En los sistemas de lucha contra el blanqueo de capitales basados en blockchain, uno de los retos operativos más relevantes es decidir a qué nivel granular se asignan las puntuaciones de riesgo. Tradicionalmente, los modelos pueden evaluar transacciones individuales o direcciones de actores, pero las acciones de compliance recaen sobre personas o entidades. Esta discrepancia entre la unidad de análisis y la unidad de acción introduce una variable de diseño crítica: la granularidad del scoring. Investigaciones recientes sobre grafos de transacciones como Elliptic++ han demostrado que, incluso manteniendo el mismo conjunto de datos y presupuesto de revisión, las colas de investigación resultantes difieren significativamente según se priorice a nivel de transacción o de actor. El solapamiento entre ambas colas es bajo, lo que implica que la elección de granularidad determina qué direcciones se investigan y cuáles quedan fuera.

Desde una perspectiva analítica, la agregación de puntuaciones de transacciones a nivel de actor requiere operadores como el máximo, mínimo o promedio, cada uno con sesgos distintos. Por ejemplo, usar el máximo puede sobredimensionar el riesgo de una dirección con una sola transacción sospechosa, mientras que el promedio diluye señales fuertes. Los experimentos con métodos de aprendizaje automático supervisado, como los bosques aleatorios, revelan que las colas basadas en transacciones tienden a concentrar una mayor proporción de ilícitos en los primeros puestos, pero su cobertura temporal es errática. En cambio, las colas a nivel de actor ofrecen una carga más estable pero menor densidad de casos positivos. Esta compensación debe ser evaluada cuidadosamente por los equipos de cumplimiento normativo, especialmente cuando los recursos son limitados. La posibilidad de desplegar agentes IA que ajusten dinámicamente la granularidad según el contexto podría mejorar la eficiencia de las investigaciones.

Para las organizaciones que operan en el ecosistema blockchain, contar con una infraestructura tecnológica flexible es clave. Implementar modelos de inteligencia artificial para empresas que permitan probar distintos niveles de granularidad sin comprometer la velocidad de procesamiento es posible gracias a plataformas cloud. Los servicios cloud AWS y Azure ofrecen entornos escalables para entrenar y servir estos modelos. Además, integrar soluciones de business intelligence como Power BI facilita la visualización de métricas como la carga de casos y el rendimiento por nivel de riesgo. En este contexto, el desarrollo de aplicaciones a medida se convierte en un habilitador fundamental: las aplicaciones a medida pueden incorporar lógica de agregación personalizada, reglas de priorización y mecanismos de retroalimentación que mejoran continuamente la detección. Q2BSTUDIO, como partner tecnológico, puede ayudar a diseñar sistemas AML que equilibren precisión y operatividad, aprovechando técnicas de ciberseguridad para proteger los datos sensibles y garantizar la integridad de las evaluaciones.

En definitiva, la granularidad del scoring no es un detalle técnico menor, sino una decisión estratégica que impacta directamente en la efectividad de los programas AML. Las empresas que deseen optimizar sus procesos de investigación deben considerar tanto el solapamiento entre colas como la distribución temporal de los casos. La combinación de análisis avanzado, automatización y visualización, apoyada en servicios cloud e inteligencia artificial para empresas, ofrece un camino para afrontar este desafío con mayor certidumbre. En lugar de adoptar una única granularidad fija, los equipos de cumplimiento pueden beneficiarse de enfoques híbridos y adaptativos, donde la granularidad se ajuste según el perfil de riesgo de cada actor o la criticidad del momento. La evidencia empírica respalda que el mismo presupuesto puede producir resultados muy diferentes, y solo con herramientas adecuadas se puede navegar esa complejidad.