Creación de Sentinel: razonamiento con IA para clasificar alertas AML con un registro de auditoría completo
Cómo SEYSO Services creó Sentinel —una capa de clasificación AML lista para producción que se integra sobre cualquier sistema de monitoreo de transacciones y reduce entre un 40–60% las alertas de falsos positivos, con evidencia citada y trazabilidad regulatoria completa.
40–60%
Falsos positivos cerrados automáticamente
4–12s
Por alerta
100%
Trazable para auditoría
3
Módulos · 1 patrón
Tu sistema TM genera un 95% de falsos positivos. Tus investigadores lo saben.
Un banco mediano genera decenas de miles de alertas AML al año. Entre el 90% y el 98% son falsos positivos. Cada una la revisa manualmente un investigador capacitado que recopila 90 días de historial de transacciones, consulta alertas previas del cliente, compara su comportamiento con referencias de sus pares, revisa datos KYC y de partes relacionadas, y redacta la justificación de la resolución. Cuatro de esos cinco pasos son de recopilación —no de juicio profesional.
El modelo de servicios de ajuste de las cuatro grandes consultoras no ha cambiado esta cifra en una década. El cuello de botella no está en el motor de reglas, sino en lo que sucede después de que se activa una regla.
Qué es Sentinel y qué no es
Sentinel es la capa de razonamiento que se sitúa sobre tu sistema de monitoreo de transacciones existente. No reemplaza Actimize, SAS, Verafin, Oracle FCCM ni tus sistemas internos. Para cada alerta que genera tu sistema, Sentinel:
- Reúne 90 días de historial de transacciones, alertas previas, referencias de pares y KYC en un único bloque de contexto.
- Ejecuta un análisis de Claude en dos pasadas: la primera produce un análisis estructurado y la segunda lo revisa buscando señales de alerta omitidas.
- Emite una resolución validada con Pydantic (
clear · clear_with_note · escalate_to_l2 · escalate_to_sar · request_additional_info) con evidencia citada. - Registra cada entrada, salida e identificador de versión en el registro de auditoría.
El investigador ve un caso preparado, no una pantalla de clasificación: una puntuación de probabilidad con razonamiento calibrado, señales de alerta con ID de transacciones citados, factores atenuantes del historial real del cliente, una resolución recomendada y preguntas concretas que responder cuando hace falta juicio profesional.
Tres módulos, un patrón arquitectónico
El mismo patrón de razonamiento aplicado a tres colas AML estructuralmente distintas. La receta común: salida estructurada validada con Pydantic, analizador y revisión crítica en dos pasadas, evidencia citada en cada afirmación y registro de auditoría completo.
01 · Clasificación
Análisis de comportamiento de alertas TM con amplio contexto. Recopila 90 días de historial de transacciones, estadísticas de referencia de pares y alertas previas. Prefijo de auditoría AN_*.
02 · Lista de vigilancia
Evaluación de coincidencia de identidad y jurisdicción para coincidencias aproximadas en sanciones / PEP. Contexto ligero y reparto híbrido de modelos (Haiku 4.5 en la primera pasada, Sonnet 4.5 en la revisión) para mantener bajos los costos sin sacrificar rigor en las decisiones importantes. Prefijo de auditoría WL_AN_*.
03 · SAR
Posterior a la clasificación. Consume el resultado previo FinalAnalysis y redacta una narrativa del formulario 111 de FinCEN, con 7 secciones fijas (quién, qué, cuándo, dónde y por qué, más cómo y acciones), cada afirmación citada y ambas pasadas con Sonnet para texto regulado de alta importancia. Prefijo de auditoría SAR_AN_*. La trazabilidad desde alerta → clasificación → SAR se registra explícitamente.
Los principios innegociables que guiaron cada decisión
Cuando nos sentamos a crear esto, anotamos cinco cosas en las que no cederíamos y rechazamos funciones que habrían supuesto incumplirlas.
- Cada justificación cita ID de transacciones o datos concretos del cliente. Sin razonamientos vagos. Esto hace que el resultado pueda justificarse ante una auditoría y es lo primero que examinarán los reguladores y responsables BSA.
- Solo salidas estructuradas. Cada llamada a Claude devuelve JSON validado con Pydantic. Sin análisis posterior de texto libre.
- Razonamiento en dos pasadas. La primera pasada analiza; la segunda revisa críticamente la primera buscando señales de alerta omitidas. Ambas quedan registradas.
- Registro de auditoría completo. Se registran cada decisión de IA, la versión del prompt, la versión del modelo, el hash del contexto de entrada y la resolución humana. Un regulador debe poder reconstruir cualquier decisión meses después.
- Nunca se usan datos personales reales en la demostración. El entorno de pruebas funciona con datos 100% sintéticos. Los servicios contratados se trasladan a tu entorno bajo tus controles de riesgo de modelos.
Tecnologías
Convencional donde conviene; sofisticado donde importa.
- Capa de datos: DuckDB: analítica integrada en un único archivo. Ideal para la portabilidad de la demostración y fácilmente trasladable a tu almacén de datos existente en un servicio contratado.
- Backend: Python 3.11+, FastAPI y Pydantic para validación de esquemas.
- Razonamiento: Anthropic SDK: Claude Sonnet para ambas pasadas de clasificación y el redactor SAR; Haiku para la primera pasada de lista de vigilancia, donde el costo importa y la segunda pasada realiza una revisión crítica de todos modos.
- Frontend: React + Vite, Tailwind, Recharts, shadcn/ui: autónomo para el entorno comercial de pruebas; reemplazable por tu interfaz de investigadores en los servicios contratados.
- Auditoría: Registros JSON por análisis en
audit/logs/. Un registro por decisión, completamente autónomo.
Tres casos de demostración que lo prueban
La demostración comercial recorre exactamente tres alertas. Son el producto, no material publicitario.
Riverbend Hardware · puntuación 12/100 · descarte automático
Una regla de fraccionamiento se activa para el propietario de una pequeña empresa con 24 meses de historial constante de depósitos en efectivo. Sentinel la descarta en 4 segundos con comparaciones citadas de períodos anteriores.
Apex Global Trading · puntuación 90/100 · escalar a SAR
Una transferencia entrante de $187,500 desde las Islas Vírgenes Británicas, un ACH de $185,000 a una entidad relacionada cinco horas después y un beneficiario final compartido. Sentinel escala el caso con una cadena completa de evidencia y una cita de un aviso de FinCEN en ~12 segundos. El redactor SAR toma entonces el mismo FinalAnalysis y produce una narrativa de siete secciones del formulario 111.
Northgate Realty · puntuación 48/100 · revisión humana
Actividad de transferencias por importes redondos que podría corresponder a cierres inmobiliarios legítimos, o a otra cosa. Sentinel la marca para revisión con preguntas concretas que el investigador debe plantear al contactar al gestor de la relación. Este es el patrón: los casos ambiguos mantienen plenamente al humano en el proceso, con la evidencia ya a su disposición.
Qué haremos por tu equipo
Un servicio de prueba de valor de dos semanas, con tarifa fija. Trabajamos con tus datos depurados o sintéticos. Hasta cinco tipologías y hasta 10,000 alertas históricas. Te llevas un entorno de pruebas funcional en tu infraestructura, una biblioteca de prompts adaptada a tu taxonomía, documentación de riesgo de modelos acorde con tu equipo MRM y un resumen ejecutivo para el consejo directivo.
Para consultar el desglose completo —módulos, diagrama de arquitectura, capturas del entorno de pruebas en vivo y cálculos de ahorro de tiempo para tres escalas—, visita la página del producto Sentinel .
Conversa con nosotros durante treinta minutos.
Te mostraremos los tres casos de demostración con datos en vivo, responderemos preguntas sobre riesgo de modelos y volveremos en una semana con un alcance de prueba de valor adaptado a tu taxonomía.