Litros incompletos: fraude y IA para frenarlo

La Profeco presentó 43 denuncias penales contra gasolineras por vender litros incompletos. No es un detalle menor: cuando el “litro” se vuelve elástico, el daño se reparte en miles de tickets, a diario, y se vuelve casi invisible para la mayoría. Y justo ahí está el problema: los fraudes pequeños, repetidos y dispersos son los más rentables.

Este caso no solo habla de gasolina. Habla de integridad operativa: la capacidad de una empresa para cobrar exactamente lo que entrega, y de un regulador para detectar desviaciones con evidencia. En comercio minorista y e-commerce, pasa lo mismo con devoluciones falsas, promociones mal aplicadas, merma “administrativa” o cobros duplicados. Y en finanzas y fintech, el equivalente son transacciones anómalas, comisiones indebidas, cargos no reconocidos y patrones de fraude.

Mi postura es clara: la transparencia no se logra con comunicados, se logra con datos auditables y alertas tempranas. La buena noticia es que hoy la IA ya permite hacer en pagos, conciliaciones y ventas lo que Profeco está intentando hacer en campo: detectar anomalías antes de que se normalicen.

Qué nos enseña Profeco sobre “integridad” (y por qué importa)

La lección principal es directa: cuando una medición no es confiable, el mercado deja de ser justo. Si el consumidor no puede verificar fácilmente lo que recibe (litros reales, kilos reales, cargos reales), la competencia se distorsiona y gana quien “maquilla” mejor.

En gasolineras, el punto crítico es el dispensario y la calibración; en retail, la caja y el inventario; en e-commerce, el checkout y la logística; en fintech, el ledger y los motores de comisiones. Cambia el objeto, pero el patrón se repite:

• Asimetría de información: el proveedor ve más que el cliente.
• Microfraudes: pequeñas diferencias que pasan desapercibidas.
• Volumen: con suficiente tráfico, el margen “extra” se vuelve enorme.

Una frase que vale para gasolina y para finanzas: “Si no lo puedes medir, no lo puedes defender.”

Además, el anuncio de Profeco de que continuarán los operativos y el llamado a denunciar también revela otra realidad: la supervisión humana es necesaria, pero no escala. Ahí entra la IA.

Del dispensario al checkout: el mismo fraude con distinto empaque

El fraude por litros incompletos es un caso clásico de “cobro correcto, entrega incompleta”. En comercio minorista y e-commerce hay equivalentes muy comunes:

“Entrega incompleta” en retail

En tienda física, esto aparece como:

• Productos que no pasan por caja (fraude interno).
• Promociones aplicadas de forma discrecional.
• Diferencias entre inventario teórico y físico que se “explican” como merma.

En temporada alta (como Buen Fin o compras navideñas, justo lo que vive México en diciembre), el volumen y la prisa aumentan la tolerancia al error. Y donde hay error, aparece el abuso.

“Cobro incorrecto” en e-commerce

En e-commerce es más sutil:

• Cargos duplicados por reintentos de pago.
• Reembolsos parciales “accidentales”.
• Suscripciones que continúan pese a cancelación.

El punto no es comparar gasolineras con tiendas por gusto. Es entender que el control de calidad transaccional es una disciplina transversal. Y la IA puede ser el sistema nervioso de ese control.

Cómo la IA detecta anomalías (y por qué funciona mejor que reglas fijas)

La respuesta corta: la IA detecta patrones raros sin esperar a que alguien defina cada trampa posible. Las reglas (“si pasa X, alerta”) ayudan, pero los fraudes se adaptan. Los modelos estadísticos y de machine learning se adaptan mejor.

1) Detección de anomalías en tiempo (casi) real

En pagos, cajas o bombas, se puede modelar un “comportamiento normal” y marcar desviaciones. Ejemplos aplicables:

• Ticket promedio por estación / tienda / terminal fuera de rango.
• Distribución de montos con picos extraños (muchos tickets justo debajo de un umbral).
• Series de tiempo: cambios abruptos después de mantenimiento, cambio de turno o cambio de proveedor.

En gasolina, la analogía sería: si una estación empieza a “entregar menos” consistentemente tras un ajuste técnico, el sistema lo ve como cambio de régimen. En fintech, si un comercio empieza a tener contracargos atípicos, igual.

2) Conciliación inteligente: cuando el fraude está en la “diferencia”

Una fuente típica de pérdida no es el fraude obvio, sino la conciliación lenta:

• Venta vs. cobro (pasarela)
• Cobro vs. liquidación (adquirente)
• Liquidación vs. contabilidad

La IA ayuda a clasificar diferencias (error operativo, retraso, posible abuso) y priorizar investigación. En retail esto impacta caja e inventario; en fintech, reduce disputas y acelera atención.

3) Modelos de riesgo por entidad (estación, tienda, terminal, usuario)

En lugar de tratar todos los puntos igual, se asigna un score de riesgo:

• Estaciones con historial de quejas.
• Tiendas con rotación alta de personal.
• Terminales con patrones atípicos de reversos.
• Usuarios con señales de abuso de devoluciones.

Esto permite pasar de “auditar al azar” a auditar con foco, justo como haría un buen inspector… pero con mejor puntería.

Transparencia operativa: el puente entre Profeco y FinTech

La protección al consumidor tiene una parte legal, pero también una parte de diseño: crear sistemas donde engañar sea difícil y detectar sea rápido.

En fintech y banca moderna, las mejores prácticas se parecen mucho a lo que le exigirías a una estación de servicio honesta:

Auditoría por diseño (no por excepción)

• Logs inmutables de eventos (quién cambió qué, cuándo).
• Versionado de tablas de comisiones y reglas.
• Evidencia automática para aclaraciones.

“Explicabilidad” para resolver disputas

Cuando un cliente reclama un cargo, la respuesta no debería ser “no procede”. Debería ser un relato verificable:

• evento → autorización → liquidación → comisión → cargo final

La IA puede ayudar a redactar y resumir, pero lo esencial es que exista el rastro. En gasolina, sería equivalente a poder demostrar calibración, mantenimiento y lecturas por periodo.

Alertas centradas en el usuario

Profeco llamó a denunciar irregularidades. En digital, esa idea se vuelve producto:

• Notificaciones claras de cobros.
• Controles para bloquear comercios o categorías.
• Botones de “reportar” con evidencia adjunta.

La confianza no aparece por magia: se construye cuando el usuario siente control y entiende lo que pasó.

Checklist práctico: cómo aplicar estas ideas en retail, e-commerce y fintech

Si estás en comercio minorista, e-commerce o en una fintech que da servicio a comercios, este checklist te ahorra meses de ensayo-error.

Para equipos de operaciones y prevención de pérdidas

1. Define tu “unidad de verdad”: ¿qué mide la entrega? (ticket, paquete, litros, kilos, transacción)
2. Instrumenta eventos: no solo el resultado, también el proceso (reintentos, reversos, ajustes)
3. Establece umbrales dinámicos: percentiles por tienda/estación/terminal, no promedios globales
4. Crea un tablero semanal de anomalías con tres columnas: frecuencia, impacto, repetición
5. Cierra el ciclo: cada caso investigado debe retroalimentar al modelo o a las reglas

Para producto y experiencia del cliente

• Muestra desglose de cargos y comisiones de forma comprensible.
• Reduce la fricción del reclamo: menos formularios, más datos precargados.
• Da plazos reales y trazabilidad del caso (“recibido”, “en análisis”, “resuelto”).

Para compliance y dirección

• Define un estándar interno tipo “litro completo”: cobro correcto = entrega verificable.
• Audita terceros: pasarelas, adquirentes, operadores logísticos.
• Mide el KPI que duele: pérdida por discrepancias (no solo “fraude confirmado”).

Si tu sistema solo detecta lo que ya se convirtió en queja, llegas tarde.

Preguntas frecuentes que siempre aparecen (y conviene responder)

¿La IA sustituye auditorías y operativos?

No. La IA prioriza y acelera. Reduce el universo de revisión y te lleva a los puntos calientes. Las verificaciones físicas o revisiones manuales siguen siendo la prueba final.

¿Necesito millones de datos para empezar?

No. Un primer sistema de alertas puede arrancar con meses de tickets y eventos básicos. Lo que sí necesitas es calidad de datos: timestamps consistentes, identificadores únicos y catálogos limpios.

¿Cómo evito falsos positivos?

Con tres prácticas:

• segmentación (comparar “peras con peras”),
• ventanas de tiempo (no reaccionar a un día raro),
• y retroalimentación operativa (etiquetar casos reales).

Lo que sigue: del “operativo” al monitoreo continuo

Las 43 denuncias penales de Profeco por litros incompletos ponen sobre la mesa algo incómodo: la confianza del consumidor se rompe por cosas pequeñas, repetidas y difíciles de probar. En comercio minorista y e-commerce, diciembre es el mes donde más se nota: más volumen, más presión, más puntos de falla.

La ruta sensata es pasar de revisiones esporádicas a monitoreo continuo, donde la IA actúa como detector temprano de desviaciones: en bombas, cajas, pasarelas de pago, devoluciones y comisiones. Cuando lo haces bien, el beneficio es doble: menos pérdidas y menos fricción con el cliente.

Si hoy tu negocio ya tiene ventas digitales, POS, pagos y logística, ya tienes el “combustible” para un sistema antifraude basado en datos. La pregunta es si lo estás usando para proteger margen y reputación… o si estás esperando a que el problema llegue en forma de queja.

¿En qué parte de tu operación es más probable que estés “vendiendo litros incompletos” sin darte cuenta: en caja, en devoluciones, en comisiones o en conciliación?