por Fernando Peyretti[1]

Introducción:

El informe “Occupational Fraud 2024: A Report to the Nations” de la ACFE presenta un panorama global del fraude ocupacional con 1.921 casos investigados en 138 países. Los hallazgos son contundentes: las organizaciones pierden aproximadamente el 5% de sus ingresos anuales por fraude, con pérdidas totales estimadas en $3.100 millones de dólares en el estudio.

La pérdida promedio por caso fue de $1,7 millones, mientras que la mediana (valor típico) fue de $145.000, lo que indica que si bien unos pocos fraudes muy grandes elevan el promedio, la mayoría de los casos causan daños significativos pero menores al promedio.

Un dato preocupante es que casi la mitad de los casos implicaron corrupción (48% a nivel global), combinándose a menudo con malversación de activos o fraude en reportes financieros.

En el contexto de América Latina, las cifras revelan riesgos aún mayores. Según el reporte, la región de Latinoamérica y el Caribe presentó la mediana de pérdida por caso más alta del mundo: $250.000 dólares. Esto sugiere que los fraudes típicos en la región tienden a ser más costosos que en otras zonas.

Adicionalmente, se observó que la duración promedio de los fraudes en Latinoamérica antes de ser detectados fue de 16 meses, significativamente superior al promedio global (~12 meses). Este retraso en la detección evidencia brechas en controles internos y mecanismos de denuncia en la región. De hecho, más de la mitad de los fraudes analizados a nivel mundial ocurrieron por falta de controles internos o por la evasión de los existentes, factores que agravan la incidencia del fraude en entornos de control más débiles.

En las siguientes secciones se ampliará el análisis con un enfoque latinoamericano, cubriendo: (1) ejemplos recientes y documentados de fraudes relevantes en la región (especialmente en Brasil, México y Argentina) y las lecciones que aportan; (2) el uso creciente de la inteligencia artificial en investigaciones forenses y detección de fraudes, incluyendo herramientas destacadas (machine learning, NLP, redes neuronales) y casos de uso; y (3) recomendaciones prácticas por industria (construcción, energía, banca, sector público), detallando controles sugeridos, riesgos típicos y tecnologías aplicables, adaptadas a la realidad latinoamericana.

Casos recientes de fraude en América Latina

La región ha sido escenario de sonados casos de fraude ocupacional en años recientes, que ilustran la variedad de esquemas ilícitos y sus consecuencias económicas e institucionales. A continuación, se presentan tres casos emblemáticos –en Brasil, México y Argentina– con detalles sobre el tipo de fraude, impacto, respuesta institucional y aprendizajes clave.

Brasil: Fraude contable en Americanas S.A.

Uno de los casos corporativos más grandes en Brasil fue el escándalo contable de Lojas Americanas, una de las mayores cadenas minoristas del país. En enero de 2023, Americanas reveló “inconsistencias contables” por más de R$20.000 millones (aprox. $4.000 millones de dólares), que resultaron ser un fraude contable encubierto por años.

El esquema involucraba la manipulación de cuentas por pagar a proveedores mediante prácticas como anticipos comerciales ficticios (las llamadas “verbas de propaganda cooperada” – VPC), lo que permitió ocultar pasivos y mostrar una posición financiera más saludable de la real.

Impacto económico: La revelación del fraude desencadenó un colapso bursátil de Americanas –sus acciones cayeron 77% en un solo día, evaporando R$8.340 millones (unos $1.670 millones USD) en valor de mercado – y llevó a la empresa a solicitar protección por bancarrota (recuperación judicial) con deudas totales de R$42.500 millones ($8.500 millones). En dos años, los accionistas minoritarios vieron destruirse el 99,5% de su inversión, y ahora buscan unos R$32.000 millones ($6.400 millones) en indemnizaciones vía arbitraje.

Aprendizajes: El fraude de Americanas expuso graves fallas de gobierno corporativo y controles financieros. A pesar de ser una empresa listada y auditada, se pudo ocultar por años un pasivo enorme, lo que ha generado un replanteamiento de las prácticas contables y la supervisión regulatoria en Brasil.

Este escándalo, calificado como el “Enron brasileño” por algunos analistas, marcó un hito para el mercado financiero local y ha impulsado discusiones sobre la necesidad de mayor transparencia, fortalecimiento de auditorías internas y responsabilidades de los directorios. Asimismo, resalta la importancia de verificar agresivamente partidas contables complejas (como descuentos comerciales) y fomentar una cultura en la que se pueda reportar irregularidades sin represalias (whistleblowing).

El caso Americanas demuestra que ningún conglomerado está exento de fraude y que la confianza del mercado puede esfumarse de la noche a la mañana ante revelaciones de esta índole.

México: Desfalco y corrupción en Segalmex

En México, un caso paradigmático de fraude en el sector público es el desfalco ocurrido en Seguridad Alimentaria Mexicana (Segalmex), organismo gubernamental creado en 2019 para programas sociales de abasto de alimentos.

Este esquema ilícito ha sido comparado con la “Estafa Maestra” por su complejidad y monto, e incluso la supera: se estiman desvíos de fondos públicos por más de 15.000 millones de pesos (aprox. $750 millones USD) entre 2019 y 2021.

Aprendizajes: El caso Segalmex subraya riesgos endémicos en la gestión de programas públicos en Latinoamérica: controles internos débiles y supervisión insuficiente. A nivel operativo, resalta la importancia de implementar controles financieros básicos en entes públicos (segregación de funciones, monitoreo de compras, verificación de entregables) para evitar desviaciones tan prolongadas.

También evidencia la necesidad de mecanismos de rendición de cuentas transparentes: por ejemplo, publicar licitaciones y resultados, auditorías externas frecuentes, y fortalecer la protección a denunciantes internos que alerten de irregularidades. Así como también: revisar los procesos de contratación pública, digitalizar controles para reducir discrecionalidad, y establecer comités de ética independientes.

Argentina: Fraude corporativo y quiebra de Vicentin

En Argentina, un caso destacado es el de Vicentin S.A., una de las mayores agroexportadoras del país, que en 2019 entró en cesación de pagos revelando luego presuntos fraudes masivos.

Vicentin, empresa familiar líder en exportación de soja y otros granos, se declaró en “estrés financiero” a fines de 2019 con un pasivo superior a USD 1.300 millones, dejando a cientos de acreedores (particularmente productores agrícolas locales y bancos) sin cobrar. Investigaciones posteriores sugieren que la compañía incurrió en fraude contable y financiero para obtener crédito y desviar fondos antes de colapsar.

Aprendizajes: El caso Vicentin pone de relieve los riesgos de fraude financiero en empresas privadas grandes y las consecuencias sistémicas que puede acarrear.

A nivel cultural, Vicentin muestra cómo en entornos de empresa familiar cerrada puede haber reticencia a la transparencia; adoptar prácticas de gobierno corporativo modernas (con consejos independientes, cumplimiento normativo robusto, comités de auditoría) es crucial para evitar que la toma de malas decisiones.

Uso de Inteligencia Artificial en la investigación forense y detección de fraudes

La creciente complejidad y volumen de los datos empresariales han llevado a que las técnicas tradicionales de auditoría y detección de fraude resulten, en muchos casos, insuficientes para descubrir patrones sutiles o esquemas sofisticados.

En este contexto, la Inteligencia Artificial (IA) –particularmente el machine learning (aprendizaje automático) y el análisis avanzado de datos– se ha convertido en un aliado estratégico en las investigaciones forenses y la prevención/detección de fraudes. A continuación, se explora cómo se utiliza la IA en este campo, las herramientas y tecnologías destacadas, y ejemplos de aplicación reales o potenciales.

Automatización y análisis de grandes volúmenes de datos: Los algoritmos de IA/ML pueden procesar masivamente transacciones financieras, registros y comunicaciones a una velocidad muy superior a la humana, identificando patrones o anomalías ocultas.

Por ejemplo, el Departamento del Tesoro de EE.UU. anunció en 2024 que logró recuperar más de $1.000 millones en fraudes con cheques gracias al uso de algoritmos de ML que escrutaron enormes conjuntos de datos bancarios, aislando transacciones sospechosas en una fracción del tiempo que tomaría una revisión manual.

Este caso real demuestra el poder de la IA: se triplicó la detección de fraudes respecto al año anterior simplemente por aplicar modelos que aprenden a reconocer señales de fraude en imágenes digitalizadas de cheques y series numéricas. Del mismo modo, según una encuesta de Thomson Reuters, casi 1 de cada 5 organismos públicos (a nivel global) ya utiliza o planea utilizar IA/ML para detectar comportamientos sospechosos y patrones de facturación anómalos, lo que refleja la adopción institucional de estas tecnologías en la lucha contra corrupción y fraude.

Detección de anomalías mediante Machine Learning: Una aplicación central de la IA en auditoría forense es el detector de anomalías en datos financieros. Los modelos de machine learning pueden establecer una línea base de lo que constituye un comportamiento “normal” en ciertas transacciones o cuentas, y luego alertar sobre desviaciones significativas.

Por ejemplo, detectar una “señal fuera de patrón” como un pico repentino en compras desde una misma cuenta, transacciones en horarios inusuales o fraccionamiento de pagos para eludir aprobaciones, son tareas en las que los algoritmos superan a las reglas fijas tradicionales. En la práctica, esto permite señalar posibles fraudes en tiempo casi real: un sistema bancario dotado de ML podría frenar automáticamente una transferencia sospechosa entre filiales antes de su liquidación si identifica que se aparta de los patrones históricos legítimos (por monto, destino, horario, etc.).

Se emplean tanto modelos supervisados (entrenados con ejemplos de fraudes conocidos frente a operaciones legítimas) que clasifican transacciones como posiblemente fraudulentas, como modelos no supervisados (clustering, autoencoders, etc.) que descubren estructuras inusuales sin conocimiento previo, detectando incluso esquemas nuevos no vistos con anterioridad. La combinación de ambos enfoques mejora la robustez, reduciendo falsos negativos (pasar fraudes por alto) y aprendiendo continuamente de nuevos incidentes.

Procesamiento de Lenguaje Natural (NLP) y análisis de comunicaciones: Otra dimensión crucial es aplicar IA a datos no estructurados. Gran parte de la evidencia de fraude puede esconderse en correos electrónicos, mensajes, reportes escritos y contratos. Mediante técnicas de Procesamiento de Lenguaje Natural (NLP), es posible cribar millones de mensajes para identificar indicios de conducta fraudulenta: por ejemplo, el NLP puede detectar patrones de lenguaje de alerta o relaciones dudosas entre individuos mencionados en correos.

Un caso de uso es identificar e-mails donde se discutan “pagos en efectivo”, “acuerdos bajo la mesa” o un lenguaje inusualmente encriptado entre un empleado y un proveedor – señales de posible colusión. También se utiliza NLP para realizar análisis de sentimientos y prioridades: por ejemplo, en la investigación de una malversación, filtrar comunicaciones del sospechoso para encontrar mensajes con tono urgente sobre movimientos de dinero o referencias a terceros implicados.

Asimismo, modelos de reconocimiento óptico de caracteres (OCR) combinados con IA permiten extraer texto de facturas, recibos y documentos escaneados, integrándolos al análisis. De esta forma, un auditor forense puede comparar automáticamente datos de facturas físicas contra registros contables para descubrir discrepancias o duplicados (indicando facturas falsas o infladas). En suma, la IA amplía la capacidad de las investigaciones al abarcar fuentes de información heterogéneas –transacciones, texto, imágenes– y conectarlas. Empresas globales ya implementan soluciones de NLP para monitorear chats internos o comunicaciones con terceros en busca de red flags de fraude (como lenguaje inusualmente secreto, términos asociados a sobornos, etc.).

Herramientas y tecnologías destacadas: En la práctica, la IA para forensia se materializa en diversas herramientas. Por un lado, existen plataformas de detección de fraudes en tiempo real, que emplean redes neuronales para analizar cada transacción con cientos de variables en milisegundos (muy útil contra fraude electrónico y ciberfraude).

Por otro lado, en auditoría financiera se han desarrollado soluciones que aplican algoritmos avanzados a libros contables completos para señalar entradas atípicas o de alto riesgo (por ejemplo, asientos contables manuales hechos en fin de semana, ajustes contables justo antes de cierre de trimestre, etc.). Estas herramientas incorporan machine learning entrenado con datos históricos de fraudes contables para puntuar transacciones con un “riesgo de fraude”.

Otro campo emergente es el uso de aprendizaje automático en gráficos (Graph Machine Learning) para detectar redes de colusión o conflictos de interés – por ejemplo, identificando que varios proveedores aparentemente independientes comparten datos bancarios o direcciones, lo que sugiere un entramado fraudulento en licitaciones.

Adicionalmente, la Generative AI está encontrando un nicho en la generación de datos sintéticos para entrenar modelos cuando los casos de fraude reales son escasos (respetando privacidad), e incluso en la automatización de ciertas tareas de investigación: se están probando chatbots internos que, alimentados con la documentación de un caso, pueden contestar preguntas del auditor (“¿Qué pagos hizo el sospechoso X a la empresa Y en 2022?”) agilizando la revisión de expedientes.

Desafíos y consideraciones: No obstante sus ventajas, implementar IA en forensia conlleva desafíos. Los modelos requieren datos de calidad y etiquetados para entrenar; en Latinoamérica, muchas organizaciones tienen problemas de registro o informalidad en datos, que limitan inicialmente la efectividad de la IA.

Además, los algoritmos pueden producir falsos positivos (señalar como anómalo algo válido) si no se calibran al contexto local – por ejemplo, ciertos patrones de negocio en efectivo típicos de la región podrían parecer “fraudulentos” bajo una óptica puramente estadística. Por eso, es crucial que la adopción de IA venga acompañada de la experiencia de analistas forenses que revisen los hallazgos.

También surgen consideraciones éticas y de privacidad: el análisis de comunicaciones internas vía NLP debe equilibrarse con marcos legales (p. ej., leyes de protección de datos personales) y políticas laborales claras.

A pesar de estos retos, la tendencia es clara: la integración de IA/ML en los marcos de cumplimiento y auditoría está fortaleciendo las defensas anti-fraude. Según la ACFE, las organizaciones con programas de monitoreo proactivo de datos lograron reducir las pérdidas por fraude en más de un 50%, lo que valida la inversión en tecnología.

En resumen, la IA no reemplaza la labor del auditor forense, pero potencia significativamente su alcance, permitiendo pasar del enfoque reactivo (forense tras el hecho) a uno más proactivo y preventivo, identificando riesgos antes de que se materialicen en fraudes consumados.

CONCLUSIONES

Los fraudes ocupacionales continúan representando una amenaza seria para las organizaciones latinoamericanas, tanto en el ámbito privado como en el público. El reporte de 2024 de la ACFE evidenció que la región enfrenta pérdidas más altas por caso y detecciones más tardías que otras partes del mundo, lo cual demanda redoblar esfuerzos en prevención, detección temprana y sanción efectiva.

Los casos analizados –Americanas, Segalmex, Vicentin– muestran que ningún sector es inmune: desde grandes corporaciones hasta agencias gubernamentales, los controles pueden fallar si no se actualizan y refuerzan constantemente. No obstante, cada caso aporta lecciones valiosas que, si se asimilan, pueden impulsar mejoras sistémicas.

La incorporación de inteligencia artificial y analítica avanzada se vislumbra como un cambio de juego en la lucha antifraude. Estas tecnologías habilitan a los auditores e investigadores a descubrir patrones ocultos y manejar volúmenes de datos imposibles de abordar manualmente, haciendo más efectiva la vigilancia.

Su adopción en Latinoamérica va en aumento, y con el marco adecuado (calidad de datos, supervisión humana, respeto a la privacidad) contribuirán a organizaciones más resilientes frente al fraude.

Por último, las estrategias antifraude deben ser específicas por industria. Un enfoque único no funciona igual de bien en todos los sectores. Implementarlas requiere inversión y compromiso de liderazgo, pero los beneficios son claros: reducción de pérdidas, mejora de la reputación, cumplimiento regulatorio y, en última instancia, mayores niveles de confianza de los stakeholders.

En síntesis, el fraude ocupacional en América Latina puede y debe ser abordado con una combinación de controles fortalecidos, innovación tecnológica y cultura ética. Las organizaciones que integren estas dimensiones en su estrategia de prevención y detección estarán mejor preparadas para anticiparse al fraude, minimizando su incidencia e impacto.

Como socios estratégicos, los especialistas forenses tenemos el reto de guiar este proceso, aportando nuestra experiencia en la construcción de entornos de negocios y gubernamentales más íntegros, transparentes y sostenibles en el tiempo. El camino no es sencillo, pero los avances recientes permiten vislumbrar una mejora tangible si se mantienen la voluntad y el rigor técnico en la cruzada contra el fraude.

Fuentes:

Association of Certified Fraud Examiners (2024). Occupational Fraud 2024: A Report to the Nations .

Rio Times (2025). Americanas Fraud: Two Years After Brazil’s Largest Accounting Scandal .

Reuters (2024). Brazil accuses former Americanas executives of insider trading .

El País (2023). El caso del desfalco de Segalmex .

Ámbito (2023). Causa Vicentin: delitos económicos .

CRA Insights (2025). Harnessing AI/ML to combat fraud .

ACFE – Comunicado de prensa (2024) y Blog ACFE Insights (2024) .

ACFE (2024). Infographic: Key Findings .

[1] LATAM Forensics practice Co Leader. Líder de la práctica de Fraudes, Investigaciones y Disputas de BDO Argentina.