Coinbase informó que su agente de IA diseñado a medida superó a un sistema comercial líder de IA en detección de fraude, al tiempo que respondió mucho más rápido en las revisiones de pagos, reduciendo las transacciones fraudulentas en 30% y el valor de las transacciones fraudulentas en 22% durante las pruebas en el servicio Onramp de la compañía.

El agente está construido sobre Qwen3.5-9B, un modelo de pesos abiertos que los ingenieros de Coinbase ajustaron con datos internos propietarios de transacciones. El director ejecutivo Brian Armstrong comentó los resultados el 12 de octubre, tras una serie de ingeniería en tres partes que la empresa publicó la semana anterior.

"We were able to fine tune an open weight model (Qwen3.5-9B) on proprietary internal data at @coinbase , and it out performed frontier models, at much lower cost and speed, for a specialized task (fraud prevention in this case). I think we'll see more of this pattern inside… pic.twitter.com/x1gort3N6P"

— Brian Armstrong (@brian_armstrong) 11 de octubre de 2026

En la publicación, Armstrong sugirió que el resultado apunta a un patrón más amplio en el que los modelos de pesos abiertos ajustados con datos propietarios pueden superar a los sistemas de frontera en tareas especializadas y acotadas, a menor costo y mayor velocidad.

Un revisor de IA reduce el fraude en Onramp

Coinbase añadió inicialmente el revisor de IA junto a sus reglas de fraude existentes y los controles de aprendizaje automático en Onramp, el servicio de la compañía para comprar criptomonedas con dinero fiduciario. En un experimento en línea, la empresa registró 30% menos transacciones fraudulentas y una reducción de 22% en el valor de las transacciones fraudulentas.

En lugar de evaluar cada pago de forma aislada, el agente revisó secuencias de pagos recientes para detectar actividad sospechosa. Esto le permitió detener un pago que había pasado controles anteriores, aunque no tenía permiso para revertir un bloqueo ya vigente. El modelo solo devolvía clasificaciones de riesgo, mientras que el código de la aplicación aplicaba las decisiones finales sobre las transacciones, un esquema que, según la empresa, fortalece la seguridad de las transacciones manteniendo límites claros en las decisiones automatizadas de prevención de fraude.

Pruebas internas respaldan un modelo más pequeño ajustado

Coinbase comparó varios modelos utilizando un conjunto de pruebas de 16,140 transacciones de 7,293 usuarios, incluidos 813 casos confirmados de fraude. La compañía encontró que algunos modelos de propósito general más nuevos omitieron más fraude a pesar de las mejoras en la precisión de las transacciones que marcaron.

Los ingenieros luego adaptaron Qwen3.5-9B, un modelo de pesos abiertos de nueve mil millones de parámetros, utilizando los registros históricos de fraude de Coinbase. Según el informe de la empresa, el entrenamiento se ejecutó en una sola GPU y costó menos de 100 dólares.

Frente a Opus 4.5 de Anthropic, el modelo adaptado mejoró su puntuación F1 en 9.6 puntos porcentuales. Coinbase también reportó un tiempo de respuesta mediano 55% menor, con su modelo tomando 0.683 segundos por solicitud en comparación con 1.515 segundos del sistema comercial, según mediciones de producción.

Los hallazgos provienen de pruebas realizadas por la propia empresa y no de una evaluación independiente del desempeño de los modelos en otras plataformas de pago. Por lo tanto, la comparación reportada es específica del flujo de trabajo de revisión deacciones de Coinbase y de sus condiciones de prueba, y no una clasificación general de los modelos.

Límites claros en las decisiones automatizadas

Coinbase dijo que su modelo requiere pruebas continuas a medida que cambian los patrones de fraude, con reglas establecidas de la aplicación que controlan cómo actúa el sistema. El enfoque coincide con la advertencia de la firma de seguridad CertiK la semana pasada de que los agentes autónomos necesitan límites claros y rendición de cuentas humana. Para el sistema descrito por Coinbase, monitorear si las clasificaciones siguen siendo efectivas conforme cambian los patrones de fraude seguirá siendo parte de la operación de la herramienta junto con esas reglas de la aplicación.

El uso de IA especializada para la prevención de fraude se produce mientras los desarrolladores de blockchain exploran otras aplicaciones de seguridad. Un descubrimiento asistido por IA de una falla en XRP Ledger llevó recientemente a la corrección de una vulnerabilidad que podría haber permitido la creación no autorizada de tokens. Por separado, la advertencia de Vitalik Buterin sobre la IA y la seguridad de las wallets generó preocupaciones de que los sistemas avanzados también podrían amenazar las protecciones criptográficas existentes, mientras que un incidente de phishing relacionado con la cuenta social de Coldcard mostró que la seguridad cripto enfrenta amenazas más allá del fraude en transacciones.