Las cuentas mula ya no son solo el favor que un conocido pide para mover dinero de dudosa procedencia. En 2026, buena parte de esas cuentas se abren con identidades que no pertenecen a nadie: combinaciones de datos verdaderos e inventados diseñadas para superar los controles de verificación (KYC) y madurar durante meses antes de activarse.
La inteligencia artificial ha cambiado ambos lados de esta ecuación. Los defraudadores la usan para generar documentación e identidades más creíbles, y las entidades financieras la usan para detectar patrones que ningún analista humano vería a tiempo.
Repasemos qué son las cuentas mula sintéticas, qué dicen los datos verificados sobre su alcance, y qué técnicas de machine learning permiten identificarlas antes de que el fraude se materialice.
El ciclo de vida de una cuenta mula sintética
Una identidad sintética no es una identidad robada. Es una identidad fabricada: se construye combinando un dato real, como un número de documento válido, con información inventada, hasta crear un perfil capaz de superar los controles básicos de onboarding.
La diferencia con una cuenta mula tradicional es importante: en la mula clásica hay una persona real, engañada o cómplice, detrás de la cuenta. En la mula sintética no hay ninguna persona a la que proteger ni que denuncie el fraude, lo que la hace especialmente difícil de detectar con los sistemas de alerta habituales.
El fraude no ocurre de golpe. Se despliega en fases, y cada una deja señales distintas que la detección de cuentas mula basada en IA puede capturar antes de que la cuenta se use para mover dinero ilícito.
| Fase | Qué ocurre | Señal pre-fraude detectable |
| Creación de la identidad | Se combinan datos reales e inventados para construir un perfil | Inconsistencias entre fuentes de datos, documentos generados o alterados con IA |
| Apertura de cuenta (onboarding) | El perfil supera los controles KYC básicos | Velocidad de tecleo irregular, dispositivo ya vinculado a otras cuentas |
| Maduración (6 a 18 meses) | La cuenta genera historial y confianza operativa | Patrones de transacción demasiado regulares o repetitivos |
| Explotación | Se solicitan créditos o se mueven fondos ilícitos | Picos de actividad y cambios súbitos de comportamiento |
| Abandono | La cuenta se descarta tras cumplir su función | Inactividad repentina después de actividad intensa |
Esta ventana de maduración, que puede prolongarse más de un año, es la razón por la que los controles que solo actúan en el momento de la apertura de cuenta llegan sistemáticamente tarde.
El fraude de identidad sintética y las cuentas mula, en cifras
Los datos disponibles son parciales, porque una identidad sintética no tiene una víctima real que la denuncie. Aun así, las cifras que sí existen dan una idea del tamaño del problema.
En marzo de 2025, un responsable de pagos seguros de la Reserva Federal de Boston explicó en una entrevista oficial que la estimación de pérdidas por fraude de identidad sintética en EE. UU. no ha dejado de subir: de unos USD 8.000 millones en 2020 a más de USD 30.000 millones en los informes más recientes.
| Métrica | Dato | Fuente |
| Pérdidas por fraude de identidad sintética en EE. UU., estimación más reciente | Más de USD 30.000 millones | Reserva Federal de Boston, marzo 2025 |
| Entidades financieras que ven el fraude de cuentas mula como problema creciente o persistente | ≈47% de las encuestadas | Encuesta anual de riesgo, Federal Reserve Financial Services, abril 2025 |
| Aumento interanual de la preocupación por cuentas mula | +12% (2024 frente a 2023) | Federal Reserve Financial Services, abril 2025 |
| Reportes de fraude gestionados por la FTC (2024) | 6,5 millones | FTC Consumer Sentinel Network, 2025 |
| Pérdidas totales por fraude reportadas en EE. UU. (2024) | USD 12.500 millones | FTC Consumer Sentinel Network, 2025 |
La cifra que más llama la atención no es ninguna por separado, sino la trayectoria: cada vez que la Reserva Federal ha vuelto a medir el fraude de identidad sintética, la estimación ha subido, de 8.000 a más de 30.000 millones en cinco años.
Eso sugiere que cada estimación anterior probablemente también se quedó corta. No porque el fraude se dispare de un año a otro, sino porque buena parte de él sigue sin detectarse hasta mucho después de haber ocurrido.
Es una estimación de FiVerity, ampliamente citada por la propia Reserva Federal y por medios especializados del sector.
Lo que los datos muestran y lo que ocultan
El titular habitual es «se blanquean miles de millones a través de cuentas mula». Lo que ese titular no cuenta es cuánto de ese dinero se recupera realmente.
La novena edición de la European Money Mule Action (EMMA 9), coordinada por Europol, Eurojust e Interpol en 2023 con la colaboración de más de 2.800 bancos, permite ver esa brecha con números concretos.
| Indicador EMMA 9 (Europol, 2023) | Cifra |
| Cuentas mula identificadas | 10.759 |
| Reclutadores identificados | 474 |
| Detenciones | 1.013 (≈9,4% de las cuentas identificadas) |
| Pérdidas ya materializadas y reveladas | Más de 100 millones de euros |
| Pérdidas evitadas gracias a la intervención | Más de 32 millones de euros (≈24% del total expuesto) |
Identificar una cuenta mula no equivale a detenerla a tiempo: solo alrededor de uno de cada diez casos identificados terminó en una detención, y de cada cuatro euros de fraude expuesto, tres ya se habían perdido antes de que la operación pudiera intervenir.
El propio Europol describe la acción como un esfuerzo coordinado contra redes que se benefician de distintos tipos de criminalidad, desde el fraude por compromiso de correo corporativo hasta el uso de IA para generar identidades falsas y sortear los controles KYC, un patrón que la propia operación identificó como tendencia emergente.
«Como acción coordinada en toda Europa y a nivel global, EMMA tiene como objetivo combatir las redes de cuentas mula que se benefician de distintos tipos de criminalidad, como el fraude cibernético contra entidades financieras y sus clientes.»
— Europol, comunicado oficial de la operación EMMA 9
De reglas estáticas a verificación continua: cómo actúa la IA
Durante años, la detección de fraude se basó en reglas fijas aplicadas en un único momento: el onboarding. Ese modelo ya no es suficiente.
Como explica el análisis de Facephi sobre IA en la banca digital, la confianza ya no puede construirse una sola vez porque el fraude avanza junto al usuario desde el registro hasta la transacción final.
El machine learning aplicado a la detección de cuentas mula combina tres capas de señales:
• Análisis de señales pre-fraude en el registro: patrones irregulares en el origen de los fondos, redes de dispositivos compartidos entre varias cuentas y conexiones con actividad sospechosa detectada mediante honeypots.
• Biometría de comportamiento en sesión: velocidad de tecleo, forma de navegación y consistencia entre la biometría inicial y las interacciones posteriores, lo que permite detectar accesos anómalos aunque las credenciales sean correctas.
• Puntuación de riesgo dinámica: el sistema no evalúa la cuenta una sola vez, sino que la reevalúa de forma continua durante todo su ciclo de vida, ajustando el nivel de fricción según el riesgo detectado en cada momento.
Esta combinación es lo que permite distinguir entre una cuenta víctima, usada sin que su titular lo sepa, y una cuenta cómplice o directamente sintética, una clasificación que los controles KYC estáticos no pueden hacer por sí solos.
Los pains del sector financiero frente al fraude sintético
| Pain del sector financiero | Por qué importa | Qué aporta la IA |
| Los controles KYC solo actúan en la apertura de cuenta | Una identidad sintética puede parecer legítima durante más de un año | Modelos de riesgo dinámico que reevalúan la cuenta a lo largo de todo su ciclo de vida |
| El fraude ya no se concentra en el onboarding | Los atacantes también operan dentro de la sesión y en la transacción | Verificación continua basada en biometría, comportamiento y contexto |
| Los equipos de fraude analizan cuentas de forma aislada | Las redes de mulas comparten dispositivos, IPs o patrones de comportamiento | Análisis de redes de dispositivos y consorcios de inteligencia compartida entre bancos |
| Los falsos positivos saturan a los analistas | Cada alerta mal calificada consume tiempo y presupuesto | Puntuación de riesgo explicable que prioriza los casos con mayor probabilidad real de fraude |
Según datos de la FTC Consumer Sentinel Network, el fraude reportado en Estados Unidos superó los 12.500 millones de dólares en 2024, un incremento de más de 2.000 millones respecto al año anterior. Pero ese dato solo recoge el fraude que alguien reportó.
El fraude de identidad sintética, precisamente por no tener una víctima que lo denuncie, queda sistemáticamente fuera de ese recuento. La cifra real es probablemente más alta de lo que cualquier estadística de reportes puede reflejar.
La colaboración entre entidades refuerza esta capacidad de detección. Iniciativas como los consorcios bancarios que comparten señales de fraude en tiempo real permiten identificar patrones que ningún banco vería trabajando en aislamiento, porque una misma red de identidades sintéticas suele operar simultáneamente contra varias entidades.
Preguntas frecuentes sobre detección de cuentas mula con IA
Es una cuenta bancaria usada como intermediaria para mover fondos de origen ilícito. Puede pertenecer a una persona engañada, a un cómplice que cede su cuenta a cambio de una comisión, o a una identidad sintética creada específicamente para ese fin.
La cuenta mula tradicional pertenece a una persona real, aunque haya sido engañada o actúe como cómplice. La cuenta mula sintética se abre con una identidad fabricada, combinando datos reales e inventados, por lo que no existe ninguna persona física detrás que pueda denunciar el fraude.
Porque los controles KYC clásicos verifican la identidad una sola vez, en el momento de la apertura de cuenta. Una identidad sintética bien construida puede superar esa verificación inicial y madurar durante meses o más de un año antes de activarse para el fraude.
Combinando señales pre-fraude en el registro, biometría de comportamiento durante la sesión y puntuación de riesgo dinámica a lo largo de todo el ciclo de vida de la cuenta, en lugar de evaluar la identidad una única vez.
Permiten compartir señales de fraude entre entidades en tiempo real, lo que ayuda a identificar redes que operan simultáneamente contra varios bancos y que resultarían invisibles si cada entidad analizara sus datos de forma aislada.
