Los agentes de IA de Apate se infiltran y convierten las llamadas fraudulentas en inteligencia contra el fraude
Los agentes de IA de Apate han participado en 2,5 millones de conversaciones haciéndose pasar por posibles víctimas de estafas, según la startup australiana. En lugar de mejorar la productividad en la oficina, estos agentes responden a llamadas, mensajes, correos electrónicos e invitaciones sociales sospechosos. Su misión es mantener a los estafadores conversando y extraer información antes de que una víctima real pierda dinero.
Este enfoque invierte la relación habitual entre la inteligencia artificial y el fraude en línea. Los grupos criminales ya utilizan IA para traducir guiones, fabricar identidades y operar a través de fronteras. Apate aplica capacidades conversacionales similares contra ellos, creando objetivos sintéticos que nunca transfieren dinero ni entregan credenciales reales.
La empresa afirma que sus agentes han consumido 17 años del tiempo colectivo de los estafadores. Sin embargo, el tiempo desperdiciado es solo el resultado visible. El producto más importante es la inteligencia contra el fraude, que incluye cuentas bancarias, billeteras de criptomonedas, números de teléfono, dominios de phishing y marcas suplantadas.
Esto sitúa a Apate en un terreno tradicionalmente ocupado por sistemas de supervisión bancaria, filtros de telecomunicaciones e investigadores humanos. Estas defensas suelen identificar comportamientos sospechosos después de que los estafadores ya han contactado con los clientes. Apate busca recopilar la infraestructura detrás de una campaña mientras el estafador todavía cree que una transacción es posible.
Por tanto, la cuestión central es más amplia que determinar si un chatbot puede frustrar a quien llama. Apate debe demostrar que las conversaciones engañosas producen inteligencia verificada con la rapidez suficiente para que sus clientes detengan campañas activas.
Los agentes de IA de Apate convierten a los estafadores en fuentes de inteligencia
El movimiento decisivo de Apate es tratar cada estafa interceptada como una operación de inteligencia, no simplemente como una interacción bloqueada.
Fundada en 2024 a partir de investigaciones realizadas en la Macquarie University de Sídney, Apate despliega miles de identidades fabricadas en canales de voz y texto. Las identidades varían por edad, género, acento, idioma y aparente habilidad técnica.
Un bot podría responder a una llamada fraudulenta de soporte técnico fingiendo estar confundido con la banca en línea. Otro puede responder a un mensaje de inversión y preguntar adónde deben enviarse los fondos. Los agentes de texto pueden entrar en foros sospechosos o grupos de inversión utilizando perfiles ficticios.
Estos agentes están diseñados para revelar los detalles operativos detrás de una estafa. Los resultados útiles pueden incluir cuentas de destino, direcciones de criptomonedas, direcciones de correo electrónico, sitios web, números telefónicos, guiones y marcas objetivo.
El cofundador de Apate, Brad Joffe, dijo a TechCrunch que los agentes de la empresa hablan con decenas de miles de estafadores cada día. Después, la compañía empaqueta la inteligencia de esas conversaciones para bancos, proveedores de telecomunicaciones, empresas de servicios públicos y organismos gubernamentales.
El informe sobre agentes encubiertos de la startup describe un sistema que opera mediante llamadas, mensajes, correo electrónico, sitios web y plataformas sociales. Los clientes también pueden asignar una misión específica, como obtener un destino de pago vinculado a una campaña sospechosa.
Esa estructura basada en misiones importa. Un chatbot convencional suele intentar satisfacer a la persona que lo utiliza. En cambio, los agentes de Apate persiguen un objetivo de investigación mientras mantienen una personalidad ficticia creíble.
Apate afirma que utiliza tanto modelos de frontera como modelos ajustados con conversaciones de estafas. El ajuste fino adapta un modelo general utilizando ejemplos específicos de una tarea. En este caso, esos ejemplos ayudan a los agentes a reconocer tácticas de estafa y seguir siendo convincentes bajo presión.
La empresa también ofrece a sus clientes un portal de información para supervisar campañas, productos objetivo, marcas suplantadas e indicadores extraídos. Estos indicadores pueden respaldar revisiones de cuentas, bloqueos de dominios, advertencias a clientes o investigaciones adicionales.
El resultado es un ciclo entre interacción y defensa. Una estafa sospechosa se redirige, el bot recopila información y el cliente decide si la información justifica una intervención.
Sin embargo, Apate no controla de forma independiente esas acciones finales. Su valor depende de que bancos, operadores de telecomunicaciones y organismos puedan validar y utilizar las pruebas recopiladas antes de que los estafadores sustituyan su infraestructura.
Por qué las defensas contra el fraude necesitan señales más tempranas
Apate está presionando a los equipos antifraude para que pasen de detectar daños ya consumados a investigar estafas mientras sus operadores aún buscan víctimas.
Los bancos supervisan tradicionalmente las transacciones en busca de destinos, importes o comportamientos inusuales. Los proveedores de telecomunicaciones analizan patrones de llamadas, identidades de remitentes y números maliciosos conocidos. Las defensas de navegadores y correo electrónico bloquean dominios o mensajes asociados con campañas denunciadas.
Cada capa sigue siendo necesaria. Sin embargo, muchas señales llegan después de que se haya producido el contacto. Un cliente puede ya estar hablando con un suplantador antes de que un número de teléfono acumule suficientes denuncias para activar un bloqueo.
Los estafadores también pueden rotar su infraestructura. Un número bloqueado puede ser reemplazado. Una página de phishing puede trasladarse a otro dominio, mientras el dinero robado puede pasar por múltiples cuentas o billeteras.
La apuesta de Apate es que la interacción directa puede revelar infraestructura de reemplazo antes. Un estafador que espera recibir un pago tarde o temprano debe proporcionar un destino. Un suplantador debe mencionar una institución, servicio u oportunidad de inversión. Esos detalles se convierten en posibles indicadores para los investigadores.
El desafío de los plazos es cada vez más urgente a medida que los delincuentes adoptan la IA. Las cifras de delitos relacionados con IA del FBI registraron 22.364 denuncias que contenían información relacionada con IA durante 2025. Las pérdidas ajustadas superaron los 893 millones de dólares.
Estas cifras no significan que la IA haya causado cada pérdida denunciada. Muestran que los medios sintéticos, las conversaciones automatizadas y las herramientas relacionadas aparecen ahora en un conjunto considerable de delitos denunciados.
Una investigación de Associated Press descubrió que grupos criminales utilizaban sistemas estadounidenses de IA para traducir mensajes y gestionar identidades fabricadas. La investigación sobre complejos de estafas documentó operaciones que atendían a víctimas en múltiples idiomas y países.
La automatización cambia la economía en ambos lados. Un trabajador criminal puede gestionar más conversaciones con respuestas generadas, mientras que el audio sintético puede hacer más convincente la suplantación. Por ello, los defensores necesitan sistemas capaces de procesar grandes volúmenes sin asignar un investigador humano a cada interacción.
Aquí es donde el modelo de Apate ejerce presión. Si la interacción automatizada produce de forma fiable detalles de pago y patrones de campaña, el filtrado pasivo comienza a parecer incompleto. Los equipos antifraude seguirían bloqueando tráfico sospechoso, pero también podrían interrogarlo.
Commonwealth Bank of Australia, TPG Telecom y otras organizaciones están probando esa propuesta. El organismo nacional australiano de denuncias contra estafas describe el trabajo de Commonwealth Bank con Apate y confirma el interés institucional más amplio en las contramedidas conversacionales.
El informe nacional sobre estafas afirma que el banco se asoció con Apate para desplegar bots de IA contra estafadores. También describe una prueba de concepto de TPG Telecom que implicaba llamadas fraudulentas redirigidas.
Estos despliegues dan a Apate acceso a tráfico de estafas sospechadas que una aplicación independiente para consumidores tendría dificultades para obtener. También dejan en manos de los socios la responsabilidad de decidir qué llamadas son lo bastante sospechosas como para redirigirse.
Esa dependencia crea tanto ventaja como riesgo. Apate puede escalar mediante redes establecidas, pero una clasificación deficiente en el borde de la red puede privar a su sistema de conversaciones útiles o redirigir erróneamente a llamantes legítimos.
Cómo funciona Apate antes de que se mueva el dinero
El mecanismo combina redirección de tráfico, personalidades sintéticas creíbles, persistencia conversacional y extracción estructurada de indicadores de fraude.
Apate comenzó con una observación sencilla de su fundador, Dali Kaafar. Durante un picnic familiar, al parecer mantuvo ocupado a un estafador telefónico durante 44 minutos fingiendo no entender el esquema.
El intercambio impidió que ese estafador se acercara a otra víctima durante esos minutos. También sugirió que una conversación prolongada podía revelar más que un simple número de teléfono.
Kaafar y otros investigadores de Macquarie University desarrollaron esa intuición hasta convertirla en un programa formal de investigación. Su proyecto de defensa proactiva involucró a la universidad, Apate, Commonwealth Bank y la Office of National Intelligence de Australia.
El proyecto describía un bot conversacional multilingüe que recibe llamadas ya identificadas como sospechosas. Después presenta una personalidad de víctima convincente, prolonga la interacción y extrae inteligencia sobre amenazas casi en tiempo real.
Ese primer paso de clasificación es crucial. Apate no se limita a llamar a personas al azar fingiendo ser otra persona. En sus despliegues con empresas de telecomunicaciones, las llamadas sospechosas de estafa pueden redirigirse a un entorno controlado.
Una vez conectado, el agente procesa el habla de quien llama y elige respuestas que preservan la confianza del estafador. Una patente de prevención de estafas correspondiente describe respuestas seleccionadas para prolongar las llamadas, incluida la atención a las emociones y a las señales de salida de la conversación.
Una personalidad creíble necesita coherencia. El agente no puede afirmar ser jubilado en una frase y describir que está en la escuela en la siguiente. Debe recordar detalles, gestionar interrupciones y evitar completar la transacción perjudicial.
La voz es solo una parte del sistema. Apate afirma que sus agentes de texto pueden responder a correos electrónicos, seguir enlaces de phishing, entrar en grupos sospechosos y continuar conversaciones en plataformas web.
Esta cobertura más amplia refleja cómo las estafas modernas cruzan canales. Un primer mensaje puede llegar por SMS, seguido de una aplicación de mensajería, un sitio web fraudulento, una llamada telefónica y una transferencia de criptomonedas.
A los agentes de Apate se les pueden asignar objetivos de extracción dentro de esas conversaciones. Un banco podría priorizar números de cuenta de beneficiarios. Una investigación sobre criptomonedas podría buscar direcciones de billeteras, mientras que una marca podría centrarse en dominios y guiones de suplantación.
Los datos extraídos luego requieren normalización. Diferentes agentes pueden encontrar variaciones del mismo número de teléfono, billetera, nombre o dominio. Se supone que la capa de inteligencia de Apate conecta esas observaciones y las presenta como pruebas a nivel de campaña.
Según la empresa, TPG Telecom ha desviado casi 590.000 llamadas a sus agentes. Apate también afirma que un banco australiano no identificado utilizó agentes salientes para interrumpir 22 campañas de estafa.
Estas cifras describen actividad, no eficacia auditada de forma independiente. Una llamada desviada no representa automáticamente una pérdida evitada. Del mismo modo, una cuenta bancaria descubierta requiere verificación antes de que una institución financiera pueda restringirla.
Apate afirma que Commonwealth Bank experimentó una reducción del 76 por ciento en las pérdidas por estafas comunicadas públicamente. Esta afirmación requiere una atribución cuidadosa, ya que muchos controles pueden influir en las cifras de pérdidas. La educación al cliente, la supervisión de transacciones, las normas de reembolso y cambios más amplios del mercado pueden afectar al resultado.
La evidencia inmediata más sólida es más acotada. Las instituciones están redirigiendo tráfico sospechoso real, los agentes conversacionales están manteniendo interacciones y esos intercambios generan identificadores que los equipos existentes de lucha contra el fraude pueden investigar.
La verdadera competencia es inteligencia proactiva frente a bloqueo reactivo
El principal rival de Apate no es otra empresa de chatbots. Es la premisa de que la defensa contra el fraude debe esperar a una transacción detectable o a la denuncia de una víctima.
Los sistemas reactivos tienen una ventaja importante: operan sobre eventos observables. Un banco puede inspeccionar un intento de pago. Un proveedor de telecomunicaciones puede medir la frecuencia de llamadas. Un servicio de correo electrónico puede comparar un enlace con dominios maliciosos conocidos.
La interacción proactiva funciona con menor certeza. Una persona que llama de forma sospechosa podría ser un estafador, un comercial agresivo o una persona legítima atrapada por un filtro imperfecto. La información extraída puede ser falsa, reciclada o introducida deliberadamente.
Apate acepta esa incertidumbre a cambio de acceso más temprano. Sus agentes buscan llegar al punto en que un estafador revela infraestructura de pago, métodos operativos o identidades coordinadas.
El enfoque se asemeja a un honeypot, un sistema señuelo diseñado para atraer atacantes y revelar su comportamiento. Los honeypots tradicionales de ciberseguridad exponen servidores o credenciales falsos. Apate extiende el concepto a las relaciones en lenguaje natural.
Esta capa conversacional importa porque la ingeniería social depende de la confianza y de la escalada. Los metadatos técnicos pueden mostrar dónde se originó una llamada, pero el diálogo puede revelar el problema inventado, la acción solicitada, la organización suplantada y la ruta de pago prevista.
Los competidores y productos adyacentes atacan distintas partes de la secuencia. Los filtros de telecomunicaciones identifican tráfico sospechoso antes de que se conecte una llamada. Los bancos evalúan pagos antes de la liquidación. Las empresas de análisis de blockchain rastrean fondos después de que se conoce una dirección.
Los investigadores humanos también realizan operaciones de scam-baiting y trabajo encubierto. Pueden reconocer el contexto, improvisar estratégicamente y aplicar criterio cuando una conversación se vuelve delicada. Su limitación es el coste y la disponibilidad.
Apate no está sustituyendo las cuatro capas. Propone una capa automatizada de recopilación entre la detección y la intervención financiera. Esa capa intenta convertir un contacto sospechoso en evidencia.
La distinción explica por qué hacer perder tiempo a los estafadores no es suficiente. Un defraudador puede mantener muchas conversaciones simultáneas o usar automatización. Mantener activa una sesión pierde valor cuando el coste marginal del atacante se aproxima a cero.
La inteligencia de alta calidad puede conservar su valor incluso en ese escenario. Una cuenta de pago, una wallet o un dominio reutilizable conectan la conversación con infraestructura que los defensores pueden investigar en muchos casos.
Sin embargo, la competencia sigue siendo desigual. Los delincuentes pueden poner a prueba a quienes llaman en busca de señales de voz sintética, hacer preguntas adversariales o proporcionar a los bots identificadores inventados. También pueden trasladar las conversaciones a plataformas donde la recopilación automatizada enfrenta restricciones técnicas o de políticas.
Es probable que los agentes de IA de ambos lados mejoren. Los estafadores utilizarán modelos para generar guiones más adaptativos. Los defensores utilizarán modelos para sondear esos guiones y conectar indicadores repetidos.
Esto crea un ciclo de retroalimentación adversarial. Cada conversación puede mejorar los modelos del defensor, pero también puede enseñar a los estafadores cómo se comportan los bots. El secreto operativo, las actualizaciones de modelos y las personas variadas se convierten en requisitos defensivos centrales.
Por tanto, el camino de Apate es más exigente que crear una demostración conversacional. La empresa debe mantener agentes creíbles frente a oponentes que aprenden, ponen a prueba y se adaptan activamente.
Lo que las cifras de Apate aún no demuestran
El volumen de conversaciones demuestra escala, pero la métrica decisiva es con qué frecuencia la inteligencia de Apate evita daños sin interrumpir comunicaciones legítimas.
La empresa afirma que sus agentes han mantenido 2,5 millones de conversaciones y consumido 17 años del tiempo de los estafadores. Son cifras memorables, pero ninguna mide directamente las pérdidas evitadas.
Una conversación larga podría no producir información utilizable. Una interacción breve podría revelar inmediatamente una cuenta bancaria. Medir solo los minutos puede premiar una interacción que suena impresionante sin mejorar los resultados para los clientes.
Los indicadores extraídos también tienen distintos niveles de fiabilidad. Un número de teléfono puede ser suplantado, un sitio web puede desaparecer y una cuenta bancaria puede pertenecer a una mula de dinero manipulada. Un estafador podría proporcionar deliberadamente los datos de otra persona.
Por ello, los clientes necesitan puntuaciones de confianza, registros de procedencia y revisión humana. La procedencia explica de dónde proviene una pieza de inteligencia y cómo ha cambiado. Sin ella, los investigadores no pueden distinguir un indicador sólido de la interpretación errónea de un agente.
Los falsos positivos tienen consecuencias reales. Congelar la cuenta de una persona inocente o bloquear el número de una empresa legítima puede causar perjuicios financieros. También puede erosionar la confianza en el sistema más amplio de lucha contra el fraude.
El tratamiento de datos plantea otra cuestión sin resolver. Las conversaciones de estafa pueden contener información personal de presuntos delincuentes, víctimas, mulas de dinero o terceros no relacionados. Las distintas jurisdicciones imponen reglas diferentes para registrar, procesar, conservar y compartir esa información.
Apate afirma que su plataforma prioriza la privacidad, el cumplimiento normativo y el intercambio controlado de inteligencia. La información disponible públicamente no ofrece suficiente detalle para evaluar sus periodos de conservación, los límites del entrenamiento de modelos o los procedimientos de auditoría de clientes.
La dependencia de modelos introduce otra pregunta. Según se informa, Apate combina modelos de frontera con sus propios sistemas ajustados. Las políticas de modelos externos, la latencia, las interrupciones y los cambios en el comportamiento de seguridad podrían afectar al rendimiento de los agentes.
Los agentes también deben resistir la inyección de prompts, que ocurre cuando un texto hostil intenta anular las instrucciones asignadas a un modelo. Un estafador que sospeche de un bot podría ordenarle revelar prompts internos, abandonar su persona o generar contenido prohibido.
Una resistencia eficaz exige más que un prompt de sistema sólido. Apate necesita herramientas restringidas, almacenes de datos separados, supervisión y salvaguardas que impidan que una conversación desencadene acciones no autorizadas.
También existe el riesgo de confundir correlación con causalidad. Si un socio informa de menores pérdidas por estafas tras adoptar Apate, la reducción podría reflejar varios controles simultáneos. Una evaluación creíble debería aislar la contribución de Apate.
Una divulgación útil incluiría el porcentaje de contactos redirigidos confirmados como estafas, la proporción que genera indicadores accionables y el tiempo entre la extracción y la intervención. Los clientes también deberían rastrear las revocaciones de falsos positivos y las pérdidas evitadas verificadas.
Las auditorías independientes facilitarían la comparación de las afirmaciones de la empresa entre instituciones. Las definiciones estandarizadas podrían separar conversaciones iniciadas, conversaciones mantenidas, indicadores recopilados, indicadores verificados y campañas interrumpidas.
La base de investigación de Apate aporta a la empresa más sustancia que una demostración típica de agentes. Sin embargo, pasar de la evidencia de pilotos a un control comercial repetible requiere una medición transparente de resultados.
Tres señales mostrarán si la inteligencia antifraude de Apate escala
La próxima fase pondrá a prueba si Apate puede convertir un despliegue australiano innovador en infraestructura de confianza en distintos mercados, canales y sistemas regulatorios.
La primera señal es el rendimiento verificado de los clientes. Apate ha mencionado a Commonwealth Bank y TPG Telecom, al tiempo que se refiere de forma más general a empresas de servicios públicos, organismos y otro banco australiano.
Los futuros estudios de caso necesitan métricas de resultados vinculadas a una línea de base definida. La evidencia más sólida conectaría indicadores validados con cuentas bloqueadas, dominios eliminados, campañas interrumpidas o pérdidas reducidas.
La segunda señal es el despliegue internacional. Apate recaudó $8.15 millones en financiación semilla durante agosto de 2026, según la empresa y TechCrunch. Según se informa, su financiación total se sitúa justo por debajo de los $10 millones.
La startup de 20 personas planea utilizar el capital para el desarrollo de productos y la expansión internacional. Pretende abrir una oficina en Londres y aumentar su presencia en Estados Unidos.
La expansión pondrá a prueba si el sistema puede manejar nuevos acentos, idiomas, guiones de estafa, normas de privacidad y flujos de trabajo institucionales. Un modelo entrenado con llamadas australianas no puede asumir simplemente un comportamiento idéntico en otros lugares.
El éxito en Reino Unido o Estados Unidos reforzaría la afirmación de Apate de que su arquitectura se generaliza. Pilotos lentos o acceso limitado a canales sugerirían que las asociaciones, la regulación y los datos locales siguen siendo restricciones importantes.
La tercera señal es la resiliencia adversarial. Los estafadores acabarán reconociendo voces sintéticas recurrentes, hábitos conversacionales o patrones de redirección. Algunos intentarán contaminar la inteligencia proporcionando cuentas y dominios engañosos.
Apate debe demostrar que sus agentes evolucionan sin volverse inseguros o impredecibles. También necesita sistemas de detección que adviertan cuándo un estafador está probando al bot en lugar de perseguir a una víctima.
Estas señales importan más que el número total de conversaciones. Las intervenciones verificadas revelan utilidad, las asociaciones internacionales revelan transferibilidad y el rendimiento adversarial revela durabilidad.
La importancia más amplia se extiende más allá de las llamadas fraudulentas. Apate demuestra una dirección inusual para la IA agéntica, es decir, software que persigue un objetivo a lo largo de varios pasos conversacionales. Aquí, el objetivo es la recopilación controlada de inteligencia frente a un participante hostil.
Ese modelo atraerá la atención de bancos, operadores de telecomunicaciones, equipos de ciberseguridad y organismos gubernamentales. También planteará preguntas sobre identidad, consentimiento, calidad de la evidencia y automatización responsable.
Para los trabajadores del conocimiento que siguen este mercado, el hábito útil es separar las afirmaciones de las empresas de los resultados validados. Una base de conocimiento de IA consultable puede ayudar a los equipos a conservar fuentes, supuestos y correcciones posteriores.
Observe los resultados verificados, no solo las grabaciones entretenidas. Si Apate puede convertir de forma consistente conversaciones hostiles en intervenciones oportunas, la defensa contra el fraude gana una nueva capa de recopilación. Si la verificación sigue siendo opaca, los bots podrían hacer perder tiempo a los estafadores sin demostrar que protegen a más víctimas.
