Por Canuto  

Coinbase afirma que un agente de IA integrado a sus controles de riesgo redujo 30% las transacciones fraudulentas y 22% su valor en una prueba de Onramp. La herramienta no reemplaza los filtros existentes: revisa algunas operaciones con contexto sobre la actividad reciente de los usuarios.
***

  • El ensayo comparó la pila de riesgo habitual con otra que añadió revisiones selectivas de un agente basado en un modelo de lenguaje.
  • El agente examina secuencias de transacciones y solo puede bloquear operaciones que los controles previos permitirían.
  • Coinbase proyectó que el ahorro por fraude evitado fue cerca de tres veces el costo estimado de inferencia.

Una capa adicional para detectar patrones de fraude

Coinbase incorporó un agente de inteligencia artificial a los controles de riesgo de Onramp, su servicio para comprar criptomonedas desde aplicaciones asociadas, incluso mediante un checkout de invitado y sin una cuenta de Coinbase. La empresa sostiene que, durante un experimento en línea, el grupo que recibió esa revisión registró 30% menos transacciones fraudulentas y 22% menos valor de fraude que el grupo control. La herramienta se sumó a los filtros existentes, en vez de sustituirlos.

La explicación del proyecto, publicada por Coinbase en octubre de 2026 y firmada por Yao Ma, Bo Lei y Xuwei Tan, parte de una dificultad concreta: algunos ataques no muestran señales suficientes en una compra aislada. Una operación puede parecer normal por sí sola, pero resultar sospechosa al observarla junto con otras transacciones recientes, sus tiempos, métodos de pago y destinos. La compañía buscó una forma de revisar ese contexto sin diseñar una característica nueva para cada patrón emergente.

El modelo de aprendizaje automático y el motor de reglas que Coinbase ya utilizaba ofrecían un filtro rápido y de bajo costo para los pagos de invitados. Sin embargo, esos sistemas suelen apoyarse en señales definidas de antemano, como el número de operaciones previas o el gasto acumulado, que pueden no conservar las relaciones entre eventos que caracterizan un ataque. La empresa también señaló que las etiquetas de fraude suelen llegar con retraso, lo cual complica tanto la evaluación inmediata como la adaptación a nuevas modalidades.

El agente añade razonamiento contextual mediante un modelo de lenguaje que compara la transacción actual con el historial que recibe y aplica pautas de revisión expresadas en lenguaje natural. Coinbase plantea que estas directrices pueden actualizarse sin volver a entrenar el modelo, aunque cualquier cambio necesita validarse frente a los resultados de las transacciones. La compañía presenta así la herramienta como un complemento especializado para una pila de riesgo que conserva sus controles tradicionales.

Cómo se integra el agente en el flujo de pagos

En la arquitectura descrita, Onramp Service envía las transacciones a Risk Service, donde el modelo de aprendizaje automático y las reglas existentes realizan la primera evaluación. El agente interviene después y solo revisa de forma selectiva algunas operaciones, con el propósito de agregar contexto sin someter cada pago a una llamada más costosa. La empresa ejecuta el modelo y el agente dentro del mismo despliegue de Ray Serve.

Ese orden también limita la autoridad de la inteligencia artificial: el agente puede bloquear una transacción que los controles previos permitirían, pero no puede revertir un bloqueo decidido por la capa anterior. Coinbase lo describe como un revisor acotado, no como un sistema autónomo que administra pagos o ejecuta acciones externas. El código de la aplicación prepara la información, interpreta la respuesta estructurada y aplica la política de decisión.

Para cada revisión, el servicio reúne datos estructurados de la operación actual, resúmenes de actividad relevante y pautas específicas del dominio, además de ejemplos de calibración para hacer más consistentes las evaluaciones. El historial conserva la secuencia de eventos, mientras que los resúmenes hacen explícitas las ráfagas o los cambios de comportamiento que podrían importar. Así, el agente puede comparar una operación con la actividad previa sin tener que reconstruir por sí solo cada patrón a partir de datos agregados.

La capa de servicio separa la transacción actual del historial recibido para evitar que el modelo compare la operación consigo misma, y presenta ambos elementos por separado. Las instrucciones y directrices se cargan al inicializar el servicio, de modo que cada solicitud aporte evidencia nueva sin depender de una conversación persistente entre transacciones. Coinbase también mantiene separada la configuración del modelo respecto de la política de decisión, lo que permite probar alternativas sin rediseñar toda la arquitectura.

Latencia, confiabilidad y límites operativos

La compañía eligió Claude Opus para el despliegue inicial y limitó deliberadamente la respuesta a una clasificación de riesgo, como «RISK_LEVEL: 5», sin exigir una explicación escrita. Con una entrada de alrededor de 7.000 tokens, la llamada al modelo tuvo una latencia mediana, o P50, cercana a 1,5 segundos. Restringir la salida permite reducir el tiempo de respuesta y facilita que el sistema aplique una política uniforme después de recibir la evaluación.

Coinbase también diseñó el flujo para que las revisiones elegibles de un mismo lote se ejecuten de manera asíncrona, en lugar de esperar una tras otra. Si una llamada falla, el orquestador conserva los resultados de las demás operaciones del lote, mientras que el cliente admite reintentos limitados y un modelo de respaldo configurable ante problemas de capacidad del proveedor. Estas medidas buscan evitar que una falla puntual del servicio de IA afecte todo el procesamiento.

La respuesta del servicio incluye la decisión y el nivel de riesgo asignado por el agente, el modelo utilizado, el tiempo de revisión, los reintentos y el consumo de tokens reportado. Esa información permite examinar si un cambio en la detección coincide con una modificación del modelo, un aumento de latencia o una falla del proveedor, en lugar de atribuirlo automáticamente a una variación inexplicable en el resultado final. La observabilidad es relevante porque el componente opera dentro de una infraestructura de control de riesgo más amplia.

La estrategia de invocación selectiva intenta equilibrar tres objetivos que pueden entrar en tensión: detectar más fraude, mantener una respuesta rápida y contener los costos de inferencia. El modelo y las reglas continúan realizando el filtrado general, mientras que el agente se reserva para una parte de las operaciones que puede beneficiarse de una lectura contextual. La empresa no compartió en esta entrega un umbral detallado para determinar qué transacciones llegan a esa revisión adicional.

Qué mostró el experimento y qué falta por comprobar

En la prueba en línea, el grupo de control mantuvo el modelo de aprendizaje automático y el motor de reglas existentes. El grupo de tratamiento, que recibió 50% del tráfico, utilizó esa misma pila con la revisión selectiva del agente de lenguaje. Frente al control, Coinbase reportó menos transacciones fraudulentas y menor valor de fraude, además de mayores totales de transacciones, usuarios e ingresos.

La empresa indicó que su métrica de tasa de fraude considera las diferencias en el volumen de transacciones, mientras que los cambios de volumen, número de usuarios e ingresos corresponden a totales agregados. Por ello, estos aumentos no deben interpretarse como ganancias por usuario o por operación. La compañía atribuye los resultados favorables a la revisión contextual, aunque la publicación no proporciona en el texto cifras absolutas del experimento ni detalles adicionales sobre su duración.

Según Coinbase, los ahorros proyectados por fraude prevenido fueron aproximadamente tres veces el costo estimado de inferencia, calculado a partir del uso de tokens de entrada y salida y de las tarifas publicadas por el proveedor del modelo. Esa relación depende de reservar la herramienta más costosa para una fracción de la actividad y dejar el filtrado habitual en manos de los sistemas existentes. Se trata de una estimación basada en los resultados de la prueba, no de una garantía de ahorro para cualquier volumen o escenario.

La primera parte de la serie de ingeniería sostiene que un agente de alcance limitado puede reforzar la detección sin reemplazar la pila de riesgo, pero deja abierta la pregunta de cuánto depende el resultado del modelo elegido. Coinbase advierte que las versiones más nuevas de modelos comerciales pueden cambiar sus juicios de riesgo aunque se mantengan el prompt, el contexto y la política. En la segunda entrega, la empresa plantea comparar versiones de Opus, Sonnet y GPT en una evaluación específica de fraude, pues sus pruebas descritas anticipan que las versiones más recientes no necesariamente obtienen mejor recall o puntuación F1.

De los modelos comerciales al entrenamiento propio

La serie también adelanta una tercera etapa centrada en entrenar un modelo con datos propietarios de fraude de Onramp mediante post-training. Coinbase señala que utilizaría SkyRL en Anyscale para ajustar Qwen3.5-9B y que el resultado superaría a Opus 4.5 en las cuatro métricas de detección de fraude evaluadas. La compañía anticipa además una latencia de servicio en línea de extremo a extremo 55% menor, cifras que corresponden a esa etapa posterior y no al experimento inicial de integración.

En el resumen de la serie, Coinbase también reporta una mejora de 9,6% en puntuación F1 frente a modelos de frontera para el sistema entrenado. La publicación presenta esos resultados como parte del proceso de construir, evaluar y adaptar un agente para una tarea delimitada, no como evidencia de que un modelo de propósito general detecte mejor cualquier tipo de fraude. El rendimiento en un benchmark general, según el argumento de la empresa, no basta para anticipar cómo responderá un modelo ante patrones específicos de Onramp.

La evaluación resulta especialmente importante porque los resultados confirmados llegan con retraso, y los cambios de versión pueden modificar decisiones incluso cuando el equipo conserva instrucciones y datos de contexto similares. Un benchmark propio permite comparar modelos bajo condiciones más consistentes y observar métricas relevantes para la detección, como recall y F1. La serie promete examinar precisamente esas diferencias, aunque la entrega sobre la integración no detalla aún los resultados comparativos completos.

Por ahora, el dato central es que Coinbase probó una capa contextual junto a sus controles anteriores y reportó una reducción del fraude en el grupo tratado, sin conceder al agente autoridad para anular bloqueos previos ni ejecutar pagos. La experiencia deja como próximos puntos de atención la evaluación entre modelos, el costo real a mayor escala y la estabilidad de las decisiones frente a patrones cambiantes. El enfoque apuesta por usar IA donde el contexto aporta valor, con límites operativos y mediciones que permitan auditar su desempeño.


ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.

Suscríbete a nuestro boletín

Artículos Relacionados