ML en la analítica de blockchain: lo que la postura de Chainalysis significa para el cumplimiento AML

Chainalysis ha trazado un límite preciso sobre dónde pertenece el aprendizaje automático en la inteligencia de blockchain, y dónde no. Publicado el 14 de agosto de 2026, el documento de posición de la firma argumenta que aplicar ML a la agrupación de direcciones crea riesgos legales y operativos que los proveedores responsables no deberían aceptar. Para las firmas de contabilidad, auditores y CFOs que dependen de los resultados de la analítica de blockchain para cumplir con las obligaciones AML, el argumento tiene un peso práctico inmediato.

Las tres capas dentro de un clúster de carteras

El término "clúster" se usa habitualmente como si describiera una afirmación única y uniforme. Chainalysis contradice directamente esa suposición. En su marco, lo que los profesionales llaman clúster en realidad contiene tres capas analíticas distintas, cada una con una carga de prueba diferente.

Afirmaciones estructurales, de atribución y de operador

La primera capa es estructural: ¿qué direcciones están controladas por la misma clave criptográfica? La segunda es la atribución: ¿puede ese conjunto de direcciones vincularse a una entidad específica y nombrada? La tercera es la afirmación del operador: ¿cuál es la relación precisa entre esa entidad y esas direcciones? Un equipo de cumplimiento que se basa en una alerta basada en clústeres depende, en la práctica, de las tres afirmaciones apiladas. Si alguna capa no es confiable, toda la alerta se ve comprometida.

Chainalysis clasifica las afirmaciones estructurales como inteligencia de nivel 1. Para cumplir con ese estándar, una metodología debe ser determinista, reproducible y auditable, con modos de fallo documentados. La firma llama a esto el "estándar de solidez estructural". Las afirmaciones analíticas, como la generación de leads, la detección de anomalías y el reconocimiento de patrones, se sitúan en el nivel 2. Estas son probabilísticas por naturaleza y se etiquetan explícitamente como tales.

Por qué el ML no puede cumplir con el estándar de solidez estructural

Chainalysis declara claramente que no utiliza aprendizaje automático para identificar segmentos de carteras. La razón no es una cuestión de precisión bruta. Incluso un modelo predictivo hipotéticamente perfecto fallaría el estándar de solidez estructural porque su lógica de decisión se aprende de los datos de entrenamiento en lugar de derivarse de reglas explícitas y auditables. Cambie los datos de entrenamiento y las conclusiones del modelo pueden cambiar, sin ningún cambio correspondiente en la realidad on-chain subyacente.

El riesgo en cascada de un clúster falso

Un modelo predictivo puede tratar erróneamente múltiples direcciones no relacionadas como pertenecientes a una sola entidad. Esa única atribución incorrecta se propaga a través de todos los sistemas descendentes que consumen el feed de analítica. Las plataformas de cumplimiento señalan a clientes limpios. Las alertas AML se acumulan contra la cartera equivocada. Los investigadores siguen un rastro que no lleva a ninguna parte o, peor, lleva a un sospechoso completamente equivocado.

Las consecuencias no son abstractas. Para un equipo de cumplimiento, un falso positivo que vincula la cartera de un cliente con una entidad sancionada puede desencadenar la terminación de la cuenta, la congelación de fondos y la presentación de un informe de actividad sospechosa ante los reguladores. El cliente pierde el acceso a los servicios financieros debido a una conexión que nunca fue real. Para fines contables, un SAR erróneo o una cuenta congelada crea una cuestión de divulgación material: ¿tiene la firma un pasivo contingente o la obligación de notificar a los auditores? La respuesta depende de si el error se descubre y se corrige a tiempo.

El estándar Daubert y lo que significa para la evidencia blockchain

Los tribunales estadounidenses aplican el estándar Daubert, codificado bajo la Regla Federal de Evidencia 702, para determinar si la evidencia pericial es lo suficientemente confiable como para presentarla ante un jurado. La prueba hace cuatro preguntas: ¿Es la metodología comprobable? ¿Ha sido revisada por pares? ¿Tiene una tasa de error conocida? ¿Es generalmente aceptada en su campo relevante?

Estados Unidos v. Sterlingov y el fallo de 2024

Chainalysis afirma que es el primer proveedor de analítica de blockchain cuyo método satisface el estándar Daubert, tras el caso United States v. Sterlingov de 2024. La defensa impugnó el enfoque de agrupación de la firma por considerarlo defectuoso y poco confiable. El juez presidente rechazó la impugnación, considerando que la metodología era lo suficientemente transparente como para ser verificada de forma independiente. El núcleo del fallo se basó en la naturaleza determinista y reproducible de las heurísticas de agrupación, no en la afirmación de que la analítica de blockchain como categoría es automáticamente admisible.

La firma es explícita en que el fallo validó una metodología específica, no una industria. Un enfoque que depende en gran medida del ML para la agrupación estructural enfrentaría un camino materialmente más difícil bajo la Regla 702. Si un proveedor no puede explicar, en términos auditables, cómo se construyó un clúster o por qué se aplicó una etiqueta, esa metodología podría no sobrevivir a una audiencia Daubert. Los casos basados en resultados opacos de ML corren el riesgo de ser desestimados. Peor aún, pueden establecer un precedente adverso que complique futuros procesamientos que dependan de evidencia blockchain.

Dónde Chainalysis sí utiliza aprendizaje automático

El documento de posición no argumenta que el ML no tenga lugar en la inteligencia de blockchain. Argumenta a favor de una aplicación disciplinada y claramente etiquetada en el nivel analítico de nivel 2.

Detección de estafas, señalización de anomalías y generación de leads

La firma describe el uso de ML e IA para potenciar Alterya, su herramienta de detección y disrupción de estafas. Los modelos de Alterya se entrenan continuamente con datos web, mensajes de chat y actividad on-chain para descubrir patrones emergentes de estafas. Esta es una aplicación legítima y valiosa: el modelo genera una señal probabilística que luego un analista investiga. La señal informa el proceso sin sustituirlo.

El ML también apoya la generación de leads y la detección de anomalías dentro de investigaciones más amplias. Un modelo puede descubrir patrones de transacciones inusuales que un analista humano no habría tenido tiempo de encontrar en un gran conjunto de datos. El salvaguarda crítico es que estos resultados se etiquetan como evaluaciones probabilísticas que requieren validación adicional. Entran en el flujo de trabajo analítico como hipótesis, no como conclusiones.

Para las firmas de contabilidad que operan funciones de cumplimiento, o que asesoran a clientes que las operan, la distinción conlleva una implicación directa en el flujo de trabajo. Una alerta generada por una señal probabilística de ML no debería, por sí sola, ser suficiente para cerrar un caso, presentar un SAR o terminar una relación con el cliente. Debería abrir una investigación. La decisión final debe basarse en evidencia auditable y reproducible.

Implicaciones operativas para los equipos de cumplimiento y los CFOs

El marco de Chainalysis tiene lecturas concretas para las firmas que utilizan analítica de blockchain de terceros como parte de sus programas de cumplimiento AML o de delitos financieros. Entender cómo un proveedor construye sus clústeres ya no es una cuestión técnica reservada a los científicos de datos. Es una cuestión de diligencia debida que corresponde a los oficiales de cumplimiento, CFOs y auditores externos.

Diligencia debida del proveedor: preguntas que ahora importan

Al evaluar herramientas de analítica de blockchain, o al auditar la dependencia de un cliente en ellas, hay varias preguntas que el documento de Chainalysis plantea implícitamente. ¿Puede el proveedor explicar, en términos claros y auditables, cómo se construyó un clúster de carteras determinado? ¿La metodología de agrupación estructural es determinista y reproducible, o depende de un modelo entrenado cuya lógica no puede reconstruirse por completo? ¿Los resultados probabilísticos se etiquetan explícitamente como tales en la interfaz de la plataforma y en los informes generados para los reguladores? ¿La metodología del proveedor tiene un modo de fallo documentado y comprendido?

Estas no son preocupaciones hipotéticas. Cualquier software de contabilidad cripto o software de contabilidad de activos digitales que integre datos de analítica de blockchain de terceros hereda la calidad analítica de esos datos. Si la agrupación upstream no es confiable, los registros contables downstream, las alertas AML y los informes de cumplimiento tampoco lo son. Para un CFO que firma un atestado de cumplimiento AML, la calidad del feed de analítica es un insumo material.

El punto más amplio de diligencia debida se conecta directamente con las implicaciones señaladas en la cobertura del cribado AML entre cadenas: ver qué significa el cribado AML entre cadenas para las firmas de contabilidad. A medida que la actividad blockchain abarca más redes y protocolos, la presión sobre los proveedores para usar atajos de ML para la agrupación aumentará. Las firmas necesitan entender la política declarada de su proveedor, no solo su marketing.

Defensibilidad legal y requisitos de pista de auditoría

La discusión de Daubert no es solo una preocupación del tribunal estadounidense. En cualquier jurisdicción donde una firma deba demostrar a un regulador que sus alertas AML se basaron en evidencia confiable, se aplica la misma pregunta subyacente: ¿puede la metodología que generó la alerta verificarse de forma independiente? Un SAR presentado sobre la base de un resultado opaco de ML, uno donde la firma no puede explicar por qué se señaló una cartera particular, es una presentación regulatoria más débil que una respaldada por razonamiento determinista y documentado.

Los auditores externos que revisan el marco AML de una firma deberían preguntar si las herramientas de analítica de blockchain en las que confía la firma pueden producir una explicación auditable para cada alerta material. Esa pista de auditoría es parte de lo que hace que el software de contabilidad cripto y el software de contabilidad de activos digitales sean realmente adecuados para fines de cumplimiento, no solo operativamente convenientes.

La dimensión del riesgo legal se ha agudizado desde el patrón más amplio de acciones de cumplimiento explorado en cómo la IA está remodelando el crimen cripto y las obligaciones de cumplimiento. A medida que los fiscales dependen cada vez más de la analítica de blockchain en casos penales, los estándares de calidad que se aplican en los tribunales se están filtrando de vuelta a las expectativas regulatorias para los programas de cumplimiento.

El resultado final contable y de informes

Desde un punto de vista puramente contable, la confiabilidad de los datos de analítica de blockchain afecta varias obligaciones de informes financieros y de cumplimiento a la vez. Cuando una firma ha señalado una transacción como potencialmente vinculada a una entidad sancionada, la decisión de congelar fondos, presentar un SAR o terminar una relación debe estar respaldada por evidencia que pueda documentarse en los papeles de trabajo de la firma. Si la analítica subyacente no puede explicarse o reproducirse, la pista de papeles de trabajo está incompleta.

Para las firmas que asesoran a clientes en el diseño de programas AML, el marco de Chainalysis ofrece un punto de referencia útil: las afirmaciones de agrupación estructural deben cumplir un estándar determinista y auditable, mientras que los resultados probabilísticos de ML deben segregarse claramente y tratarse como pistas de investigación en lugar de conclusiones. Incorporar esa distinción en la documentación de política AML de un cliente es un paso concreto y accionable que el documento respalda.

Los CFOs de empresas nativas cripto también deberían considerar cómo su elección de herramientas de analítica afecta su posición de seguro e indemnización. Una falla de cumplimiento rastreada hasta un clúster erróneo de ML, uno que el proveedor no puede explicar ni defender, es un perfil de responsabilidad diferente de una falla que involucra una metodología que era transparente y documentada. Esa diferencia puede ser relevante cuando las aseguradoras evalúan los controles AML de una firma en la renovación.

Preguntas frecuentes

¿Qué es el estándar de solidez estructural y por qué es importante para los programas de cumplimiento?

El estándar de solidez estructural es el criterio que Chainalysis aplica a las afirmaciones de inteligencia de nivel 1, específicamente la afirmación de que múltiples direcciones están controladas por la misma entidad. Para cumplirlo, una metodología de agrupación debe ser determinista, reproducible, auditable y debe tener modos de fallo documentados. Es importante para los programas de cumplimiento porque las alertas AML, las presentaciones de SAR y las decisiones de terminación de cuentas que se basan en agrupaciones estructuralmente sólidas pueden explicarse y defenderse ante reguladores, tribunales y auditores. Las alertas basadas en resultados opacos de ML no pueden explicarse de la misma manera.

¿El fallo Daubert significa que toda la analítica de blockchain es admisible en los tribunales de EE. UU.?

No. Chainalysis es explícito en que el fallo de 2024 en United States v. Sterlingov validó una metodología determinista específica, no la analítica de blockchain como categoría. Los proveedores que utilizan enfoques con mucho ML para la agrupación estructural necesitarían demostrar por separado que su metodología cumple los criterios Daubert: comprobabilidad, revisión por pares, tasa de error conocida y aceptación general. Un modelo opaco que no puede explicar su razonamiento enfrenta un camino materialmente más difícil bajo la Regla Federal de Evidencia 702.

¿Cómo deberían las firmas de contabilidad tratar las alertas AML generadas por resultados probabilísticos de ML?

Los resultados probabilísticos de ML deben tratarse como pistas de investigación, no como conclusiones. Una alerta generada por un modelo predictivo debe abrir un caso para revisión del analista; no debería, por sí sola, ser suficiente para presentar un SAR, congelar fondos o terminar una relación con el cliente. La decisión de cierre sobre cualquier alerta material debe basarse en evidencia auditable y reproducible. Las firmas deben documentar esta distinción en su política AML y capacitar al personal en consecuencia.

¿Qué preguntas de diligencia debida del proveedor debería hacer un CFO o un oficial de cumplimiento sobre las herramientas de analítica de blockchain?

Las preguntas clave incluyen: ¿Cómo se construye la agrupación estructural y es la lógica determinista y auditable? ¿Los resultados probabilísticos de ML se etiquetan por separado de los deterministas en la interfaz de la plataforma y en los informes exportados? ¿Cuál es el modo de fallo documentado para la metodología de agrupación? ¿Ha sido validada la metodología en algún procedimiento legal o regulatorio? ¿Puede el proveedor producir una explicación auditable para cualquier alerta específica a petición? Estas preguntas se aplican igualmente al seleccionar nuevas herramientas y al revisar las relaciones existentes con proveedores.

¿Puede un clúster de carteras falso crear obligaciones contables o de informes financieros para una firma?

Sí, potencialmente. Si un clúster falso desencadena una congelación de fondos o una presentación errónea de SAR, la firma puede enfrentar preguntas sobre pasivos contingentes, la adecuación de sus controles internos y si el error requirió divulgación a auditores o reguladores. El umbral de materialidad depende del tamaño de la cuenta afectada y la naturaleza del negocio de la firma. Los auditores externos que revisan un marco AML deberían preguntar si la metodología de analítica subyacente a las alertas materiales puede verificarse de forma independiente, y las firmas deberían estar preparadas para responder esa pregunta con documentación.

Fuente: Chainalysis