Español
← Todos los productos
Sentinel ◆ Clasificación · Lista de vigilancia · SAR

Tu sistema de monitoreo de transacciones genera un 95% de falsos positivos.

Tus investigadores lo saben. Sentinel es la capa de razonamiento que lo resuelve: clasificación de alertas AML asistida por IA, con evidencia citada y un registro de auditoría completo, diseñada para integrarse sobre Actimize, SAS, Verafin, Oracle FCCM o cualquier sistema de monitoreo interno.

40–60%

Volumen de alertas descartadas automáticamente

4–12 s

Análisis por alerta

100%

Trazable para auditoría

$1B–$50B

Rango ideal de activos bajo gestión

El costo oculto

Cuatro de cinco pasos de investigación son de recopilación, no de juicio profesional.

Por alerta · investigador L1

15–45 min

  • Recopilar 90 días de historial de transacciones
  • Consultar alertas previas del cliente
  • Comparar el comportamiento con referencias de pares
  • Revisar KYC y datos de partes relacionadas
  • Redactar la justificación de la resolución ← la parte que siempre necesitó a una persona

Por alerta · con Sentinel

4–12 s

Sentinel reúne el contexto. Un análisis de Claude en dos pasadas devuelve una resolución estructurada con evidencia citada. El investigador revisa un caso preparado, no una pantalla de clasificación.

Los casos sencillos se descartan automáticamente con justificaciones citadas. Los ambiguos llegan con preguntas concretas para que responda el investigador. Los difíciles mantienen plenamente al humano en el proceso, con la evidencia ya a su disposición.

Cuánto vale esto

Los números en tres escalas diferentes.

Supuestos conservadores: 30 minutos de tiempo medio de gestión L1, reducción del 50% de la tasa de falsos positivos (punto medio del rango 40–60%) y salario de analista L1 de $85,000 con todos los costos incluidos (USD).

$1B–$3B

Banco pequeño

12,000 alertas/año

Alertas descartadas automáticamente

6,000

Horas ahorradas

3,000

Equivalente en puestos a tiempo completo

1.6

Costo total anual recuperado

134.211 US$

Falsos positivos descartados 50%
El más común

$5B–$20B

Banco mediano

30,000 alertas/año

Alertas descartadas automáticamente

15,000

Horas ahorradas

7,500

Equivalente en puestos a tiempo completo

3.9

Costo total anual recuperado

335.526 US$

Falsos positivos descartados 50%

$20B–$50B

Neobanco / segundo nivel

80,000 alertas/año

Alertas descartadas automáticamente

40,000

Horas ahorradas

20,000

Equivalente en puestos a tiempo completo

10.5

Costo total anual recuperado

894.737 US$

Falsos positivos descartados 50%
Supuestos: Tiempo medio de gestión L1 de 30 minutos por alerta · reducción del 50% del volumen de falsos positivos (punto medio del rango observado de 40–60%) · salario de analista L1 de $85,000 con todos los costos incluidos · 1,900 horas de trabajo productivo al año. Las cifras reales varían según la combinación de tipologías, la tasa actual de falsos positivos y la experiencia del personal L1. Lo calibraremos con tus datos reales durante la prueba de valor.

Tres módulos · misma arquitectura

Un patrón de razonamiento, tres colas AML.

01

Clasificación

Análisis de comportamiento de alertas TM.

Recopila 90 días de historial de transacciones, referencias de pares, alertas previas y KYC. Ejecuta un análisis de Claude en dos pasadas. Devuelve una resolución estructurada (descartar · descartar con nota · escalar a L2 · escalar a SAR · solicitar información) con evidencia citada.

Contexto de 90 díasReferencia de paresRevisión crítica en dos pasadasResolución y justificación
02

Lista de vigilancia

Evaluación de coincidencias aproximadas en sanciones y PEP.

Coincidencia de identidad y análisis jurisdiccional de coincidencias aproximadas. El reparto híbrido de modelos (Haiku 4.5 en la primera pasada y Sonnet 4.5 en la revisión) mantiene bajos los costos sin perder rigor en las decisiones importantes.

Coincidencia de identidadRiesgo jurisdiccionalCombinación Haiku + SonnetRegistro de auditoría por coincidencia
03

SAR

Redacción de narrativas del formulario 111 de FinCEN.

Consume el análisis previo de clasificación y produce una narrativa de 7 secciones (quién, qué, cuándo, dónde y por qué, más cómo y acciones). Cada sección contiene citas; cada cita se remonta a un ID de transacción, campo KYC o alerta previa específicos.

Narrativa de 7 seccionesVinculado a citasSonnet en ambas pasadasTrazabilidad: alerta → clasificación → SAR

El producto en tus manos

Tres casos del entorno de demostración.

Caso 1

Falso positivo evidente

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 citas.

Falso positivo evidente
Caso 2

Patrón real de estratificación

Apex Global Trading · puntuación 90/100 · escalar a SAR

Transferencia entrante de $187,500 desde las Islas Vírgenes Británicas, $185,000 a una entidad relacionada cinco horas después y beneficiario final compartido. Cadena de evidencia citada y referencia a un aviso de FinCEN, ~12 segundos.

Patrón real de estratificación
Caso 3

Realmente ambiguo

Northgate Realty · puntuación 48/100 · revisión humana

Actividad de transferencias por importes redondos que podría corresponder a cierres inmobiliarios legítimos o a estratificación. Sentinel la señala con preguntas concretas para el investigador.

Realmente ambiguo

Cómo está construido

Arquitectura: un patrón, trazable de principio a fin.

Origen

Tu sistema TM existente

Actimize · SAS · Verafin · Oracle FCCM · interno

Paso 1

Ensamblador de contexto

Transacciones de 90 días · alertas previas · KYC · referencias de pares

Paso 2

Razonamiento de Claude en dos pasadas

Analizador (Sonnet) → Revisión crítica (Sonnet) · JSON validado con Pydantic

Paso 3

Resolución estructurada y evidencia citada

Descartar · descartar con nota · escalar a L2 · escalar a SAR · solicitar información

Paso 4

Interfaz del investigador · caso preparado

Cola en React · señales de alerta · evidencia citada · acción recomendada

Siempre activo

Registro de auditoría: cada decisión es reproducible

Versión del prompt · versión del modelo · hash del contexto · pasadas sin procesar · resolución humana

Capa de datos

DuckDB · analítica integrada en un único archivo

Backend

Python 3.11+ · FastAPI · esquemas validados con Pydantic

Razonamiento

Anthropic SDK · Sonnet + Haiku · dos pasadas y revisión crítica

Frontend

React + Vite · Tailwind · shadcn/ui

Auditoría

JSON por análisis · hash del contenido · versión del prompt y del modelo

Despliegue

Funciona en tu entorno · sin flujos de datos hacia SaaS

Principios innegociables

  • Cada justificación cita ID de transacciones o datos concretos del cliente. Sin razonamientos vagos.
  • Solo salidas estructuradas. Cada llamada a Claude devuelve JSON validado con Pydantic.
  • Razonamiento en dos pasadas. Análisis y revisión crítica, ambos registrados.
  • Registro de auditoría completo por decisión. Reconstruible meses después.
  • Nunca datos personales reales. Solo datos sintéticos para la demostración. Tus datos, en tu entorno, para servicios contratados.
  • Se integra sobre tu sistema TM existente. Sincronizamos, nunca reemplazamos.

Cómo se implementa

Prueba de valor de dos semanas. Tarifa fija.

Trabajamos con tus datos depurados o sintéticos. Hasta 5 tipologías. Hasta 10,000 alertas históricas. Demostración presencial final para tus responsables de delitos financieros y cumplimiento. Documentación de riesgo de modelos adaptada a tu segunda línea de defensa.

Semana 101

Descubrimiento e ingesta de datos

Datos depurados o sintéticos de tu entorno. Definimos tus tipologías y tolerancia al riesgo. Ponemos en marcha el entorno de pruebas con tu esquema de alertas.

Semana 102

Ajuste de prompts y razonamiento

Calibramos los prompts del analizador según tu taxonomía de alertas. Evaluamos manualmente 30 alertas por tipología para confirmar la calidad de las justificaciones antes de escalar.

Semana 203

Registro de auditoría y documentación de riesgo de modelos

Configuramos el registro de auditoría completo: versión del prompt, versión del modelo, hash del contenido, pasadas sin procesar y resolución humana. Elaboramos documentación de riesgo de modelos para tu equipo MRM.

Semana 204

Demostración presencial

Demostración con tus datos para los responsables de delitos financieros y cumplimiento. Resumen ejecutivo para el consejo directivo y documentación MRM para tu segunda línea de defensa.

Te llevas

  • · Entorno de pruebas funcional en tu infraestructura
  • · Biblioteca de prompts adaptada a tus tipologías
  • · Documentación completa del registro de auditoría
  • · Resumen ejecutivo para el consejo directivo

Funciona sobre tus tecnologías

  • · DuckDB o tu almacén de datos existente
  • · Python + FastAPI, desplegado en tu VPC
  • · Anthropic API o AWS Bedrock (Claude)
  • · Sin necesidad de salida de datos hacia SaaS

Para quién es

  • · Bancos medianos ($1B–$50B en activos bajo gestión)
  • · Neobancos y fintechs que amplían sus operaciones AML
  • · Preparación ante medidas regulatorias / remediación para su cierre
  • · Unidades de inteligencia financiera que evalúan el ajuste del sistema existente

Siguiente paso

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. Servicio de dos semanas, tarifa fija y sin riesgo para los sistemas de producción.

SEYSO Services Inc. · Toronto, ON · info@seysoservices.com