregunta específicamente si la plataforma sigue entidades, es decir, cuentas o comercios, a lo largo del tiempo.
Eso es lo que le permite señalar cambios en la velocidad, el flujo de fondos y el comportamiento del grupo de pares a medida que se desarrollan.
Las plataformas de fraude heredadas suelen tardar entre cinco y catorce meses en integrarse, una eternidad para un negocio que ve acumularse las pérdidas en tiempo real.
Pide por escrito un plazo de integración concreto y desconfía de cualquier proveedor que no pueda dártelo.
Las tarifas de configuración, las tarifas de implementación y los contratos plurianuales son habituales en este sector. Tienden a dejar fuera precisamente a las fintech emergentes y a las empresas de pagos más pequeñas que más necesitan una sólida prevención del fraude de identidad sintética.
Pregunta si los precios se basan en el uso y sin costes de configuración.
Esa estructura alinea los incentivos del proveedor con el crecimiento real de tus transacciones, en lugar de atarte a una cuota anual fija independientemente del rendimiento.
Cualquier proveedor seguro de su capacidad de detección debería estar dispuesto a pasar tus datos históricos por su modelo y mostrarte qué habría detectado.
Si un proveedor no ofrece ese tipo de prueba de Proof of Results antes de que te comprometas, trata esa reticencia como información valiosa en sí misma.
Los números convencen más que las promesas, así que esto es lo que vio realmente uno de nuestros clientes tras añadir monitorización del comportamiento a sus controles de onboarding existentes.
Viva Wallet es una empresa de pagos de rápido crecimiento que procesa volúmenes de transacciones en rápido aumento. Necesitaba detectar comercios fraudulentos y patrones sospechosos de flujo de dinero, pero sin frenar su crecimiento ni desviar recursos de ingeniería.
Tras implantar nuestro producto de detección de fraude de comercios, los resultados fueron:
Como dijo Makis Antypas, CIO de Viva Wallet: "Fraudio nos permite detectar comercios fraudulentos y blanqueo de capitales, garantizando la seguridad de nuestros clientes frente al fraude en los pagos".
Esa ventaja de tres semanas importa más en el escenario exacto que ha descrito esta guía: detectar la cuenta antes de que llegue a la fase de bust-out, no después.
| Tema | Datos clave |
|---|---|
| Definición | Una identidad fabricada que combina un número de la Seguridad Social real con datos personales inventados |
| Tipos habituales | Manipulada, fabricada, compilación de identidades y fraude con Credit Privacy Number |
| Objetivos principales | Emisores de tarjetas, prestamistas, facilitadores de pagos, bancos digitales y neobancos |
| Coste global | Entre 20.000 y 40.000 millones de dólares de pérdidas anuales en todo el mundo |
| Proporción del fraude en cuentas nuevas | Hasta el 80 % de los casos de fraude en la apertura de cuentas nuevas involucran identidades fabricadas |
| Periodo típico de incubación | De 12 a 18 meses entre la apertura de la cuenta y el bust-out |
| Tasa de crecimiento | Aproximadamente un 16 % de crecimiento anual, acelerado por la IA generativa |
| Reto de detección | Supera los controles de onboarding porque parte de los datos subyacentes es real |
| Métodos de detección | Controles de emisión de números de la Seguridad Social, agrupación de dispositivos, revisión de historial escaso, monitorización del comportamiento |
| Defensa de la Capa 1 | Verificación de identidad y KYC en la apertura de cuentas |
| Defensa de la Capa 2 | Monitorización transaccional del comportamiento tras el onboarding |
| Tipos de fraude relacionados | Fraude bust-out, redes de cuentas mula, toma de control de cuentas |
| ¿Qué buscar en una solución? | IA centralizada, monitorización del comportamiento a lo largo del tiempo, integración rápida, precios basados en el uso y pruebas de Proof of Results |
Fraudio nació de una idea sencilla: este tipo de fraude no es solo un problema de onboarding, sino de comportamiento. Una prevención eficaz del fraude de identidad sintética significa vigilar lo que hace una cuenta a lo largo del tiempo, no solo quién dijo ser el primer día.
Dos cosas distinguen a Fraudio de una configuración típica de detección de fraude puntual. Nuestra IA con patente en trámite lee tarjetas, transferencias y pagos en un único conjunto de datos centralizado, de modo que el comportamiento posterior a la aprobación se puntúa como un solo patrón.
Además, nos implantamos en días o semanas en lugar de los cinco a catorce meses que suelen requerir las plataformas heredadas, sin tarifas de configuración y con precios que escalan con tu volumen.
Realizaremos una prueba gratuita de "Proof of Results" con tus propios datos históricos, sin coste ni compromiso. Con este proceso podrás ver exactamente qué se les escapa a tus herramientas actuales después del onboarding.
Solicita una prueba de Proof of Results
Este fraude suele permanecer oculto entre 12 y 18 meses mientras una identidad fabricada construye historial crediticio, aunque algunos casos tardan años más, sobre todo con el número de la Seguridad Social de un niño. La detección normalmente solo ocurre después del bust-out, cuando las cuentas están agotadas y el defraudador ha desaparecido. La monitorización del comportamiento de Fraudio, superpuesta a los controles de onboarding, está diseñada para detectar esta ventana mucho antes.
Este tipo de fraude se diferencia del robo de identidad habitual porque no suplanta a una persona real y completa; crea una identidad nueva a partir de una mezcla de datos reales e inventados. El robo de identidad tradicional roba la identidad de una persona existente, de modo que esa persona puede acabar notándolo y denunciándolo. Las identidades fabricadas no tienen esa víctima, y por eso la detección suele tardar meses más.
El fraude sintético pone en mayor riesgo a los emisores de tarjetas, los prestamistas y los facilitadores de pagos, ya que estas empresas conceden crédito basándose en parte en una verificación de identidad diseñada para ser superada. Los bancos digitales, los neobancos y los proveedores de compra ahora, paga después también afrontan una exposición creciente, y estas identidades ya representan hasta el 80 % del fraude en la apertura de cuentas nuevas. Las startups de rápido crecimiento están especialmente expuestas, ya que las pérdidas se acumulan junto con el crecimiento legítimo.
Sí, si una empresa monitoriza los patrones de comportamiento en lugar de depender únicamente de los controles de onboarding. Entre las señales de alerta están el aumento de la velocidad de las transacciones, las ratios inusuales entre entradas y salidas y las desviaciones respecto al grupo de pares. En nuestros datos de casos, este tipo de monitorización detectó intentos de fraude tres semanas antes que los sistemas heredados, la idea central de la prevención del fraude de identidad sintética.
Los defraudadores se dirigen a los números de la Seguridad Social de los niños porque estos no tienen historial crediticio previo, así que una identidad fabricada no entra en conflicto con nada. Añaden datos inventados al número real de un niño y construyen años de historial crediticio limpio sin ser detectados. A menudo no se descubre hasta que el niño solicita su primer préstamo, a veces una década después.
Los servicios de protección contra el robo de identidad rara vez detectan el fraude sintético, ya que están diseñados para alertar a una persona existente sobre la actividad en su propio historial crediticio. Las identidades fabricadas son construcciones compuestas, no la toma de control de la identidad de una única víctima, así que la monitorización estándar puede pasar por alto el fraude por completo o detectarlo solo años después. La monitorización del comportamiento a nivel de institución cierra buena parte de esa brecha.
El fraude sintético cuesta a las empresas entre 20.000 y 40.000 millones de dólares al año en todo el mundo, según las estimaciones. En Estados Unidos, se prevé que las pérdidas de crédito sin garantía vinculadas a este tipo de fraude superen los 3.000 millones de dólares solo en 2026. Es probable que estas cifras subestimen la magnitud real, ya que muchos prestamistas clasifican estas pérdidas como deuda incobrable en lugar de fraude.
La verificación de identidad por sí sola no es suficiente porque evalúa una identidad una única vez, en el momento en que se abre una cuenta, y las identidades fabricadas están diseñadas para superar ese único control. El componente de número de la Seguridad Social real hace que la verificación con frecuencia salga limpia. Lo que no puede hacer es vigilar la cuenta durante los meses siguientes, que es justo cuando este fraude se revela.
¿Quieres probar nuestra solución y experimentar la próxima generación por ti mismo?
