Las instituciones financieras enfrentan el Fraude Frankenstein, una modalidad en la que solicitantes presentan datos aparentemente consistentes, construyen historial crediticio y obtienen buenas calificaciones sin que exista una persona real detrás de la solicitud.
Este esquema opera mediante identidades sintéticas fabricadas al combinar fragmentos reales de distintas personas —como el número de identidad de una, el nombre de otra y el domicilio de una tercera— con datos inventados, acorde con la definición del Instituto Nacional de Estándares y Tecnología de Estados Unidos (NIST).
Identidades sintéticas y operación de la maniobra bust-out
A diferencia del robo de identidad tradicional, donde se suplanta a un titular existente, aquí se crea un perfil nuevo capaz de superar filtros iniciales y contratar productos de bajo monto. Al cumplir puntualmente sus primeros pagos, el perfil aparenta ser un cliente de bajo riesgo para acceder a líneas mayores.
Una vez obtenidos montos elevados, los defraudadores ejecutan la maniobra bust-out, agotando tarjetas y préstamos antes de suspender pagos. Ante la inexistencia de una persona física real, la recuperación de cartera resulta inviable para bancos y plataformas fintech.

Foto: Web Site Transunion.com
Tasa de intentos sospechosos en México y pérdidas registradas
Según el informe H1 2026 de TransUnion, la creación de cuentas concentró la mayor tasa de intentos sospechosos de fraude digital en México durante 2025 con 6.3%. En Estados Unidos, las pérdidas por fraude sintético en crédito automotriz pasaron de 93 millones a 208 millones de dólares entre el tercer trimestre de 2018 y el mismo lapso de 2025.
Estas cifras evidencian que un score crediticio positivo demuestra historial de pago previo, pero no confirma por sí solo la legitimidad integral de la identidad ni la consistencia de todas las señales asociadas al solicitante.

Foto: Mariano Sokal, director y cofundador de uFlow.
Evaluación integral de señales mediante motores de decisiones
Para mitigar esta vulnerabilidad, el motor de decisiones de uFlow conecta en un mismo flujo automatizado información de burós de crédito, validaciones de identidad, datos internos, comportamiento del dispositivo, geolocalización y listas de riesgo antes de aprobar una operación.
“El desafío actual ya no consiste únicamente en determinar si una persona tiene capacidad para pagar un crédito. Las entidades también necesitan contar con suficientes señales para evaluar si la información alrededor de esa solicitud es consistente antes de tomar una decisión”, señaló Mariano Sokal, director y cofundador de uFlow.
