Litros incompletos: IA para detectar fraudes y ganar confianza

Un “litro incompleto” no suena a gran cosa… hasta que haces cuentas. Si una estación te entrega 1% menos de combustible de forma sistemática, eso equivale a pagar un depósito extra cada 100 sin recibirlo. Para un conductor que carga gasolina cada semana, la pérdida es silenciosa; para flotillas y transportistas, se convierte en un agujero directo en el presupuesto.

Esta semana, Profeco informó que denunció a gasolineras por vender litros incompletos, y que los operativos continuarán, además de llamar a las personas consumidoras a denunciar irregularidades. Más allá del hecho noticioso, el tema toca una fibra sensible: confianza. Y cuando la confianza se rompe en energía, se rompe también en finanzas: pagas, pero no recibes lo prometido.

En esta entrega de la serie “IA en Energía y Sostenibilidad”, voy a ir al punto: la supervisión tradicional no escala frente a miles de transacciones diarias. La buena noticia es que la inteligencia artificial (IA) sí puede escalar, detectar patrones y poner evidencia sobre la mesa para actuar rápido. Y eso es exactamente lo que FinTech y banca llevan años aprendiendo con el fraude transaccional.

Qué significa “litros incompletos” y por qué es un problema de confianza

Vender litros incompletos es una forma de fraude comercial basada en asimetría de información: el consumidor no puede verificar con facilidad, en tiempo real, si la máquina dispensó lo correcto. En el momento, el ticket “cuadra”, el indicador “sube”, y el coche arranca. Pero el valor entregado podría no coincidir con el pago.

Esto importa por tres razones muy concretas:

1. Afecta el gasto familiar y de movilidad. Diciembre suele ser mes de traslados (visitas, compras, carretera). En México, en temporada alta de viajes, el consumo de combustible se vuelve más frecuente y el impacto acumulado crece.
2. Distorsiona la competencia. Una gasolinera que “rasura” litros puede ofrecer precios aparentemente más bajos o mejorar su margen de manera desleal.
3. Erosiona la confianza en el mercado energético. Si la gente siente que siempre la están “chamaqueando”, baja la disposición a adoptar innovaciones (pagos digitales, programas de lealtad, autoservicio, movilidad compartida) y se vuelve más difícil profesionalizar el sector.

Frase para enmarcar: “La confianza no es un valor intangible: es una métrica operativa que se puede medir, auditar y mejorar.”

Lo que nos enseña Profeco sobre supervisión (y lo que falta)

La señal de Profeco es clara: hay inspección, hay consecuencias, y el consumidor puede (y debe) denunciar. Eso funciona como disuasión. El problema es de cobertura.

La realidad operativa: el muestreo no alcanza

Un operativo presencial es potente, pero inevitablemente se basa en muestreo: visitar X estaciones, revisar Y bombas, en Z días. El fraude, en cambio, puede ser:

• Intermitente (solo en ciertos horarios o días)
• Dirigido (más frecuente en bombas específicas)
• Adaptativo (cambia cuando detecta supervisión)

Cuando el “mal actor” puede ajustar su conducta, la supervisión debe volverse más inteligente, no solo más frecuente.

Denuncias del consumidor: necesarias, pero incompletas

La denuncia ciudadana es valiosa, pero tiene límites:

• No todo consumidor detecta el problema.
• Pocos tienen tiempo de documentarlo.
• La evidencia suele ser anecdótica si no se vincula con datos.

Aquí es donde entra el enfoque que ya domina en finanzas: combinar señales dispersas (tickets, geolocalización, patrones de consumo, telemetría) y convertirlas en una alerta accionable.

IA aplicada al combustible: cómo se detecta un “litro incompleto” con datos

La IA no “adivina” fraude; lo infiere con patrones estadísticos y pruebas de consistencia. En energía, esto se traduce en comparar lo que debería pasar con lo que está pasando.

1) Modelos de detección de anomalías por estación y por bomba

La forma más directa es usar detección de anomalías: algoritmos que aprenden el comportamiento normal de una estación (por día, hora, clima, flujo vehicular) y marcan desviaciones.

Ejemplos de señales útiles:

• Litros promedio por ticket en una bomba específica vs. el resto
• Distribución de montos “redondeados” (patrones raros de $500, $700, $1,000)
• Diferencias sistemáticas entre bombas de la misma estación
• Saltos de comportamiento después de mantenimiento o “ajustes”

Si una bomba muestra un sesgo persistente (por ejemplo, tickets con litros ligeramente menores a lo esperable para montos equivalentes), el sistema la eleva a revisión prioritaria.

2) Consistencia entre ventas, inventario y logística

Otra vía robusta es cruzar inventario con ventas y recepción de producto:

• Entradas al tanque (bitácoras de descarga)
• Volumen en tanques (sensores de nivel)
• Litros dispensados (registros de bomba)

Si las ventas reportadas no “cierran” con el comportamiento del inventario, aparece un patrón de merma fuera de norma. Ojo: no toda merma es fraude (hay evaporación, temperatura, variaciones), pero la IA ayuda a separar lo normal de lo sospechoso.

3) Señales externas: telemática y rendimiento real

Aquí se pone interesante: con el crecimiento de telemática en flotillas (GPS + consumo estimado + hábitos de conducción), se puede estimar un rango de rendimiento.

• Si una flotilla carga siempre en la misma estación y ve una caída consistente del rendimiento tras repostar allí, se puede generar una alerta.
• Con suficientes datos, se comparan estaciones cercanas con rutas y vehículos similares.

No es una “prueba jurídica” por sí sola, pero sí un radar temprano.

4) Visión por computadora (cuando hay sensores)

En estaciones con infraestructura, la visión por computadora puede:

• Verificar secuencias operativas (inicio/fin de carga, manipulación inusual)
• Detectar patrones de intervención en equipos
• Aportar trazabilidad cuando se investiga un incidente

No estoy diciendo “cámaras en todas partes”; digo cámaras donde el riesgo lo justifique, priorizadas por datos.

Del fraude en gasolina al fraude financiero: el mismo mapa mental

El fraude de litros incompletos se parece muchísimo a una transacción financiera adulterada: pagas el monto correcto, pero el valor entregado no coincide. En banca y FinTech, eso se combate con tres capas que el sector energético puede adoptar (y adaptar).

Capa 1: Monitoreo en tiempo real

En pagos con tarjeta, los motores antifraude analizan transacciones en milisegundos. En combustible, el paralelo sería:

• Monitorear tickets en tiempo real
• Calcular indicadores por bomba/turno
• Disparar alertas antes de que el problema escale

Capa 2: Gestión de casos (case management)

La IA sirve de filtro; la decisión final necesita proceso:

1. Alerta
2. Revisión (humana o técnica)
3. Evidencia y trazabilidad
4. Acción: calibración, sanción, cierre temporal, denuncia

Sin “gestión de casos”, la IA se queda en dashboards bonitos.

Capa 3: Transparencia hacia el usuario

La confianza se gana cuando el consumidor puede verificar.

Ideas realistas (y útiles) para estaciones y reguladores:

• Tickets más informativos (bomba, hora exacta, volumen, folio verificable)
• Historial de calibración accesible en punto de venta
• Indicadores visibles de cumplimiento (auditorías internas, revisiones)

En finanzas aprendimos algo duro: si el usuario no entiende, no confía; y si no confía, no usa.

Qué puede hacer cada actor: acciones prácticas (sin humo)

La pregunta no es “si” usar tecnología, sino “dónde empieza el retorno”. Aquí va un mapa de acciones concretas.

Para consumidores (y flotillas pequeñas)

• Documenta el evento: ticket, fecha, hora, estación, número de bomba.
• Detecta patrones: si notas caída de rendimiento siempre tras cargar en el mismo lugar, cambia de estación y compara 2-3 cargas.
• Denuncia con datos: una denuncia con evidencia repetida pesa más que una aislada.

Para gasolineras que sí quieren hacer las cosas bien

La mayoría pierde cuando unas cuantas dañan la reputación del sector. Si yo operara una estación, priorizaría:

1. Telemetría de tanques y bombas con registros inmutables (auditoría)
2. Analítica de anomalías por bomba y turno (alertas internas)
3. Controles de acceso y cambios (quién ajustó qué, cuándo)
4. Programa de mantenimiento preventivo con trazabilidad

Resultado esperado: menos reclamaciones, menos riesgo regulatorio y una marca más confiable.

Para reguladores y supervisores

• Inspección basada en riesgo: usar IA para priorizar estaciones con mayor probabilidad de irregularidad.
• Estándares de datos: formatos unificados de tickets y bitácoras (sin esto, no hay analítica a escala).
• Ciclos cortos: si una alerta sube, la revisión no puede tardar meses.

Para FinTech y banca (sí, también aquí hay oportunidad)

Si tu empresa ya sabe detectar fraude transaccional, hay una expansión natural:

• Motores de riesgo para pagos en estaciones
• Validación de consistencia ticket–pago–geolocalización
• Modelos para flotillas (control de gasto, desviaciones, conciliación)

El punto de unión es el mismo: integridad de la transacción.

Preguntas que la gente se hace (y respuestas directas)

¿La IA puede probar legalmente que una estación vende litros incompletos?

No por sí sola. La IA prioriza y aporta evidencia técnica (patrones, consistencias, auditoría). La confirmación formal requiere verificación metrológica y proceso regulatorio.

¿Esto afecta la sostenibilidad?

Sí, por eficiencia y confianza. Cuando hay fraude, se incentiva el consumo ineficiente (más recargas, más traslados por “buscar” estaciones), y se dificulta implementar sistemas modernos de monitoreo energético.

¿Qué tan caro es implementar analítica e IA en estaciones?

Depende del nivel. Lo más rentable suele ser empezar por datos que ya existen (tickets, ventas, inventario) y añadir sensores solo donde el modelo marque alto riesgo.

Un cierre incómodo: si no se mide, se repite

Profeco denunciando a gasolineras por vender litros incompletos manda un mensaje necesario: hay consecuencias. Pero el cambio duradero llega cuando el sistema hace dos cosas a la vez: inspecciona y mide mejor.

Mi postura es clara: la transparencia no debería depender de que el consumidor sea detective. En energía, igual que en finanzas, la carga de la prueba operativa debe estar en quien vende y en quien supervisa, apoyados por analítica e IA.

Si 2026 va a ser el año de más movilidad, más pagos digitales y más electrificación gradual, también tiene que ser el año de más trazabilidad. La pregunta que queda flotando es simple: ¿vamos a esperar a la siguiente ola de denuncias, o vamos a diseñar un sistema que detecte el abuso antes de que se vuelva costumbre?