Propuesta para implementar un modelo preventivo para la detección del fraude en Colpensiones basada en inteligencia artificial

Abstract

Colpensiones enfrenta uno de los mayores desafíos estructurales en la detección y prevención del fraude, situación que compromete la sostenibilidad financiera del régimen de prima media. A pesar de las normativas, instrucciones internas y controles administrativos vigentes, persisten irregularidades derivadas de la falta de interoperabilidad entre entidades públicas y la baja calidad de los datos. En este contexto, la entrada en vigor de la Ley 2381 de 2024 representa una oportunidad para fortalecer la eficiencia institucional mediante el uso de inteligencia artificial, garantizando trazabilidad, transparencia y respeto al debido proceso. La investigación propone un modelo preventivo basado en inteligencia artificial explicable (XAI) que integra algoritmos de detección de anomalías y herramientas como SHAP, LIME y Anchors, las cuales permiten interpretar los resultados y acompañar cada alerta con evidencia verificable. El modelo se desarrolla en fases progresivas: diagnóstico, diseño de interoperabilidad. Los resultados proyectan una reducción del 50 % al 70 % de los casos de fraude, con ahorros estimados entre 4.1 y 5.7 billones de pesos en cinco años y un Retorno sobre la Inversión (ROI) del 13.900 %, recuperable en menos de cinco meses. Asimismo, se plantean dos soluciones innovadoras: el cierre de la brecha de interoperabilidad, con ahorros entre 828 mil millones y 1.16 billones de pesos, y la mejora en la calidad de los datos, que reduciría entre 40 % y 60 % las inconsistencias, generando ahorros adicionales entre 2 y 3.6 billones de pesos. La propuesta fortalece la gobernanza digital, la transparencia y la confianza ciudadana.

Colpensiones faces one of its greatest structural challenges in fraud detection and prevention, a situation that jeopardizes the financial sustainability of the defined benefit pension system. Despite existing regulations, internal instructions, and administrative controls, irregularities persist due to a lack of interoperability between public entities and poor data quality. In this context, the enactment of Law 2381 of 2024 presents an opportunity to strengthen institutional efficiency through the use of artificial intelligence, guaranteeing traceability, transparency, and respect for due process. This research proposes a preventive model based on explainable artificial intelligence (XAI) that integrates anomaly detection algorithms and tools such as SHAP, LIME, and Anchors, which allow for the interpretation of results and the accompaniment of each alert with verifiable evidence. The model is developed in progressive phases: diagnosis, interoperability design. The results project a 50% to 70% reduction in fraud cases, with estimated savings of between 4.1 and 5.7 trillion pesos over five years and a Return on Investment (ROI) of 13,900%, recoverable in less than five months. Two innovative solutions are also proposed: closing the interoperability gap, with savings of between 828 billion and 1.16 trillion pesos, and improving data quality, which would reduce inconsistencies by between 40% and 60%, generating additional savings of between 2 and 3.6 trillion pesos. The proposal strengthens digital governance, transparency, and public trust.