DE LA INTELIGENCIA A LOS DATOS: ANALÍTICA DE REDES PARA LA PREVENCIÓN DEL LAVADO

La evolución de los sistemas de prevención de la legitimación de ganancias ilícitas exige superar progresivamente la visión de la operación individual como unidad principal de análisis. Si la economía de la criminalidad permite comprender el lavado de dinero como una decisión condicionada por incentivos, costos y riesgos, y el análisis estratégico permite identificar dónde debe concentrarse la fricción institucional, el siguiente desafío consiste en transformar información dispersa en conocimiento operativo sobre las estructuras económicas que hacen posible la reproducción del delito.

En este tránsito, los datos dejan de constituir únicamente registros administrativos y adquieren el carácter de insumo para construir inteligencia capaz de identificar relaciones, flujos, intermediarios y posiciones estratégicas dentro de redes financieras y patrimoniales.

La premisa es particularmente relevante porque las organizaciones criminales no operan mediante transacciones aisladas, sino mediante relaciones. Una transferencia adquiere significado cuando puede ser vinculada con un ordenante, un beneficiario, una empresa, una cuenta, un activo, una jurisdicción o un conjunto de operaciones relacionadas. De esta manera, el problema analítico deja de consistir exclusivamente en determinar si una transacción es inusual y pasa a comprender qué estructura de relaciones explica su existencia.

Esta transición modifica la unidad de análisis: de la operación a la relación, de la relación a la red y de la red a la estructura económica susceptible de intervención.

En consecuencia, es consistente con la evolución reciente de la investigación especializada. Deprez, Vanderschueren, Baesens, Verdonck y Verbeke (2025) sistematizaron 97 estudios sobre analítica de redes aplicada a la prevención del lavado y encontraron una creciente utilización de información relacional, precisamente porque el fenómeno involucra actores conectados. Su evaluación experimental muestra, además, que los métodos de analítica de redes pueden incrementar la capacidad predictiva de los modelos ALA, aunque los resultados dependen de la calidad de las características utilizadas, la estructura de los datos y la metodología aplicada.

Esto resulta relevante para Bolivia porque la incorporación de tecnología no constituye, por sí misma, una mejora de la inteligencia: el valor analítico depende de la capacidad para transformar datos heterogéneos y fragmentados en representaciones consistentes del fenómeno económico investigado.

Desde esta perspectiva, el desarrollo de capacidades analíticas debería comenzar por una arquitectura de información que permita integrar dimensiones que tradicionalmente permanecen separadas. Una persona puede aparecer como cliente de una entidad financiera, representante de una sociedad, beneficiario de otra estructura jurídica, propietario de un inmueble o contraparte comercial. Cada registro, considerado individualmente, puede presentar una relevancia limitada; pero la integración de sus relaciones puede revelar una concentración patrimonial, una intermediación recurrente o una estructura de transferencias que modifica sustancialmente la interpretación del riesgo. El objetivo no consiste en acumular información, sino en establecer conexiones analíticamente significativas entre fuentes.

Esta cuestión adquiere especial importancia en el contexto boliviano. El Informe de Evaluación Mutua de GAFILAT señala que la evaluación del país comprende tanto el cumplimiento de las 40 Recomendaciones del GAFI como el nivel de efectividad del sistema ALA/CFT. Posteriormente, los informes de seguimiento de 2024 y 2025 han documentado avances en materia de cumplimiento técnico.

En el seguimiento de 2025, Bolivia fue recalificada favorablemente en varias recomendaciones y actualmente presenta 15 recomendaciones Cumplidas, 21 Mayormente Cumplidas y 4 Parcialmente Cumplidas. Sin embargo, la recalificación técnica no equivale por sí misma a demostrar una mayor capacidad para detectar y desarticular estructuras económicas criminales. El propio proceso internacional distingue entre ambas dimensiones.

Lo cual, permite formular una cuestión central para la etapa operativa: ¿cómo transformar la información producida por el sistema preventivo en una capacidad efectiva para identificar estructuras? La respuesta no pasa simplemente por incrementar el volumen de alertas, reportes u operaciones analizadas. Un crecimiento indiscriminado de información puede incluso reducir la capacidad institucional si aumenta el ruido analítico y dificulta la priorización. El verdadero valor de los datos reside en su capacidad para disminuir incertidumbre y orientar recursos hacia aquellos actores, relaciones y flujos cuya intervención pueda generar un mayor efecto preventivo.

Desde esta perspectiva puede plantearse el concepto de eficiencia marginal de la inteligencia financiera: la capacidad de obtener una mejora adicional en la identificación y priorización del riesgo mediante la incorporación de nueva información o de nuevas relaciones analíticas. El objetivo no sería procesar más datos por unidad de tiempo, sino obtener mayor capacidad explicativa con los datos disponibles. Una estructura de análisis eficiente debería permitir que una nueva relación —por ejemplo, una vinculación societaria, patrimonial o transaccional— modifique la evaluación de riesgo cuando dicha relación tenga capacidad para explicar comportamientos que permanecían aislados en los registros originales.

La analítica de redes proporciona un marco particularmente adecuado para este propósito, porque representa entidades como nodos y sus relaciones como conexiones. En una red financiera pueden coexistir personas, empresas, cuentas, operaciones y activos; las conexiones pueden representar transferencias, titularidades, representación, control, relaciones comerciales o vínculos temporales. Esta representación permite estudiar propiedades que no son observables adecuadamente mediante el análisis de registros independientes, como concentración, intermediación, conectividad, comunidades o posiciones de enlace entre grupos.

La consecuencia práctica es relevante: una organización criminal no necesariamente debe buscarse a partir del actor que presenta el mayor volumen transaccional. Un intermediario con operaciones relativamente pequeñas puede ocupar una posición de elevada importancia estructural si conecta diferentes grupos, facilita el movimiento de recursos o concentra relaciones que permiten articular varias capas de una estructura. Por ello, la priorización basada exclusivamente en montos, frecuencia o reglas estáticas puede perder dimensiones relevantes del riesgo. La estructura de la red introduce una segunda capa de información: no solamente cuánto se mueve, sino cómo se relacionan los actores que participan en ese movimiento.

Ello, permite avanzar desde el análisis descriptivo hacia el análisis operativo. La pregunta ya no es solamente qué ocurrió, sino qué relaciones permiten explicar lo ocurrido, qué actores ocupan posiciones relevantes, qué flujos conectan diferentes componentes de la estructura y dónde podría producirse una intervención con mayor capacidad de disrupción. La inteligencia financiera adquiere así una función de priorización: reducir el universo de información para concentrar recursos investigativos en estructuras con mayor relevancia económica y criminal.

La misma lógica adquiere mayor importancia ante la diversificación de los canales financieros. La coexistencia de banca tradicional, empresas, comercio, efectivo, plataformas digitales y activos virtuales genera redes multilayer en las que una misma estructura puede utilizar diferentes mecanismos para movilizar o transformar recursos.

El análisis de estas conexiones requiere una arquitectura de datos capaz de preservar temporalidad, dirección, magnitud y naturaleza de las relaciones. En el caso de los activos virtuales, esta necesidad es todavía más evidente: la trazabilidad de determinadas operaciones en blockchain puede aportar información adicional, pero su utilidad depende de que pueda relacionarse con entidades, eventos y fuentes externas. La tecnología, por tanto, no elimina la necesidad de inteligencia; amplía el universo de relaciones que ésta debe ser capaz de interpretar.

El enfoque basado en riesgo también adquiere aquí una dimensión operacional. La guía actualizada del GAFI sobre evaluación nacional del riesgo propone metodologías estructuradas para comprender amenazas, vulnerabilidades y riesgos y, posteriormente, alinear las medidas de mitigación con los riesgos identificados. En consecuencia, la analítica de datos debería responder a una lógica semejante: identificar patrones, estimar relevancia, priorizar y retroalimentar el modelo a partir de los resultados obtenidos. Esto convierte al sistema analítico en un ciclo y no en una herramienta estática: datos, análisis, inteligencia, intervención, resultado y nueva información.

Para Bolivia, este tránsito ofrece una vía concreta para fortalecer la efectividad sin reducir la política ALA/CFT a la producción de más controles. El GAFI señaló en 2025, en el marco del compromiso de Bolivia con el proceso de seguimiento intensificado, la necesidad de continuar fortaleciendo la comprensión de los riesgos, la producción y difusión de inteligencia financiera operativa y estratégica, el aseguramiento y decomiso de productos del delito y las investigaciones de legitimación de ganancias ilícitas. Estas prioridades pueden interpretarse desde una perspectiva operativa como la necesidad de construir una cadena continua entre información, inteligencia e intervención.

El último eslabón resulta fundamental. La inteligencia financiera no debería agotarse en identificar una red; su valor se materializa cuando permite orientar una investigación, localizar activos, establecer vínculos, priorizar actores o facilitar medidas patrimoniales. La reciente orientación del GAFI sobre recuperación de activos refuerza precisamente esta perspectiva: la recuperación patrimonial debe constituir una prioridad de política y de operación, debido a su capacidad para afectar los incentivos económicos de las organizaciones criminales. Así, la analítica de redes encuentra su justificación final no en la sofisticación tecnológica del modelo, sino en su capacidad para conectar evidencia, decisión e intervención económica.

El desafío, por tanto, no consiste en sustituir al analista por algoritmos, sino en ampliar su capacidad de observación. Los modelos estadísticos, las técnicas de aprendizaje automático y la analítica de redes pueden descubrir regularidades que difícilmente serían visibles mediante revisión individual; pero la interpretación de esas regularidades requiere contexto económico, conocimiento de tipologías, comprensión de estructuras patrimoniales y juicio profesional. Un sistema avanzado debe combinar automatización para escalar el procesamiento con conocimiento experto para interpretar y validar resultados.

La transición de la inteligencia a los datos representa, en consecuencia, el paso de una prevención centrada en detectar eventos hacia una prevención capaz de comprender estructuras. En términos de la secuencia desarrollada en los artículos precedentes, la economía de la criminalidad permite identificar la importancia de modificar los incentivos; el análisis estratégico permite establecer dónde producir fricción; la analítica operativa permite determinar sobre qué actores, relaciones y flujos debe concentrarse esa intervención. La finalidad no es construir un sistema capaz de observarlo todo, sino uno capaz de distinguir qué merece ser observado con mayor profundidad.

La efectividad ALA/CFT puede adquirir así una dimensión operacional más precisa: no se trata de incrementar indefinidamente el volumen de información procesada, sino de aumentar la capacidad institucional para convertir información en decisiones con impacto económico sobre las estructuras criminales.

Cuando los datos permiten identificar relaciones relevantes, las relaciones permiten reconstruir estructuras, las estructuras permiten localizar puntos de intervención y la intervención puede afectar activos, flujos o capacidades operativas, la inteligencia financiera deja de ser únicamente un producto informativo y se convierte en un mecanismo de disrupción económica.

En última instancia, éste es el puente entre la prevención estratégica y la acción operativa: datos que permitan comprender redes; redes que permitan priorizar; y prioridades que permitan intervenir donde la fricción produzca mayor efecto sobre la economía del delito.

Bibliografía

• Deprez, B., Vanderschueren, T., Baesens, B., Verdonck, T., & Verbeke, W. (2025). Network analytics for anti-money laundering—A systematic literature review and experimental evaluation. INFORMS Journal on Data Science, 5(2), 119–154. https://www.researchgate.net/publication/381006693_Network_Analytics_for_Anti-Money_Laundering_–_A_Systematic_Literature_Review_and_Experimental_Evaluation
• Financial Action Task Force. (2025). Money laundering national risk assessment guidance.
• Financial Action Task Force. (2025). Asset recovery guidance and best practices.
• Financial Action Task Force. (2025). Jurisdictions under increased monitoring—13 June 2025.
• (2023). Informe de evaluación mutua de Bolivia: Cuarta ronda. Grupo de Acción Financiera de Latinoamérica.
• (2025). Segundo informe de seguimiento intensificado y segundo informe de recalificación de cumplimiento técnico de Bolivia. Grupo de Acción Financiera de Latinoamérica.
• Wang, Q., Tsai, W.-T., & Du, B. (2025). RMGANets: Reinforcement learning-enhanced multi-relational attention graph-aware network for anti-money laundering detection. Complex & Intelligent Systems.